Memoire These Emmanuel SCHMITT V2

FACULTE DES SCIENCES & TECHNIQUES
U.F.R. Sciences et Techniques en Mathmatiques, Informatique et Automatique Ecole Doctorale IAEM Lorraine Dpartement de Formation Doctorale Automatique et Production automatise
Thse
Prsente pour lobtention du titre de
Docteur de lUniversit Henri Poincar, Nancy - I

en Automatique, Traitement du Signal et Gnie Informatique Par Emmanuel SCHMITT
Contribution au Systme dInformation dun Produit Bois . Appariement automatique de pices de bois selon des critres de couleur et de texture.
Version soumise aux rapporteurs Membres du jury : Rapporteurs : Melle. Sylvie GALICHET (Prof.) M. Carl FRELICOT (Prof.) M. Patrick CHARPENTIER (Prof.) M. Vincent BOMBARDIER (MdC) Universit de Savoie, LISTIC Universit de La Rochelle, L3I Universit Henri Poincar, CRAN/SYMPA Universit Henri Poincar, CRAN/SYMPA ENSEA, ETIS Universit Henri Poincar, CRAN/IRIS Socit LuxScan Technologies Universit du Luxembourg, CSC
Encadrants :
Examinateurs : Mme. Sylvie PHILIPP-FOLIGUET (Prof.) M. Hugues GARNIER (Prof.) M. Raphal VOGRIG (Dr.) M. Pascal BOUVRY (Prof.)
Centre de Recherche en Automatique de Nancy Universit Henri Poincar, Nancy - I Facult des Sciences et Techniques 54506 Vandoeuvre-ls-Nancy
-2-
REMERCIEMENTS
Remerciements
.
-3-
TABLES DES MATIERES
Tables des matires

REMERCIEMENTS ........................................................................................................................................- 3 TABLES DES MATIERES..............................................................................................................................- 4 LISTE DES FIGURES .....................................................................................................................................- 7 LISTES DES TABLEAUX.............................................................................................................................- 11 1. 2. INTRODUCTION .................................................................................................................................- 14 CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES
DANS LES INDUSTRIES DU BOIS.............................................................................................................- 22 2.1. 2.1.1. 2.1.2. 2.1.3. 2.2. 2.2.1. 2.2.2. 2.2.3. 2.3. 2.3.1. CONTROLE QUALITE ..................................................................................................................... - 23 La reconnaissance des singularits .........................................................................................- 25 La reconnaissance des couleurs et du grain............................................................................- 31 Le besoin de systmes industriels de vision .............................................................................- 33 INSPECTION PAR RECONNAISSANCE DE FORMES .......................................................................... - 35 Linspection visuelle automatise ............................................................................................- 35 Les algorithmes de classification .............................................................................................- 41 La couleur dans un processus industriel bois ...................................................................- 44 ARCHITECTURES DES CAPTEURS DE VISION ................................................................................. - 50 Capteurs intelligents.................................................................................................................- 50 -
-4-
TABLES DES MATIERES
2.3.2. 2.3.3. 2.4. 3.
Capteurs symboliques...............................................................................................................- 52 Capteurs flous...........................................................................................................................- 55 CONCLUSION ................................................................................................................................. - 57 -
DU CAPTEUR AUX MESURES FONCTIONNELLES ...................................................................- 60 3.1. 3.1.1. 3.1.2. 3.1.3. 3.2. 3.2.1. 3.2.2. 3.2.3. 3.2.4. 3.3. LA MESURE .................................................................................................................................... - 61 Prsentation du systme dacquisition.....................................................................................- 62 Correction des perturbations lumineuses ................................................................................- 67 Correction des donnes fournies par le capteur......................................................................- 75 MODELISATION DE LA MESURE DEFINITION DU VECTEUR CARACTERISTIQUE ....................... - 81 Configuration fonctionnelle : choix du repre colorimtrique...............................................- 81 Spcification des zones dintrts (ROI)..................................................................................- 87 Aspect statistique de la couleur................................................................................................- 88 Rpartition spatiale de la couleur ............................................................................................- 96 CONCLUSION ............................................................................................................................... - 103 -
4.
DES MESURES FONCTIONNELLES A LA DECISION : VERS UN CAPTEUR FLOU .........- 108 4.1. 4.1.1. 4.1.2. 4.2. 4.2.1. 4.2.2. 4.2.3. 4.2.4. 4.3. 4.3.1. 4.3.2. 4.4. SYSTEMES A BASE DE REGLES LINGUISTIQUES FLOUES ............................................................. - 110 Imprcisions et incertitudes des donnes...............................................................................- 110 Variables linguistiques propositions floues rgles floues ...............................................- 115 CLASSIFICATEUR A RAISONNEMENT FLOU ................................................................................. - 119 Principe de la mthode ...........................................................................................................- 121 Fuzzyfication des attributs du vecteur caractristique ..........................................................- 123 Gnration des rgles linguistiques .......................................................................................- 134 Rsultats comparatifs de classification..................................................................................- 138 UTILISATION CONJOINTE DE DEUX CAPTEURS FLOUS ................................................................ - 144 Choix de loprateur de fusion...............................................................................................- 146 Rsultats comparatifs de classification rive/rive ...................................................................- 148 CONCLUSION ............................................................................................................................... - 151 -
5.
CONCLUSION ET PERSPECTIVES...............................................................................................- 154 5.1. 5.2. CONCLUSION ............................................................................................................................... - 154 PERSPECTIVES ............................................................................................................................. - 159 -
ANNEXES A..................................................................................................................................................- 162 ANNEXE A.1 : LIL HUMAIN ET LA PERCEPTION DES COULEURS .......................................................... - 162 ANNEXE A.2 : RECOMPOSITION DES IMAGES COULEURS......................................................................... - 166 -
-5-
TABLES DES MATIERES
ANNEXES B..................................................................................................................................................- 169 ANNEXE B.1 : ALGORITHME DISHIBUCHI ET AL. .................................................................................... - 169 ANNEXE B.2 : VALIDATION DES CHOIX DE PARAMETRES PERTINENTS A PARTIR DUN CLASSIFICATEUR
KPPV ........................................................................................................................................................... - 173 -
ANNEXE B.3 : VALIDATION DE LA METHODE DE FUZZYFICATION AUTOMATIQUE POUR UN AUTRE DOMAINE

DAPPLICATIONS ........................................................................................................................................ - 174 -
ANNEXE B.4 : ETUDES DES CONSTANTES DAPPRENTISSAGE DE LALGORITHME DISHIBUCHI ET AL. .. - 175 REFERENCES BIBLIOGRAPHIQUES....................................................................................................- 182 -
-6-
LISTE DES FIGURES
Liste des figures

