NoorCity

L’éclairage public coûte cher en énergie et se gère souvent à la main : pannes découvertes tard, interventions mal suivies. NoorCity relie lampadaires connectés, citoyens et techniciens dans un même système.

Projet PIDEV de 3e année à Esprit, en équipe de 5, un domaine chacun. Le mien : les infrastructures (lampadaires, zones, caméras), que j’ai rendues prédictives et temps réel grâce à l’IA et à l’IoT.

Puis j’ai voulu aller plus loin que l’écran d’ordinateur : j’ai prolongé le projet par une application Android, pour emmener NoorCity là où se trouvent les lampadaires, sur le terrain.

• Carte des lampadaires avec, pour chacun, sa probabilité de panne.
• QR code sur chaque lampadaire : le technicien le scanne et ouvre sa fiche.
• 3 emplacements suggérés pour de nouveaux lampadaires dans une zone.
• Trafic en direct depuis les caméras, avec alerte d’embouteillage.

Extension mobile : la ville dans la poche

Une idée ajoutée au projet web et Java : tout ce que l’équipe gère au bureau, disponible sur le terrain, et de nouveaux usages pour les citoyens.

• 3 profils (administrateur, technicien, citoyen), une quarantaine d’écrans, en français, anglais et arabe.
• Scanner le QR code d’un lampadaire pour signaler une panne ou lancer une intervention.
• Caméras en direct, analysées par l’IA du téléphone : personnes, véhicules, score de sécurité.
• Noor Charge : recharger sa trottinette ou son vélo sur un lampadaire équipé, avec paiement Stripe (mode test) et énergie suivie en direct.
• Capteurs en temps réel, météo et qualité de l’air.
• Vidéos certifiées par une chaîne de blocs SHA-256 : on peut prouver qu’un enregistrement n’a pas été modifié.
• Programmes d’éclairage, événements proposés par les citoyens, chat entre équipes.

• Web : Symfony 6.4 en MVC (Twig, Doctrine, Leaflet), pour les équipes et les citoyens.
• Desktop : JavaFX en MVC (FXML), branché en JDBC sur la même base MySQL : web et desktop partagent les mêmes données.
• IA en Python (scikit-learn, YOLO, OpenCV), appelée par Symfony ou reliée en WebSocket pour le temps réel.
• IoT : ESP32 avec caméra, Arduino et capteurs de mouvement, luminosité et température.
• Mobile : Kotlin + Jetpack Compose (Material 3) en MVVM : écran → ViewModel (StateFlow) → repository qui écoute Firebase en temps réel.
• Firebase comme backend, sans serveur : Auth (email, Google, Facebook), Realtime Database, Firestore, Cloud Functions.
• Les ESP32 lisent et écrivent les mêmes données Firebase : l’app et le matériel restent synchronisés en direct ; seul le flux vidéo de l’ESP32-CAM est lu directement.

• Pannes : un RandomForest estime le risque de chaque lampadaire à partir de son âge, sa puissance, son type, ses pannes passées et le trafic.
• Trafic : YOLO repère et compte les véhicules dans le flux de l’ESP32-CAM.
• Emplacements : des positions sont tirées autour des lampadaires existants, puis filtrées par distance et validées par géocodage (pas dans l’eau, en zone urbaine).

Côté mobile et embarqué :

• Un modèle TensorFlow Lite (MobileNet) analyse l’image des caméras directement sur le téléphone : personnes, véhicules, score de sécurité.
• L’ESP32-CAM détecte un accident par différence d’images, avec des règles et des seuils générés en Python puis embarqués dans la carte.

Limite : le modèle de pannes a été entraîné sur des données simulées ; la suite est de le réentraîner sur les données réelles exportées.