Ingénieur en Systèmes Électronique de Communication

Développement d'un système complet d'IoT pour le monitoring et le contrôle d'une ruche intelligente intégrant un système de récolte de venin et des capacités d'IA en edge. Réalisation d'une analyse budgétaire complète de la puissance et conception d'une architecture multi-source d'alimentation. Conception de deux PCB personnalisées depuis zéro avec KiCAD, l'une pour le dispositif terminal et l'autre pour la passerelle. Entraînement d'un modèle d'IA en edge pour classifier l'état de santé de la colonie d'abeilles à partir de signaux acoustiques. Environnement technique : KiCAD, Python, Deep Learning, CNN, Edge AI, IoT.

Participation à la conception d'une solution de monitoring à distance pour les salles serveurs industrielles. Conception d'une carte PCB avec KiCAD permettant la mesure de l'humidité et de la température. Intégration de fonctionnalités de détection d'accès à la salle et d'un système de caméra de surveillance. Mise en place d'une architecture de monitoring en temps réel. Environnement technique : KiCAD, PCB design, capteurs, systèmes embarqués.

Développement d'une solution complète de protection de tablette intégrant un système de contrôle d'accès RFID et une infrastructure cloud. Réalisation de la conception 3D de l'étui de tablette avec FreeCAD en assurant la protection et l'adaptabilité à différentes tailles. Conception et implémentation d'un système de contrôle d'accès RFID permettant l'accès sécurisé aux utilisateurs autorisés et le suivi de l'utilisation. Intégration de Firebase pour le stockage des données et des journaux d'accès RFID, assurant la synchronisation en temps réel avec l'application mobile pour un monitoring à jour. Environnement technique : FreeCAD, RFID, Firebase, systèmes embarqués.

Développement d'un système complet de détection de la somnolence du conducteur en temps réel en combinant le deep learning et le déploiement sur matériel embarqué. Conception d'un modèle de deep learning utilisant des réseaux de neurones convolutifs (CNN) pour analyser l'état des yeux à partir d'un flux vidéo en direct. Optimisation et déploiement du modèle sur Raspberry Pi pour un fonctionnement en temps réel. Environnement technique : Python, CNN, Deep Learning, Raspberry Pi, TensorFlow ou PyTorch.