FIGURE 1.1 : REPRESENTATION SCHEMATIQUE DES PRODUITS FINAUX DU CAS APPLICATIF 1 ............................ - 16 FIGURE 1.2 : PHOTOGRAPHIE DE PRODUITS FINAUX DU CAS APPLICATIF 1 ......................................................... - 16 FIGURE 1.3 : REPRESENTATION SCHEMATIQUE DES PRODUITS FINAUX DU CAS APPLICATIF 2 ............................ - 17 FIGURE 1.4 : PHOTOGRAPHIE DE PANNEAUX DU CAS APPLICATIF 2.................................................................... - 17 FIGURE 1.5 : PHOTOGRAPHIES DE PLACAGES DE BOIS PROVENANT DU CAS APPLICATIF 3 .................................. - 18 FIGURE 2.1 : POSITIONNEMENT DE LA FONCTION DOBSERVATION DANS LA BOUCLE DE CAUSALITE CIRCULAIRE EN
PRODUCTIQUE [PERE-00] ........................................................................................................................ - 23 -
FIGURE 2.2 : ILLUSTRATIONS DE QUELQUES DEFORMATIONS DU BOIS ............................................................... - 24 FIGURE 2.3 : TAXINOMIE DES CONTROLES APPLIQUES AU BOIS ET POSITIONNEMENT DE LETUDE ..................... - 25 FIGURE 2.4 : SINGULARITES DU BOIS ................................................................................................................. - 27 FIGURE 2.5 : ARCHITECTURE ENVISAGE DE TRI DUN PRODUIT BOIS SELON UN MECANISME AUTOMATISE ........ - 28 FIGURE 2.6 : EFFET SCATTER DIFFUSION DE LA SOURCE LASER DANS LE BOIS EN FONCTION DE SA DENSITE OU DU
SENS DU FIL .............................................................................................................................................. - 30 -
FIGURE 2.7 : ORIGINE DES TEXTURES DU BOIS ................................................................................................... - 33 FIGURE 2.8 : INFLUENCE DE LENVIRONNEMENT DUNE COULEUR SUR SA PERCEPTION PAR LIL HUMAIN ...... - 34 FIGURE 2.9 : POSITIONNEMENT DES INSPECTIONS INTERVENANT SUR UNE CHAINE DE PRODUCTION ................. - 36 FIGURE 2.10 : CHAINE DE TRAITEMENT DE LIMAGE CONTENUE DANS UN SYSTEME DE VISION ARTIFICIELLE ... - 37 FIGURE 2.11 : PRINCIPE DE RECONNAISSANCE DE FORMES ................................................................................ - 39 FIGURE 2.12 : LES APPROCHES DE TRAITEMENTS HAUT-NIVEAU ........................................................................ - 42 FIGURE 2.13 : FONCTIONNALITES DUN CAPTEUR INTELLIGENT DECRIVANT LES BESOINS UTILISATEURS .......... - 51 FIGURE 2.14 : REPRESENTATION DUN CAPTEUR SYMBOLIQUE .......................................................................... - 53 FIGURE 2.15 : IDENTIFICATION DE LA BASE DE CONNAISSANCE DUN CAPTEUR SYMBOLIQUE PAR RAPPORT A SON
CONTEXTE DUTILISATION ........................................................................................................................ - 53 -
FIGURE 2.16 : UNIVERS DE DISCOURS ASSOCIES AUX COMPOSANTES COLORIMETRIQUES ROUGE (R), VERTE (V) ET
BLEUE (B)................................................................................................................................................. - 54 -
FIGURE 2.17 : STRUCTURE DUN CAPTEUR FLOU................................................................................................ - 56 FIGURE 2.18 : TRADUCTION FLOUE ET INTERPRETATION FLOUE DE LA TEMPERATURE ...................................... - 57 -
-7-
LISTE DES FIGURES
FIGURE 2.19 : REPRESENTATION DU LIEN ENTRE LUNIVERS DE DISCOURS ET LUNIVERS LEXICAL ................... - 58 FIGURE 3.1 : RAPPROCHEMENT DE LA CHAINE DE TRAITEMENT DIMAGES AU FONCTIONNEMENT DUN CAPTEUR
INTELLIGENT ............................................................................................................................................ - 61 -
FIGURE 3.2 : LIGNES DE PRODUCTION INTEGRANT LES SYSTEMES DE VISION (A- LIGNE DE TRONONNAGE / BLIGNE DE TRI) ........................................................................................................................................... - 62 -
FIGURE 3.3 : PHOTOGRAPHIE DU SYSTEME DACQUISITION UTILISE POUR LE CAS APPLICATIF 2 ........................ - 63 FIGURE 3.4 : REPARTITION DES PHOTOSITES SUR LA CAMERA COULEUR UTILISEE ............................................. - 64 FIGURE 3.5 : IMAGES COULEURS OBTENUES A PARTIR DU SYSTEME DACQUISITION (A- CERISIER / B- CHENE / CERABLE) ................................................................................................................................................... - 65 -
FIGURE 3.6 : PROFILS MOYENS DES COMPOSANTES R, V ET B AVANT (A) ET APRES (B) LA REALISATION DUNE
BALANCE DE BLANC ................................................................................................................................. - 66 -
FIGURE 3.7 : SPECTRES DEMISSION DES ECLAIRAGES NEONS (A) ET DIODES (B)................................................ - 67 FIGURE 3.8 : SCHEMA (VUE DE DESSUS) ET PHOTOGRAPHIES DU SYSTEME DE CONVOYAGE UTILISE DANS LE CAS
APPLICATIF 1 ............................................................................................................................................ - 68 -
FIGURE 3.9 : INTENSITE LUMINEUSE SUR UNE PIECE DE BOIS EN FONCTION DE LA POSITION DE LA LIGNE
DACQUISITION ......................................................................................................................................... - 69 -
FIGURE 3.10 : VARIATION DE LA MOYENNE DES COMPOSANTES R, V ET B EN FONCTION DUN ECART DE POSITION
AUTOUR DU POINT DE REFERENCE ............................................................................................................ - 70 -
FIGURE 3.11 : RECONSTRUCTION DES NIVEAUX COLORIMETRIQUES A PARTIR DES MODELES LINEAIRES ........... - 70 FIGURE 3.12 : EVOLUTION DE LINTENSITE LUMINEUSE AU COURS DU TEMPS POUR UN ECLAIRAGE FLUORESCENT ... ................................................................................................................................................................. - 72 FIGURE 3.13 : EVOLUTION DE LINTENSITE LUMINEUSE AU COURS DU TEMPS POUR UN ECLAIRAGE COMPOSE DE
DIODES BLANCHES .................................................................................................................................... - 72 -
FIGURE 3.14 : PHOTOGRAPHIE DES HUIT PIECES DE BOIS DE REFERENCE ........................................................... - 73 FIGURE 3.15 : EVOLUTION DE LA METRIQUE ERVB EN FONCTION DE LA TEMPERATURE - ECLAIRAGE FLUORESCENT ................................................................................................................................................................. - 74 FIGURE 3.16 : EVOLUTION DE LA METRIQUE ERVB EN FONCTION DE LA TEMPERATURE - ECLAIRAGE A DIODES- 74 FIGURE 3.17 : METHODOLOGIE DE CORRECTION CHROMATIQUE ....................................................................... - 77 FIGURE 3.18 : IMAGES DES REFERENCES COULEUR AUX DIFFERENTS INSTANTS T0, T1 ET T2 AVANT ET APRES
CORRECTION............................................................................................................................................. - 80 -
FIGURE 3.19 : REPERE COLORIMETRIQUE TLS................................................................................................... - 83 FIGURE 3.20 : REPERE COLORIMETRIQUE CIE LAB ............................................................................................ - 85 FIGURE 3.21 : VARIATION DES COEFFICIENTS DINERTIES INTRA ET INTERCLASSE POUR 5 REPERES
COLORIMETRIQUES ................................................................................................................................... - 86 -
FIGURE 3.22 : REPRESENTATION DES 7 ROI SUR UNE IMAGE TIREE DU CAS APPLICATIF 1 ................................. - 87 -
-8-
LISTE DES FIGURES
FIGURE 3.23 : AVIVES DE 6 DIFFERENTES COULEURS POUR PLUSIEURS ESSENCES (LISTE NON EXHAUSTIVE) CAS
APPLICATIF 2 ............................................................................................................................................ - 89 -
FIGURE 3.24 : HISTOGRAMMES NORMALISES DES COMPOSANTES L (A), A (B), B (C), H (D) ET C (E) DUN AVIVE DE
CHENE ROUGE DE COULEUR ROUGE CLAIR (F) CAS APPLICATIF 1........................................................... - 90 -
FIGURE 3.25 : COURBE DE DECROISSANCE DE LINERTIE RESTITUEE PAR CHAQUE AXE ..................................... - 93 FIGURE 3.26 : INERTIE MOYENNE DE CHAQUE PARAMETRE POUR LA DISCRIMINATION DES CLASSES ................. - 95 FIGURE 3.27 : PHOTOGRAPHIES DUN AVIVE AVANT (A) ET APRES (B) UNE DECOUPE LONGITUDINALE .............. - 97 FIGURE 3.28 : COURBE DE DECROISSANCE DE LINERTIE RESTITUEE PAR CHAQUE AXE (EN ROUGE : 65
CARACTERISTIQUES, EN BLEU
: 90 CARACTERISTIQUES)......................................................................... - 101 -
FIGURE 3.29 : INERTIE MOYENNE DE CHAQUE PARAMETRE POUR LA DISCRIMINATION DES CLASSES (A : 65
CARACTERISTIQUES, B
: 90 CARACTERISTIQUES).................................................................................... - 102 -
FIGURE 3.30 : REPRESENTATION DU LIEN ENTRE LUNIVERS DE DISCOURS ET LUNIVERS LEXICAL CARACTERISATION DE LA COULEUR ....................................................................................................... - 104 FIGURE 4.1 : PARALLELE ENTRE LA CHAINE DE TRAITEMENT DIMAGES ET LA STRUCTURE DUN CAPTEUR
INTELLIGENT .......................................................................................................................................... - 109 -
FIGURE 4.2 : REPRESENTATIONS GRAPHIQUES DE LA DISTRIBUTION DES POINTS DE LA BASE DE DONNEES BASE_COULEUR_1 DANS LES DIFFERENTS PLANS DU REPERE COLORIMETRIQUE CIE LAB..................... - 112 FIGURE 4.3 : IMAGE DUNE PIECE DE BOIS PRESENTANT UN CHANGEMENT DE COULEUR PROGRESSIF .............. - 113 FIGURE 4.4 : IMPRECISIONS ET INCERTITUDES A PRENDRE EN COMPTE DANS LA METHODE DE CLASSIFICATION
COLORIMETRIQUES DES AVIVES .............................................................................................................. - 115 -
FIGURE 4.5 : FONCTIONNEMENT DE LALGORITHME DURANT LES ETAPES DAPPRENTISSAGE ET DE

GENERALISATION ................................................................................................................................... - 122 -
FIGURE 4.6 : EXEMPLE DE FUZZYFICATION EN CINQ TERMES ........................................................................... - 123 FIGURE 4.7 : MODELE DE LEXPERT BOIS ASSOCIE A LA BASE DE DONNEES BASE_COULEUR_1 ...................... - 126 FIGURE 4.8 : MODELE GENERAL DES DEUX DOMAINES DEXPERTISE ASSOCIE A LA BASE DE DONNEES BASE_COULEUR_1................................................................................................................................. - 126 FIGURE 4.9 : SCORES DE TYPICALITE POUR LES ECHANTILLONS DE LA BASE DE DONNEES BASE_COULEUR_1 POUR
LES DIFFERENTS PARAMETRES CONSTITUANT LE VECTEUR CARACTERISTIQUE....................................... - 130 -
FIGURE 4.10 : PROCESSUS DAJUSTEMENT DES REGLES ................................................................................... - 136 FIGURE 4.11 : TAUX DE RECONNAISSANCE EN GENERALISATION SUR LA BASE DE DONNEES IRIS ................... - 139 FIGURE 4.12 : TAUX DE RECONNAISSANCE EN GENERALISATION SUR LA BASE DE DONNEES BASE_COULEUR_ETENDUE.................................................................................................................... - 141 FIGURE 4.13 : TAUX DE RECONNAISSANCE EN GENERALISATION SUR LES TROIS BASES DE DONNEES INDUSTRIELLES ............................................................................................................................................................... - 143 FIGURE 4.14 : APPLICATION DE LA FUSION DINFORMATIONS AU CAS APPLICATIF 1........................................ - 145 -
-9-
LISTE DES FIGURES
FIGURE 4.15 : COMPORTEMENT DE LOPERATEUR F ........................................................................................ - 148 FIGURE 4.16 : TAUX DE RECONNAISSANCE APRES FUSION DES INFORMATIONS MONO CAPTEUR CAS APPLICATIF 1 ............................................................................................................................................................... - 150 FIGURE 4.17 : REPRESENTATION DU LIEN ENTRE LUNIVERS DE DISCOURS ET LUNIVERS LEXICAL CLASSIFICATION/DECISION .................................................................................................................... - 152 FIGURE 5.1 : EVOLUTION DU PROJET DE DEVELOPPEMENT DU CAPTEUR FLOU COULEUR ................................. - 157 FIGURE 5.2 : EVOLUTION DU TAUX DE RECONNAISSANCE POUR LE CAS APPLICATIF 1 DURANT LES TRAVAUX DE
THESE ..................................................................................................................................................... - 158 -
FIGURE 5.3 : PRINCIPE DINTEGRATION DES CONNAISSANCES EXPERTES PERMETTANT LA SPECIALISATION DES
TRAITEMENTS DIMAGES APPLICATION BOIS ....................................................................................... - 160 -
FIGURE A.1 : COUPE DUN IL HUMAIN [KOLB-00] ....................................................................................... - 163 FIGURE A.2 : COURBES DABSORPTION DES DIFFERENTS PHOTORECEPTEURS DE LIL HUMAIN EN FONCTION DE LA
LONGUEUR DONDE ................................................................................................................................ - 164 -
FIGURE A.3 : DIAGRAMMES DES SYNTHESES ADDITIVE (A) ET SOUSTRACTIVE (B)........................................... - 164 FIGURE A.4 : DIAGRAMME DE SENSIBILITE DES PRIMAIRES NECESSAIRE A LA COMPOSITION DES COULEURS .. - 165 FIGURE A.5 : DIAGRAMMES DE CHROMATICITE DE LIL HUMAIN ET ELLIPSES DE MACADAM....................... - 166 FIGURE A.6 : REPARTITION DES PHOTOSITES SUR LA CAMERA COULEUR UTILISEE .......................................... - 166 FIGURE B.1 : EXEMPLE DE PROBLEME DE CLASSIFICATION A DEUX CLASSES ................................................... - 169 FIGURE B.2 : EXEMPLE DE CONSTRUCTION DE SOUS-ESPACES FLOUS .............................................................. - 170 FIGURE B.3 : EVOLUTION DES TAUX DE RECONNAISSANCE EN GENERALISATION EN FONCTION DES VALEURS DES
CONSTANTES DAPPRENTISSAGE 1 ET 2
- BASE_COULEUR_1 ........................................................... - 176 -
FIGURE B.4 : EVOLUTION DES TAUX DE RECONNAISSANCE EN GENERALISATION EN FONCTION DES VALEURS DES
CONSTANTES DAPPRENTISSAGE 1 ET 2
- BASE_COULEUR_2 ........................................................... - 177 -
FIGURE B.5 : EVOLUTION DU TAUX DE RECONNAISSANCE EN GENERALISATION EN FONCTION DU SEUIL DE

CLASSIFICATION - BASE_COULEUR_1 .................................................................................................... - 178 -
FIGURE B.6 : EVOLUTION DU TAUX DE RECONNAISSANCE EN GENERALISATION EN FONCTION DU SEUIL DE

CLASSIFICATION - BASE_COULEUR_2 .................................................................................................... - 179 -
- 10 -
LISTE DES TABLEAUX
Listes des tableaux

TABLEAU 2.1 : SINGULARITES DU BOIS ET CARACTERISTIQUES ASSOCIEES (X : NOTION FREQUEMMENT UTILISEE, - :
NOTION PEU UTILISEE).............................................................................................................................. - 26 -
TABLEAU 2.2 : CONTROLE SURFACIQUE DU PRODUIT BOIS TECHNOLOGIES EMPLOYEES ET APPLICATIONS..... - 29 TABLEAU 2.3 : CLASSIFICATION DE COULEURS ET DE GRAINS SUR UN PRODUIT BOIS ........................................ - 32 TABLEAU 2.4 : METHODES DE RECONNAISSANCE DES SINGULARITES DU BOIS .................................................. - 46 TABLEAU 2.5 : METHODES DE RECONNAISSANCE DES COULEURS ET DES TEXTURES SUR UN PRODUIT BOIS ...... - 48 TABLEAU 3.1 : ERREUR QUADRATIQUE MOYENNE NORMALISEE AVANT ET APRES CORRECTION SUR LES
REFERENCES COULEUR ............................................................................................................................. - 79 -
TABLEAU 3.2 : TAUX DE RECONNAISSANCE EN FONCTION DE LA TAILLE DES ROI CAS APPLICATIF 1............. - 87 TABLEAU 3.3 : VECTEUR CARACTERISTIQUE DE SIX AVIVES DE CHENE ROUGE DE COULEUR DIFFERENTE ......... - 92 TABLEAU 3.4 : TAUX DE RECONNAISSANCE POUR DIFFERENTS VECTEURS CARACTERISTIQUES ......................... - 96 TABLEAU 3.5 : CARACTERISTIQUES EXTRAITES DES MATRICES DE CO-OCCURRENCES POUR 2 IMAGES DE
COMPOSANTE COLORIMETRIQUE L ......................................................................................................... - 100 -
TABLEAU 3.6 : TAUX DE RECONNAISSANCE POUR DIFFERENTS VECTEURS CARACTERISTIQUES ....................... - 103 TABLEAU 4.1 : PROPORTION DE CHAQUE COULEUR SUR UNE POPULATION DE 943 ECHANTILLONS DE BOIS .... - 114 TABLEAU 4.2 : TAUX DE RECONNAISSANCE OBTENUS POUR DIFFERENTES FORMES DE FONCTIONS
DAPPARTENANCE DANS LE CAS DUNE FUZZYFICATION EQUIREPARTIE ................................................. - 124 -
TABLEAU 4.3 : NOMBRE DE SOUS-ESPACES OBTENUS POUR CHAQUE PARAMETRE A PARTIR DE LA CONNAISSANCE
DES EXPERTS DANS LE CAS DE LA BASE DE DONNEES BASE_COULEUR_1............................................... - 127 -
TABLEAU 4.4 : TAUX DE RECONNAISSANCES EN GENERALISATION POUR UNE FUZZYFICATION ADAPTEE ........ - 127 TABLEAU 4.5 : EVALUATION DU COEFFICIENT
corr / xcorr
POUR LA COMPOSANTE L ET LES DIFFERENTES CLASSES
PRESENTES DANS LA BASE DE DONNEES BASE_COULEUR_1
.................................................................. - 132 -
TABLEAU 4.6 : NOMBRE DE SOUS-ESPACES OBTENUS POUR CHAQUE PARAMETRE A PARTIR DE LA FUZZYFICATION
AUTOMATIQUE DANS LE CAS DE LA BASE DE DONNEES BASE_COULEUR_1............................................ - 133 -
TABLEAU 4.7 : COMPARAISON DES TAUX DE RECONNAISSANCE OBTENUS A PARTIR DE DIFFERENTES METHODES DE
FUZZYFICATION ...................................................................................................................................... - 134 -
- 11 -
LISTE DES TABLEAUX
TABLEAU 4.8 : COMPARAISON DES TAUX DE RECONNAISSANCE OBTENUS A PARTIR DES MODELES DE LARSEN ET DE MAMDANI .............................................................................................................................................. - 135 TABLEAU 4.9 : COMPARAISON DES TAUX DE RECONNAISSANCE OBTENUS A PARTIR DE DIFFERENTES METHODES
AUTOMATIQUES DE GENERATIONS DE REGLES LINGUISTIQUES ............................................................... - 137 -
TABLEAU 4.10 : TABLE DE FUSION DE DONNEES SYMBOLIQUES ASSOCIEE AU CAS APPLICATIF 1..................... - 147 TABLEAU 4.11 : DECISIONS PRISES PAR CHAQUE CAPTEUR ET FUSION DE DONNEES ........................................ - 149 TABLEAU 4.12 : DEFINITION MATHEMATIQUE DES T-NORMES DUALES ETUDIEES ........................................... - 151 TABLEAU B.1 : TAUX DE RECONNAISSANCE POUR DIFFERENTS VECTEURS CARACTERISTIQUES ALGORITHME DES
K PLUS PROCHES VOISINS ........................................................................................................................ - 174 -
TABLEAU B.2 : TAUX DE RECONNAISSANCE POUR DIFFERENTS TYPES DE FUZZYFICATION LOT TEXTILE ...... - 175 -
- 12 -
INTRODUCTION
CHAPITRE 1 : INTRODUCTION
- 13 -
INTRODUCTION
1. Introduction
Notre tude se place dans le cadre de la reconnaissance de formes pour linspection qualitative de produits manufacturs. La finalit de nos travaux rside dans le dveloppement dun systme automatis dappariement colorimtrique davivs apte remplacer un oprateur humain. Un individu est dot de plusieurs capacits dfinissant son intelligence : lacquisition dinformation, le raisonnement ddi aux donnes acquises, la communication avec dautres individus et la dcision relative aux traitements raisonns [MARR-76] [LEVI85]. Les scientifiques cherchent intgrer ces aptitudes dans des systmes artificiels. Il sagit en fait de spcialiser les traitements offerts aux industriels afin de faciliter lintgration de leur Savoir-Faire dans leur processus industriel de fabrication. Lide d intelligence artificielle prend alors tout son sens. Cette notion va lencontre de la standardisation souhaite par de nombreux thoriciens durant les annes 80 [CLAR-04]. Cette divergence entre standardisation et spcialisation semble tre encore plus importante dans le domaine du traitement dimages appliqu aux tches dinspection automatique qualitative au sein de chanes de production industrielles. Ainsi, dans ce domaine de linspection, une dfinition dun systme de vision peut tre propose : Un systme de vision est un systme automatique qui interagit avec son environnement afin dacqurir des images de la scne et danalyser les faits qui sy trouvent. Classiquement les systmes de vision sont constitus dun ou plusieurs capteurs fournissant des informations complmentaires dune mme scne, ou des informations de plusieurs vues de la scne considre. Le dveloppement des systmes de vision repose sur plusieurs avantages trs nets [NEWM-95] dont la rptabilit et la rapidit. En effet, un oprateur ne fournit pas des dcisions identiques propos de la qualification dun produit deux instants diffrents alors que le systme automatique de vision assigne toujours le mme rsultat ce mme produit, inspect plusieurs fois sur une courte priode. De plus, un systme automatique nest pas soumis aux contraintes que peut ressentir un tre humain : fatigue, monotonie, danger, ... Il peut donc fiabiliser les inspections qualitatives des produits de part la rptabilit de ses traitements. Le deuxime avantage dun tel systme consiste en sa rapidit danalyse. En effet, une inspection artificielle peut regrouper simultanment un grand nombre de traitements, alors quun individu se concentrera sur une
- 14 -
INTRODUCTION
tche bien prcise. Ces traitements raliss sont souvent assimils au vaste domaine de la reconnaissance de formes. Ainsi, au vu des avantages cits, lutilisation dun systme automatique dinspection peut permettre une valorisation conomique des produits dune entreprise manufacturire (amlioration de la qualit des produits impliquant une ventuelle hausse de la valeur ajoute) dans la mesure o linspection est ralise de manire fiable sur des volumes importants de matire (accroissement de la productivit, amortissement rapide de linvestissement). Depuis le milieu du sicle dernier, les industries manufacturires sont places sur un march concurrentiel dans lequel il est difficile de simposer. Afin de se dmarquer des entreprises fabriquant des produits d entre de gamme , ou dasseoir leur position de leader, certaines socits se sont fixes des objectifs consquents. Ces objectifs peuvent concerner directement la chane de contrle qualit des produits au niveau des flux entrants (matire premire) et des flux sortants (produits manufacturs) de matire. Ils peuvent galement concerner loptimisation de la gestion de la production (cot, flux de matires, ), tant au niveau du rendement matire quau niveau de la gestion de linformation au sein du systme de production. Les industries du bois ne drogent pas cette volution. Ainsi, plusieurs solutions sont proposes par des fabricants de scanners afin de contrler et amliorer les performances de production. Cest le cas de la socit LuxScan Technologies qui est lorigine des travaux de thse prsents dans ce mmoire. Cette entreprise, implante au Luxembourg, conoit et dveloppe des systmes de vision adapts au contrle qualitatif dans les industries du bois (fabricants de meubles, de parquets, de lambris, ). Initialement, la gamme de scanners de cette entreprise permettait un contrle qualitatif et une optimisation de la production partir de la dtection des singularits du bois (nuds, fentes, trous, ). Suite une demande spcifique concernant le tri colorimtrique davivs, la socit a dcid dlargir ses activits au dveloppement dun nouveau scanner adapt lappariement des planches selon un critre couleur. Cet objectif a servi de cadre applicatif notre tude aux travers de trois cas. Ainsi, deux projets industriels avec des clients nord-amricains et un cas dtude de faisabilit ont t utiliss pour valider les choix et les propositions mises : - une application de trononnage de pices homognes en couleur pour la ralisation de lisses qui sera nomm cas applicatif 1 ; - une application de tri pour la confection de panneaux homognes en couleur qui sera nomm cas applicatif 2 ; - une application de tri sur des feuilles de placage qui sera nomm cas applicatif 3. Ce mmoire fait rgulirement rfrence ces trois cas concrets. Ainsi, des dtails sur les procds industriels mis en uvre sont ncessaires pour comprendre les besoins et attentes lis ces projets. Dans les trois cas applicatifs cits, la notion dappariement de couleur intervient dans la phase duniformisation des produits finaux.
- 15 -
INTRODUCTION
Cas applicatif 1
La premire application concerne le trononnage de planches de bois de longueur variable uniformes en couleur. Le systme de vision doit permettre loptimisation de la production en purgeant les planches rabotes de leurs singularits et en les triant suivant leur couleur. Loriginalit de ce systme rside dans lapplication du tri colorimtrique en scrutant uniquement les rives des planches (figure 1.1) en vue de la confection des produits finaux du client : des mains courantes (ou lisses) (figure 1.2). Face 3 planches de bois colles par leurs faces Rive gauche Rive droite Figure 1.1 : Reprsentation schmatique des produits finaux du cas applicatif 1
Figure 1.2 : Photographie de produits finaux du cas applicatif 1 La ralisation de tels produits se fait par collage de trois planches par leurs faces. Lintrt davoir des rives de mme couleur est donc important afin de donner lillusion dun produit final taill dans un unique produit brut. Les essences de bois communment utilises par ce client et ncessitant un tri colorimtrique sont : le chne rouge, lrable, le peuplier, le cerisier, le htre et le sycomore. Le chne rouge sera lessence privilgie de cette application pour valider les dveloppements raliss. Il reprsente le cas le plus dfavorable car, pour une teinte particulire, il est trs difficile de dfinir avec prcision les classes de couleur client . Les variations prsentes sont trs graduelles (rouge clair, rouge moyen et rouge fonc). Cas applicatif 2
La deuxime application concerne le tri de planches de bois uniformes en couleur, de longueur fixe et de largeur variable. Le systme de vision doit permettre un pr tri
- 16 -
INTRODUCTION
colorimtrique de planches parfaitement propres et purges de leurs singularits. Ce tri est appliqu sur les faces des planches (figure 1.3) en vue dun panneautage uniforme (figure 1.4).
Face
Rive gauche
Rive droite
4 planches de bois colles par leurs rives Figure 1.3 : Reprsentation schmatique des produits finaux du cas applicatif 2
Figure 1.4 : Photographie de panneaux du cas applicatif 2 La ralisation de tels produits se fait par collage de plusieurs planches par leurs rives pour obtenir des panneaux de largeur fixe. Le chne rouge, lrable et le cerisier sont les essences de bois communment utilises par ce client et ncessitant un tri colorimtrique. Ces panneaux sont ensuite utiliss pour confectionner essentiellement des lments de meubles de cuisine qui doivent tre parfaitement homognes en couleur sur les faces.
- 17 -
INTRODUCTION
Cas applicatif 3
La troisime application concerne une tude de faisabilit dun tri colorimtrique sur du placage de bois massif (figure 1.5). Ces feuilles de bois dune faible paisseur (entre 0,3 mm et 0,9 mm) sont utilises pour recouvrir des panneaux de particules afin de donner un aspect massif des meubles de moindre cot. Il faut donc effectuer un tri colorimtrique assez prcis car les acheteurs de placages doivent toujours pouvoir obtenir la mme couleur de placage lorsquils dfinissent une gamme de meuble bien prcise. Le tri des feuilles de bois est effectu uniquement sur la meilleure des faces, cette slection tant ralise pralablement par des oprateurs humains. Le htre et le chne sont les essences de bois communment utilises par ce client et ncessitant un tri colorimtrique.
Figure 1.5 : Photographies de placages de bois provenant du cas applicatif 3 Pour reproduire la vision humaine dans les cas applicatifs prsents, la notion de couleur doit tre aborde de manire prcise. En effet, lutilisation de la couleur implique un accroissement de la quantit dinformations pour la qualification des scnes tudies. La comprhension des mcanismes dinterprtation de la couleur peut alors permettre une meilleure approche dans limplmentation des traitements sur des systmes de vision. Le contexte industriel implique galement un certain nombre dobstacle lapplication de techniques dj existantes. Tout dabord, le matriau bois est un produit trs variable au sens o les couleurs ne sont pas homognes dune production lautre. Il en rsulte alors un premier problme quant la dfinition incomplte des classes clients . Ainsi, ces classes peuvent tre reprsentes par un faible nombre dchantillons, ce qui rend difficile la phase dapprentissage. En outre, les dfinitions des classes en fonction des desiderata du client peuvent tre vagues et/ou imprcises. En effet, la couleur telle que la voient les industriels du domaine du bois est une notion particulirement difficile quantifier et qualifier. Derrire le mot couleur se cache en ralit plusieurs notions comme la texture, qui reprsente plus lorientation des - 18 -
INTRODUCTION
fibres et la prsence de singularits au sein du bois, et la couleur proprement parler. Cest pourquoi il est prfrable demployer le terme daspect du bois pour qualifier lesthtisme de sa surface. Un foss smantique apparat donc entre les dfinitions de la couleur par un client et celles donnes par un expert en vision. Ainsi, au sein dun systme automatis, il est ncessaire de dfinir une base de reprsentation comprhensible par ltre humain afin que le systme soit totalement interprtable par lutilisateur. Il sagit en fait de dfinir des techniques de reprsentation, manipulation et reproduction des couleurs. Pour ce faire, le principe dquivalence des couleurs a t tabli et a fait lobjet de nombreuses normalisations depuis 1924, date de cration de la Commission Internationale de lEclairage (CIE). En considrant les systmes de vision, les quivalences de couleurs permettent de raliser principalement deux types de traitement : - lidentification ou la localisation dobjets ou de formes dans les scnes captures par le systme (connaissance a priori des couleurs des objets); - lappariement couleur de mmes objets traits par le systme (connaissance a priori des objets classer suivant leur couleur). La vision utilise dans les systmes automatiss, nomme communment vision artificielle , ne peut se concevoir sans une connaissance a priori de la vision humaine. Cela sexplique assez facilement en raison des comparaisons qui sont effectues pour valider les performances des systmes dvelopps en rfrence la vision humaine. Il faut donc pouvoir tablir un vocabulaire commun pour la dfinition des couleurs afin de permettre le dialogue et la comparaison entre la machine (systme de vision) et loprateur qui lutilise. Le contrle qualitatif, n dans les annes 60 [MOSL-67], reprsente aujourdhui un enjeu majeur pour offrir des produits de qualit. Il nexiste cependant pas encore de systmes cl en main pour prtendre raliser ce type de contrle colorimtrique. Plusieurs tudes ont t ralises dans ce sens [LU-97b] [HANB-02], mais les difficults rencontres avec le matriau bois nont pas permis la dfinition dun systme rpondant aux attentes des industriels en termes de simplicit dutilisation, de fiabilit et de robustesse. En effet, il est difficile dintgrer, dans le systme automatis, la subjectivit et les connaissances des oprateurs humains effectuant le tri des couleurs. Un deuxime aspect important concerne lvolution des capteurs utiliss pour effectuer ces contrles qualitatifs. Dans un milieu industriel o la productivit est synonyme dutilisation doutils et de traitements rapides, il est important de concevoir un systme intgrant le module de dcision dans le capteur lui-mme. Cette ide sapproche au mieux des mcanismes du raisonnement humain qui sont eux aussi centraliss dans le mme tre. En fait, loprateur peut raliser en mme temps les mesures, les traitements et la dcision. Ainsi, les travaux exposs dans ce mmoire ont pour but dapporter une solution une telle intgration des traitements sous un capteur dvelopp suivant la notion de capteur flou. Cette thse prsente ltude et le dveloppement dun systme dinspection colorimtrique temps-rel dans le but duniformiser le tri des avivs de bois selon leur - 19 -
INTRODUCTION
couleur. Cependant, les techniques de vision couleur peuvent tre applicables dautres domaines que lappariement couleur de planches de bois. Trois thmes doivent tre abords pour rpondre au problme propos par cette tude : la dfinition du systme de vision et plus particulirement du systme dacquisition, le traitement dimages, et la reconnaissance de formes si la couleur est considre comme telle. La mthode propose pour effectuer la classification des couleurs repose sur lutilisation de la logique floue car elle permet de sapprocher des raisonnements humains qui sont la base de ltude prsente [ZADE-73]. Elle permet galement de prendre en compte les incertitudes et les imprcisions pouvant tre lies aux capteurs de vision eux-mmes [AQUI-02]. Ce mmoire est organis en trois parties. La premire partie positionne les recherches menes par rapport aux travaux existants dans le domaine du contrle qualit par systme de vision. Dans ce contexte, il est impratif de rappeler les bases de la vision humaine afin de la comparer la vision artificielle qui est mise en uvre. Des rappels, concernant les chanes de traitement dimages, sont proposs dans le but de faciliter la comprhension des systmes de reconnaissance de formes. De plus, pour valider le choix concernant le dveloppement dun capteur flou, un tat de lart de lvolution des capteurs est propos depuis lintgration de lintelligence la dfinition dun capteur flou. La deuxime partie vise dimensionner le systme dacquisition mis en uvre pour raliser la classification des planches de bois selon leur couleur. Une tude sur la fiabilisation du capteur est prsente pour marquer les difficults rencontres par lutilisation dun systme de vision automatis dans un environnement industriel. Une fois la partie matriel explicite, les mesures des capteurs sont dtailles. En effet, la base de tout traitement dimages appelle la connaissance des mesures ou la caractrisation des scnes visualises par le systme. Il sagit en ralit de dfinir tout un ensemble de paramtres permettant la modlisation des concepts abords lors de cette tude (couleur, texture). La dernire partie du mmoire est consacre la prsentation de la mthode propose pour lappariement des couleurs proposes. La logique floue et ses apports dans ltude sont ainsi exposs. Tout dabord, le traitement des informations fournies par un unique capteur est abord. Dans ce cadre, une proposition de mthode de classification par rgles linguistiques est faite. Afin de simplifier son utilisation par des non spcialistes, il est alors ncessaire de se focaliser sur son paramtrage. Ensuite, pour positionner nos travaux, une comparaison avec des mthodes de rfrences (SVM, Rseaux de neurones, ) est propose. Enfin, cette tude est tendue la ralisation dun systme de vision multi-capteur permettant une amlioration des performances de tri dans le cas applicatif 1.
- 20 -
CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES
CHAPITRE 2 : CONTROLE QUALITE PAR

SYSTEME DE VISION ET RECONNAISSANCE DE FORMES DANS LES INDUSTRIES DU BOIS
- 21 -
2. Contrle qualit par systme de vision et reconnaissance de formes dans les industries du bois
Les systmes de vision, et plus particulirement les techniques de reconnaissance de formes utilises par ces systmes sont trs largement employs pour le contrle qualit de produit. Notre tude portant sur le dveloppement dun systme de vision adapt au contrle qualit dans les industries du bois, il est ncessaire dapprofondir certains points qui sont la base de nos dveloppements : le contrle qualit dans les industries du bois, les systmes de vision, le traitement dimages associ la reconnaissance de formes, et les capteurs mis en uvre pour reproduire les qualits perceptuelles dun individu. Ces concepts peuvent tre regroups sous lexpression inspection visuelle automatise . Sous-jacente cette expression, la notion dobservation tient une place importante au sein des systmes de production ncessitant ce type de contrle. La figure 2.1 illustre le positionnement de cette fonction dobservation au sein dun systme de production telle que nous pouvons la rencontrer dans les industries du bois. Au sens de la systmique, il sagit dun oprateur de nature qui permet de transformer un flux produit en un flux dinformations. En sappuyant sur la problmatique de cette tude et un tat de lart associ, il est possible de spcifier les diffrentes parties qui constituent un systme dinspection visuelle automatis. Dans une premire partie, nous prsentons les diffrents types de contrle qualit appliqus au matriau bois en citant les technologies mises en uvre et les besoins en termes dautomatisation des contrles. En effet, le processus dinspection visuelle tant ralis par un tre humain, il est important davoir une certaine connaissance des mcanismes intervenant dans la perception visuelle humaine. A partir de cet tat de lart, notre rflexion stend aux systmes de vision plus gnraux utilisant des techniques de reconnaissances de formes que nous prcisons. Pour cela, une prsentation des diffrents processus composant la chane de traitement dimages est faite. Cherchant dvelopper un capteur adapt au contrle qualit, il est utile de positionner et structurer notre rflexion partir des catgories de capteurs existants.
- 22 -
CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES
Figure 2.1 : Positionnement de la fonction dobservation dans la boucle de causalit circulaire en productique [PERE-00]
2.1.
Contrle qualit
Le contrle qualit dans les industries du bois se divise en trois grandes catgories applicatives : le contrle gomtrique, le contrle structurel et le contrle surfacique. Le choix de la catgorie de contrle se fait gnralement par la finalit dutilisation des produits : ameublement, revtement de surfaces (lambris, parquet), construction. Tout dabord, le contrle gomtrique dune pice de bois permet danalyser sa gomtrie : dformations longitudinales (arc et courbure, ou bow et bend en anglais, figure 2.2), dformations axiales (hlice ou twist en anglais, figure 2.2), variations dpaisseur ou de largeur. Dans des processus de fabrication grandes chelles (par exemple pour la confection dun grand nombre dexemplaires dun mme meuble), il est important de contrler la gomtrie des diffrentes pices composant les produits, afin de rpondre aux spcifications des cahiers des charges associs aux produits, et ainsi limiter la dvalorisation de ces produits.
- 23 -
courbure
arc et hlice
Figure 2.2 : Illustrations de quelques dformations du bois Le contrle structurel, quant lui, permet de caractriser les proprits mcaniques dune pice de bois de part sa structure interne (prsence de nuds et de trous, diffrence de densit, ). Par exemple, lors de la mise en place de charpente, il est important dassurer la rsistance mcanique de chaque pice de bois. Dans ce cas, le contrle structurel permet alors de limiter le risque de rupture de ces pices. Enfin, le contrle surfacique regroupe la fois les notions daspect esthtique et de qualit mcanique des surfaces du bois. Les travaux exposs dans ce mmoire se rapportent exclusivement au contrle de laspect esthtique. Il est donc intressant de raliser un tat de lart des systmes existants. Lorsque le terme qualit est employ, les tres humains font trs souvent le parallle avec la dtection et la qualification des dfauts (singularits du bois). Dailleurs, de nombreuses recherches sattardent rpondre ces problmatiques. Ainsi, la premire partie de ce chapitre prsente les systmes mis en uvre pour faciliter linspection automatise des planches de bois et son application la dtection de singularits. Dans un deuxime temps, des notions plus en rapport avec lesthtisme viennent complter cet tat de lart. La couleur et le grain du bois (ou fil du bois) sont les principaux concepts abords ici. Enfin, nous montrons le besoin dutiliser des systmes de vision pour ce type de contrle qualit. La figure 2.3 reprend de manire schmatique les diffrents types de contrles pouvant intervenir sur le produit Bois .
- 24 -
Figure 2.3 : Taxinomie des contrles appliqus au bois et positionnement de ltude
2.1.1. La reconnaissance des singularits

Les techniques de reconnaissance de singularits sont apparues durant les annes 70 et sappliquaient essentiellement aux bois rsineux (pins, pins maritimes, ), les bois de type feuillus (chne, rable, htre, peuplier, ) possdant trop de variations colorimtriques. Les systmes dvelopps pour rpondre aux besoins de ce domaine industriel ont t appliqus plusieurs types de production : parquets, panneaux, lambris, Dans tous ces cas, le processus de fabrication peut suivre deux voies. Certains industriels prfrent effectuer un simple tri qualitatif des produits, alors que dautres prfrent purger les produits de toutes les singularits prsentes. Le terme singularit englobe, dans ce contexte, un certain nombre de dfauts qui peuvent tre retrouvs sur un aviv : les nuds (sains, cerns, noirs), les fentes, les flaches (ou manques de matire), les trous, les poches de rsine, les colorations, Les industriels emploient aujourdhui des oprateurs humains afin deffectuer ces dtections. Pour rpondre aux diffrents critres qualit imposs, ces individus doivent eux seuls quantifier et qualifier lensemble de ces singularits. De plus, les rgles de dcisions, qui dpendent du contexte dutilisation des produits, ne sont pas toujours videntes et sont le reflet dun compromis entre le nombre de dfauts, le type de dfauts et laspect global du
- 25 -
produit. Ces rgles font intervenir plusieurs caractristiques issues de chaque singularit. Ainsi, en fixant des critres sur ces caractristiques, il est plus ais de prendre une dcision quant la qualification des singularits. Le tableau 2.1 prsente limportance de diffrentes notions qui peuvent tre associes une singularit. La figure 2.4 illustre, en partie, par des exemples la liste des singularits nonces dans le tableau 2.1. En prenant lexemple dun petit nud noir, quatre notions sont employes pour le qualifier. En effet, une nud noir est identifi grce : sa forme circulaire ou elliptique (suivant le mode de sciage dun aviv) ; sa taille qui est petite si son diamtre est infrieur 5 millimtres par exemple ; son contraste par rapport la couleur du bois sain gnralement plus claire (proprit non vrifie sur des bois plus sombre comme le noyer par exemple) ; sa couleur qui sapproche du noir ou dun brun trs fonc.
Tableau 2.1 : Singularits du bois et caractristiques associes (X : notion frquemment utilise, - : notion peu utilise)
Nom des singularits Nud sain Nud cern Nud noir Fente Flache Entre corce Ecorce Trou Bois de compression Aubier Moelle Bois de coeur Poche de rsine Bleuissement Coloration Notion de forme X X X X X X X X X Notion de taille X X X X X X X X X Notion de position X X X Notion de contraste X X X X X X X X X X X X X Notion de couleur X X X X X X X X X X Notion de texture X X X X
- 26 -
nud sain
nud cern
nud noir
fente
flache
entre corce
trou
coloration
aubier
moelle
poche de rsine
bleuissement
Figure 2.4 : Singularits du bois
La dfinition des singularits et leurs rgles de qualification par un expert (qualification associe aux notions du tableau 2.1) permet de schmatiser le fonctionnement souhait des systmes automatiss de tri surfacique davivs (figure 2.5). Un nouvel oprateur humain travaillant sur lvaluation qualitative des avivs apprend ces mcanismes didentification des singularits. Il doit tout dabord tre capable de reconnatre les zones de bois sain (zones ne prsentant aucune singularit) pour ensuite identifier les singularits afin dattribuer une qualit au produit. Implicitement, il suit le schma de la figure 2.5.
- 27 -
Figure 2.5 : Architecture envisag de tri dun produit bois selon un mcanisme automatis
La dtection automatise de singularits peut seffectuer de plusieurs manires. Le tableau 2.2 rsume plusieurs technologies utilises pour le contrle surfacique du bois.
- 28 -
Tableau 2.2 : Contrle surfacique du produit bois Technologies employes et applications

Rfrences [CHO-91] Technologies (Systmes dacquisition) Camras couleurs Camras monochromes [CONN-92] Camras couleurs Camras monochromes [KIM-94] [SCHM-95] Camras monochromes Camras couleurs Camras monochromes [KAUP-99] Camras couleurs Identification de huit singularits. Classification davivs de chne rouge en neuf classes. Classification de produits partir de lidentification de singularits. Analyse spatiale de la rpartition des singularits. Identification et localisation de singularits sans prcision sur leur nombre. Dtection de singularits sur du chne rouge. Caractrisation de douze singularits. Applications Identification et localisation de quatre singularits (nuds, trous, flaches et fentes). Diffrenciation des zones de bois sain et des zones dfectueuses. Identification et localisation de singularits sur du feuillus.
[KABI-00] [PHAM-01]
Capteurs ultrasons Camras couleurs Camras monochromes
[ESTE-03] [FUNC-03] [KLIN-03]
Camras couleurs Camras couleurs Camras couleurs Camras monochromes Sources lasers Rayons X
Caractrisation de dix singularits. Dtection de singularits. Systme de classification automatique davivs (chne rouge) partir de lidentification et la localisation des singularits (le nombres de singularits identifier nest pas spcifi).
[FUEN-05] [RUZ-05] [BOMB-07] [MAZA-07b]
Capteurs micro-ondes Camras couleurs Camras monochromes Sources lasers
Identification de nuds partir de signatures micro-ondes. Identification de zones dfectueuses possdant des proprits diffrentes de celles du bois sain. Identification de plusieurs singularits (le nombre de singularits diffrencier nest pas prcis).
Dans ce tableau, plusieurs catgories dapplications se distinguent : les applications lies lidentification et la localisation de singularits [CHO-91] [CONN92] [KAUP-99] [KABI-00] [ESTE-03] [FUNC-03] [FUEN-05] [RUZ-05] ; les applications lies aux classifications davivs suivant des classes dfinies par la prsence ou non de singularits [KIM-94] [SCHM-95] [KLIN-03] ;
- 29 -
les applications lies ltiquetage de singularits [PHAM-01] [BOMB-07] [MAZA-07b].
De la mme manire que pour les applications, les technologies employes permettent galement de classer ces rfrences bibliographiques. Il faut noter que lensemble des solutions techniques cites permet des contrles non destructifs au sens o elles nentranent pas de modification physique du produit bois. Six catgories sont recenses : les camras monochromes et couleurs, les sources lasers, les capteurs ultrasons, les capteurs micro-ondes et les rayons X. Chacun dentre eux possdent ses propres avantages. Les rayons X fournissent des radiographies des produits bois scanns. Ces images caractrisent les zones de fortes et faibles densits [KLIN-03]. Les capteurs micro-ondes dlivrent des signatures internes des pices de bois [FUEN-05] et reprsentent une alternative aux rayons X parfois plus coteux. Leur fonctionnement est bas sur lanalyse de la propagation des ondes lectromagntiques dans le produit. Sur le mme principe danalyse, les capteurs ultrasons sont utiliss pour valuer la propagation des ondes dans le bois [KABI00]. En fonction des temps de propagation, il est alors possible de dfinir la prsence de zones de densit plus ou moins forte. Les camras, quant elles, fournissent des images telles des photographies. Deux grandes catgories se distinguent : les camras couleurs [KAUP-99] [ESTE-03] [FUNC-03] [RUZ-05] et les camras monochromes [KIM-94] [BOMB-07] [MAZA-07b]. Le choix de la camra se fera alors suivant les proprits des singularits identifier. Enfin, des sources lasers couples des camras monochromes sont utilises pour caractriser les proprits physiques du bois par leffet de propagation de la lumire laser dans les fibres [KLIN-03] [MAZA-07b]. Cette propagation se nomme plus communment effet scatter (figure 2.6).
Figure 2.6 : Effet scatter Diffusion de la source laser dans le bois en fonction de sa densit ou du sens du fil
- 30 -
Afin dobtenir une reprsentation la plus fiable et la plus complte dun produit, Kline et al. ont dvelopp un systme regroupant plusieurs de ces capteurs (camra couleurs, camra monochromes, sources lasers, rayons X) [KLIN-03] afin damliorer la dtection des zones dfectueuses par rapport des systmes plus simples utilisant uniquement des camras couleurs.
2.1.2. La reconnaissance des couleurs et du grain

La reconnaissance des couleurs et du grain dans lindustrie du bois est trs souvent assimile la notion dappariement. Cela signifie que le procd mis en uvre cherche rapprocher les diffrents produits dune ou plusieurs classes prdfinies. Le but est duniformiser des lots de pices suivant ces notions dun point de vue esthtique. La difficult majeure de ce traitement concerne laspect de surface du bois. En effet, le matriau bois prsente un grand nombre de variabilits esthtiques, quelles soient dues au grain ou la prsence de diffrentes couleurs. Plusieurs tudes ont t ralises pour rpondre au problme dappariement ou de classification colorimtrique davivs. Trois grandes catgories se distinguent : les articles qui abordent uniquement le tri colorimtrique davivs [LU-97a] [SRIK-97] [DAUL-00] [SATH-01] [LIU-02] ; les articles qui abordent uniquement le tri des grains du bois prsents sur des avivs [HANB-01] ; les articles regroupant les deux notions au sein dune mme [KLIN-99] [HANB-02] [MAEN-03].
Le tableau 2.3 illustre les diffrentes applications en rapport avec laspect esthtique des produits bois. En comparaison avec la classification de singularits, trs peu dtudes ont t menes sur la reconnaissance des couleurs et du grain sur le matriau bois. Concernant le tri colorimtrique des avivs, le chne rouge, le merisier et le cerisier sont les trois types dessence classiquement tudies. De plus, les gammes de couleur restent assez proches les unes des autres (du clair au fonc suivant les teintes rouge et brune). La perception humaine de ces couleurs peut tre influence par le grain du bois. En effet, en fonction du mode de dbit dune grume, plusieurs dessins peuvent apparatre sur les avivs. Cela correspond la disposition spatiale du veinage du bois. La figure 2.7 illustre les diffrents modes de dbit qui sont les trois classes de grain les plus tudies (dosse, quartier et fauxquartier) [KLIN-99] [HANB-01] [HANB-02] [MAEN-03].
- 31 -
Tableau 2.3 : Classification de couleurs et de grains sur un produit bois

Types de classification Couleur Rfrences bibliographiques [LU-97a] [SRIK-97] [DAUL-00] [SATH-01] [LIU-02] Grain Couleur et Grain [HANB-01] [KLIN-99] [HANB-02] [MAEN-03] But de ltude Tri de planches de bois pour la confection de panneaux homognes en couleur. Classification colorimtriques de planches de bois. Classification colorimtriques de panneaux homognes constituant des meubles de cuisine. Caractrisation quantitative des variations de couleur sur une surface. Description quantitative du grain du bois. Tri de planches de bois pour la confection de panneaux homognes en couleur et en grain. Tri de planches de bois pour la confection de panneaux homognes en couleur et en grain. Optimisation des caractristiques de couleur et de grain pour linspection visuelle du bois.
Toutes les tudes prsentes sur la classification des couleurs et des textures dans le domaine du bois souffrent cependant dun manque de pertinence par rapport aux traitements raliss la main. Cela se traduit gnralement par la divergence entre les interprtations pouvant tre faite par les experts bois et les experts des systmes de vision. En effet, aucune des techniques de vision ne reprend les connaissances des experts bois concernant les modes de tri des avivs. La qualification des classes de sortie tant soumise la subjectivit des oprateurs humains, il est trs difficile dexprimer les connaissances bois en termes de vision. Ainsi, une certaine quantit dimprcisions et dincertitudes lies au vocabulaire employ pour exprimer les diffrentes classes identifier apparat. En approchant les deux domaines, que sont lexpertise bois et lexpertise vision, nous nous rendons compte quil existe un foss smantique entre les dfinitions des classes de sortie par les deux domaines. En effet, une teinte de bois peut tre dfinie par un expert bois partir de symbole linguistique ( Rouge , Brun , ), alors quun expert vision prfre par exemple lui associer un angle en coordonnes polaires ou encore un triplet de valeur numrique dans le repre colorimtrique RVB par exemple ( rouge = {R : 255, V : 0, B : 0}) (valeur numrique). Ce foss smantique est constat dans beaucoup dautres applications de vision o ltre humain est acteur et notamment dans le domaine mdical [HUDE-06].
- 32 -
Dosse Faux-Quartier Quartier
Quartier
Dosse
Faux-Quartier
Figure 2.7 : Origine des textures du bois
2.1.3. Le besoin de systmes industriels de vision

En se plaant dans un contexte purement industriel, lutilisation de systmes automatiss possde un avantage majeur en termes de rendement matire. En effet, en considrant le domaine du bois, les oprateurs doivent, en un seul coup dil, examiner les diffrentes faces dun aviv pour en dterminer la qualit. Les cadences de qualification sont gnralement de lordre de 10 planches par minute et ceci plusieurs heures par jour. En considrant des avivs de longueur fixe denviron 1 mtre et en considrant une journe de travail de 8 heures, un oprateur qualifiera 4800 mtres de bois linaire. Il est donc vident quune certaine lassitude et/ou une certaine fatigue interviennent dans les tris effectus par lhomme. La qualit de la production peut alors dcrotre durant les dernires heures de la journe. Le premier intrt dutiliser un systme artificiel de vision consiste donc rduire les erreurs de qualification et
- 33 -
accrotre les cadences de traitements tout en gardant une forte qualit dans la production. Pour avoir une ide des performances envisageables, il faut savoir que les systmes industriels actuellement sur le march permettent de traiter environ 35000 mtres de bois linaire pour 8 heures de travail. Cela reprsente un net accroissement de la production (un systme automatis quivaut environ 7 oprateurs) tout en gardant une qualit constante des produits. Il ne sagit cependant pas l du seul avantage dvelopper des systmes automatiss. Dans le cas de la qualification des couleurs sur des avivs, nous avons vu que la dcision prise par loprateur humain est fortement lie la perception quil peut avoir. Le cerveau humain, qui ralise linterprtation des couleurs visualises, peut donc induire des imprcisions dues la perception. Cette interprtation peut tre ambigu. Des illusions interviennent dans les mcanismes visuels, pouvant tre causes par une fatigue de la vue. Ainsi, un tre humain ne caractrise pas la couleur dun objet en faisant abstraction de la scne qui lentoure (figure 2.8).
Figure 2.8 : Influence de lenvironnement dune couleur sur sa perception par lil humain En reprenant les exemples de la figure 2.8, le mme cercle gris parat plus clair dans un environnement sombre et plus fonc dans un environnement clair. Il en est de mme pour un mme cercle de couleur brune. Il est donc ais de comprendre lavantage des systmes de vision artificielle. En effet, ils sont dpourvus de subjectivit lors de lacquisition des images et sont en partie pargns par la fatigue que peut ressentir un oprateur. Ces systmes sont alors considrs comme visuellement passifs dans le sens o ils nagissent pas directement sur la scne observe. La perception visuelle est caractrise plus prcisment par lacquisition de connaissances concernant lobjet considr. Elle est donc trs diffrente des traitements optiques comme la photographie qui permet uniquement de reproduire et figer une scne. Une activit cognitive intervient dans le sens o ltre humain opre un raisonnement sur les images acquises. Linterprtation dune scne et lextraction de connaissances associes sont sujettes la subjectivit des individus. Linspection du bois est un domaine dans lequel se retrouvent ces mcanismes subjectifs. En effet, Grnlung observe une diffrence dans la classification ralise par plusieurs oprateurs [GRL-95]. Seules 60% des dcisions sont similaires entre deux individus. Ce point illustre la grande diffrence qui peut exister entre un il et une camra. Cette divergence de dcisions prouve limportance du dveloppement de
- 34 -
systmes automatiss permettant daccrotre la reproductibilit des qualifications visuelles. Lenjeu est donc dintgrer la notion dextraction de connaissance aux systmes de vision artificielle sans pour autant injecter la subjectivit des raisonnements humains lis aux dcisions. La dfinition de Zeller concernant la vision artificielle peut alors tre reprise [ZELL-96] : Lobjet de la vision par ordinateur est ltude de lart et de la manire dobtenir des informations sur notre environnement partir de capteurs passifs visuels ou camras. La dcision finale tant prise par le client (homme en fin de chane de production), il est ncessaire de prendre en compte son avis . Le classement automatique obtenu doit donc tre compatible avec les dsirs du client. Ne pouvant pas prtendre imiter totalement un tre humain dans un systme de vision, il est intressant de chercher tenir compte du point de vue des deux domaines dexpertise afin de rduire le foss smantique existant. Pour ce faire, il est possible de spcialiser les traitements des systmes de vision artificielle pour lappariement de pices de bois selon des critres esthtiques, tout en tenant compte des critres dinspection manuelle. Afin de positionner cette proposition, nous allons rappeler les fondements du traitement dimages et de la reconnaissance de formes adapts aux systmes de vision.
2.2.
Inspection par reconnaissance de formes
Linspection visuelle automatise fait appel de nombreuses connaissances en traitement dimages et en reconnaissance de formes. Cette partie prsente les structures et les techniques employes pour dvelopper un tel systme. Les apports de lutilisation de la couleur dans un milieu industriel sont prciss et tays par une illustration des traitements possibles travers quelques exemples tirs de la littrature.
2.2.1. Linspection visuelle automatise

Linspection dans un contexte industriel correspond un processus de validation des produits par rapport leurs spcifications [NEWM-95]. En parlant dinspection visuelle automatise, il sagit danalyser les informations perues par le systme de vision. Les analyses effectues concernent essentiellement le contrle qualit des produits. Cependant, il existe quatre types de contrle qui ncessitent souvent une connaissance a priori sur le produit (il sagit gnralement des spcifications du produit), les trois premiers tant largement utiliss dans le domaine du bois (voir section 2.1) : un contrle structurel qui permet dinformer sur les caractristiques intrinsques dun produit ; un contrle surfacique ou superficiel qui permet dassigner et/ou de vrifier la qualit externe dun produit ; un contrle gomtrique qui permet dvaluer les caractristiques gomtriques (taille, forme, poids, ) dun produit ; - 35 -
un contrle oprationnel qui permet de valider le produit face ces spcifications.
Classiquement, ces contrles se ralisent diffrents niveaux du processus industriel : en entre de chane sur les produits bruts, au milieu dun processus afin de valider des produits intermdiaires, et en fin de chane sur le produit final (figure 2.9). Dans le cadre des trois cas applicatifs introduits, le contrle intervient soit sur des produits intermdiaires (cas applicatifs 1 et 2), soit sur des produits finis (cas applicatif 3).
Figure 2.9 : Positionnement des inspections intervenant sur une chane de production
Linspection visuelle automatise est base sur lutilisation dun systme de vision artificielle. Deux catgories de systme se distinguent : les systmes intelligents (qui fournissent une dcision) et les systmes uniquement perceptifs (qui fournissement uniquement des donnes brutes. Cette dichotomie est principalement faite partir des traitements qui sont raliss sur les informations acquises. Dans un cadre industriel, un systme de vision fait intervenir des parties matrielles et logicielles [MALA-03]. La figure 2.10 illustre la structure du fonctionnement dun capteur de vision artificielle. Le traitement dimages se dcomposent en trois niveaux principaux : les traitements de bas niveau, de niveau intermdiaire et de haut niveau (figure 2.10). Le but, en associant ces trois parties, est de rduire linformation acquise la seule information qualitative utile au systme. Le bas niveau regroupe les parties acquisition de donnes et pr-traitements de la chane de traitement dimages ; le niveau intermdiaire reprend les parties segmentation, reprsentation et description, alors que le haut niveau concerne plus linterprtation et la dcision partir dun ensemble de connaissances nonces par les experts [DERU-97]. Ce dernier niveau doit servir rduire lerreur dinterprtation des donnes quantitatives afin de fournir une dcision qualitative.
- 36 -
Figure 2.10 : Chane de traitement de limage contenue dans un systme de vision artificielle
- 37 -
Les traitements de bas niveau
Lacquisition de donnes ou acquisition dimages est une composante essentielle dun systme de vision artificielle. En effet, elle fournit une reprsentation de la scne observe. Si des informations ne sont pas acquises au moment de la prise de vue, elles ne pourront tre gnres en vue des traitements. Il sagit cependant dune partie trs spcifique, dpendante du produit observ, du contexte dobservation et de la finalit. Comme nous le montrons dans la suite de ce mmoire (chapitre 3), les conditions dillumination sont importantes et doivent tre matrises durant cette phase dacquisition de donnes [HEAL-92]. Une fois les images transmises lunit de traitements, une chane classique de traitement dimages est employe [ROSE-01]. Les pr-traitements des images acquises permettent disoler les informations utiles et pertinentes. Il sagit, la plupart du temps, dopration de restauration (filtrage du bruit), damlioration (renforcement des contrastes), ou de compression (rduction de la taille des images en vue dun stockage ou dun transfert). Ces actions effectues directement sur les informations brutes (matrice de pixels, reprsentation frquentielle des donnes par transforme de Fourier) sont dtermines en fonction du contexte dutilisation des images. Pour complter cette prsentation succincte, lensemble de ces techniques peut tre consult dans louvrage de rfrence de Gonzalez et Woods [GONZ-02]. Les traitements de niveau intermdiaire
La segmentation se ralise de diffrentes manires suivant la dfinition qui en est prise. Gnralement, cette tape sert distinguer les diffrentes entits qui constituent une image. Ces objets possdent des caractristiques intrinsques similaires mais sont tous diffrents les uns des autres. Le rsultat de cette analyse est souvent appel description structurelle de limage. Deux grandes catgories de traitements sont utilises ce stade : les techniques bases sur la recherche de transition : les approches contours ; les techniques bases sur la recherche dhomognit : les approches rgions .
Dans le premier cas, il sagit de localiser les discontinuits prsentes dans une image partir de ltude de la connexit de chaque pixel. Cela dfinit des frontires entre des zones supposes diffrentes. Les principaux algorithmes utiliss ce niveau sont ceux qui implmentent des calculs de gradients. Parmi eux, les algorithmes de Sobel, Canny-Driche, Prewitt peuvent tre cits [COCQ-95]. Dans le cas de la segmentation par identification de rgions, il faut localiser les zones dintrt (ROI : Regions Of Interest en anglais) qui correspondent aux diffrents objets qui composent la scne. Les techniques employes reposent plus sur la recherche de continuit des caractristiques entre des pixels connexes. Plusieurs mthodes de dtection de rgions peuvent tre recenses : la classification par seuillage dhistogramme applique sur une ou plusieurs proprits de chaque pixel [DAI-96],
- 38 -
lalgorithme split and merge reposant classiquement sur des divisions gomtriques de limage [SALA-99], les pyramides irrgulires adaptatives et stochastiques qui ralise une agglomration de pixels suivant des rgles de fusion pralablement dfinies [JOLI-92]. Les rsultats obtenus par une segmentation correspondent donc une reprsentation fiable des lments qui composent une scne. La description correspond, quant elle, lextraction de donnes numriques quantitatives partir des rgions pralablement distingues. Les traitements haut-niveau
Les traitements de haut niveau (interprtation et dcision) font souvent rfrence au vaste domaine de la reconnaissance de formes (RdF). Dans ce cadre, une forme correspond toutes sources pouvant tre identifies par une technique de classification partir dune ou plusieurs variables (ou paramtres) de nature homogne ou non [NEWM-95]. La RdF rpond toujours au mme schma (figure 2.11). Elle fait intervenir gnralement six concepts distincts : le vecteur caractristique constitu de paramtres numriques (attributs ou primitives) qui dcrivent une forme ; les mthodes de classifications qui regroupent les diffrentes formes suivant leurs proprits communes ; les mthodes de discrimination qui permettent de prendre une dcision sur une forme ; les symboles qui correspondent ltiquetage dune forme ; les classes qui reprsentent les choix possibles de ltiquetage ; les prototypes ou reprsentants qui constituent les lments dune classe.
Figure 2.11 : Principe de reconnaissance de formes
- 39 -
Deux grandes tapes peuvent tre distingues dans la reconnaissance de formes : lextraction de paramtres pertinents qui dfinissent le vecteur caractristique et la classification/discrimination des formes (identification des classes) [DUBU-90]. Pour quun systme reconnaisse des objets, il faut disposer dexemples de formes tries en fonction de leurs proprits. Il sagit l de la dfinition des classes qui induit la notion dapprentissage. Au niveau de lapprentissage, deux catgories de reprsentation dune classe se distinguent : en intension : la reprsentation des classes se fait par une composition de plusieurs proprits des formes, par un langage dfini dans le cadre de ltude, par un graphe ou par lutilisation dun sous-espace de lensemble des proprits de la forme. Dans ce cas, les classes sont dfinies par leurs frontires ; en extension : la reprsentation des classes se fait par lutilisation dun ou plusieurs prototypes de chaque classe. Dans ce cas, les classes sont dfinies partir de leur centre.
Ces classes ainsi constitues sont diffrenciables par des attributs calculs sur ou partir des formes (descripteurs ou primitives). Lextraction de caractristiques permet alors de rduire la complexit des donnes issues de la segmentation. Elles dcrivent de manire plus ou moins discriminante des formes nappartenant pas une mme classe. Une fois le vecteur caractristique gnr, deux solutions sont envisageables pour effectuer la classification. Dune part, la classification supervise repose sur lutilisation dun ensemble de prototypes tiquets par un expert du domaine. Un apprentissage des diffrentes classes est alors effectu afin de travailler avec des rfrences de comparaison pour identifier les formes dites inconnues . En fait, cette tape doit permettre la gnralisation de linformation contenue dans les donnes caractristiques afin dobtenir une reprsentation fiable et robuste des diffrentes classes (minimisation du taux derreur dtiquetage). Dautre part, la classification non supervise repose sur lutilisation dun lot dchantillons non tiquets. Lapprentissage, dans ce cas, ncessite la dfinition dun critre dvaluation de la variabilit intraclasse afin de construire des partitions de lespace des ralisations possibles. Ce type dapprentissage est utilis notamment dans le cas o nous manquons de connaissance exprime par des experts. Dans notre cas dtude, le systme doit rpondre aux desiderata des utilisateurs. Le systme automatis doit donc effectuer une reconnaissance de formes partir dchantillons pralablement tiquets par un individu (apprentissage supervis). Cet tiquetage est ralis pour rpondre aux besoins dapprentissage et de validation de la reconnaissance. Lensemble des mcanismes de dcision dcoule des raisonnements de lexpert qui spcifie les modes de reprsentation des formes considres. Il faut donc prendre en compte - 40 -
les raisonnements dun individu, en le traduisant sous la forme de base de connaissances. Ainsi, les procds didentification sont fonds sur un traitement collaboratif entre les donnes perues et les connaissances recenses [CLAR-04].
2.2.2. Les algorithmes de classification

Il existe de nombreuses techniques de classification/discrimination. Nanmoins, elles possdent toutes un point commun : le systme doit valuer un critre et dterminer un coefficient de confiance caractrisant la dcision prise. Suivant les applications, il faut donc trouver un compromis entre le risque derreur et le cot de ces erreurs. En recoupant les tudes de Milgram [MILG-93] et, Newman et Jain [NEWM-95], ces algorithmes de classification peuvent tre groupes suivant trois catgories : les mthodes, dites dappariement, qui permettent didentifier des objets inconnus en les comparant des exemples ; les mthodes syntaxiques et structurelles qui permettent de classer les objets suivant un ensemble de descriptions sur la structure des objets appris ; les mthodes globales qui utilisent les caractristiques numriques extraites dun objet. La figure 2.12 illustre la taxinomie qui peut tre faite sur les diffrentes mthodes cites. Les mthodes par comparaison directe sont bases sur lutilisation de formes de rfrence. Ces dernires servent alors de point de comparaison par rapport aux objets classer. Les appariements sont effectus par ressemblance ou dissemblance par rapport aux modles. Deux sous-catgories sont prsentes : le template matching et l elastic matching . Dans le premier cas, les formes reconnatre ne subissent pas de dformation. Les modles permettent alors dvaluer directement les critres de correspondance : les mesures de dissemblance tels que les distances (Euclidienne, Hamming, Mahalanobis, ) ou les critres de similarit (Jaccard, Yule, ), les mesures de ressemblance telle que lintercorrlation. Dans le deuxime cas, les formes identifier peuvent subir des dformations pour quelles sapparentent au mieux aux modles. La ressemblance est alors value par rapport au taux de dformation qua subi la forme inconnue .
- 41 -
Figure 2.12 : Les approches de traitements haut-niveau Les mthodes syntaxiques et structurelles reposent sur la structure mme des objets identifier. En effet, la reconnaissance se fait partir de lanalyse dune suite de primitives pouvant tre reprsente par des graphes, des arbres, des chanes ou mme lutilisation dune syntaxe (dfinition dun vocabulaire et dune grammaire associe). Dans les trois premiers cas, il sagit de dfinir des relations entre les diffrentes primitives afin de minimiser lcart avec les formes de rfrence. Dans le cas de lutilisation dune syntaxe, les formes qui constituent le modle ou qui doivent tre identifies sont dcomposes en lments simples (primitives). Ces lments dfinissent alors le vocabulaire qui est ensuite utilis pour composer des phrases reprsentatives des formes. Ce processus dfinit ensuite une grammaire type des objets appris. La reconnaissance dune forme seffectue enfin par une comparaison de la dfinition syntaxique de la forme par rapport la grammaire type. Les mthodes globales exploitent une rduction de lespace de reprsentation des objets utilis par les mthodes dappariement. En effet, les proprits des objets sont dcrites sous une forme vectorielle. Il sagit de la dfinition du vecteur caractristique qui constitue lensemble des paramtres caractrisant les objets reconnatre. Cela permet alors dtablir des groupements de formes similaires afin de dfinir les classes de sortie. Ces classes peuvent tre discrimines de trois manires.
- 42 -
Par discrimination fonctionnelle (apprentissage en intension) : il sagit de reprsenter les limites qui existent entre les classes, et de les caractriser sous la forme dhyperplans dans n (n tant le nombre de paramtres du vecteur caractristique). Par interpolation sans compilation (apprentissage en extension) : il sagit dutiliser les reprsentants ou prototypes de chaque classe comme un unique point de lespace de reprsentation. Par interpolation avec compilation (apprentissage en extension) : il sagit de rduire la dfinition des classes une seule information caractrisant lensemble des prototypes constituant ces classes (gnralement le centre dune classe).
Lensemble de ces techniques se drivent de diffrentes manires suivant la conception des modles de reconnaissance, quelle soit floue, probabiliste ou connexionniste. Les mthodes probabilistes sont bases sur le thorme de Bayes qui minimise la probabilit derreur globale [DUDA-73]. Les dcisions sont prises partir de lestimation des densits de probabilits de chaque classe dfinie (mthode par interpolation avec compilation). Cependant, les donnes utilises doivent rpondre certains critres pour que la mthode soit robuste : mme vecteur caractristique constitu des mmes paramtres, des classes de sortie bien distinctes, des lois de probabilits connues. Si ces conditions ne sont pas remplies, nous utilisons des mthodes non-paramtriques, baysiennes ou non, telles que les fentres de Parzen ou les k plus proches voisins (mthodes par interpolation sans compilation). Ces techniques ont lavantage dtre moins sensibles la forme des reprsentations des classes de sortie. Les rseaux de neurones (ou approches connexionnistes), quant eux, sont bass sur le principe de fonctionnement du cerveau. Ils sont constitus dlments unitaires appels neurones qui sont interconnects entre eux sous la forme dun rseau. Ces lments sont structurs suivant des couches. Il existe trois types de couches : la couche dentre associe aux paramtres du vecteur caractristique, la couche de sortie reprsentant les classes reconnatre, et les couches caches qui dfinissent le cur du rseau. Chaque neurone se trouve associ un poids dactivation qui est pralablement dtermin partir dun lot dapprentissage en minimisant lerreur de classification. Ils sont largement utiliss dans le domaine de la vision industrielle [MALA-03]. Ils possdent nanmoins un inconvnient quant leurs mcanismes de fonctionnement. En effet, il nest pas possible dinterprter exactement le fonctionnement dans les couches caches des rseaux. Ils agissent comme une bote noire . De plus, ces algorithmes ncessitent un trs grand nombre de donnes pour lapprentissage (chapitre 4). Enfin, il est trs difficile de choisir les paramtres de rglages des rseaux de neurones (nombre de couches caches et nombre de neurones par couche). Avec lintroduction de la logique floue par Zadeh en 1965 [ZADE-65], de nouveaux mcanismes de classification sont apparus. Toutes les techniques voques ont t tendues la thorie des ensembles flous : k plus proches voisins flous, k-moyennes floues, rseaux de neurones flous, ..., afin de mieux prendre en compte les raisonnements humains.
- 43 -
Cependant, Mingoti et Lima notent le peu de diffrence existant au niveau des taux de reconnaissance entre un mcanisme de classification implmentant un rseau de neurones et un classificateur k-moyennes floues [MING-06]. Cordon et al., quant eux, marquent les faiblesses de la phase dapprentissage des techniques de classification base de logique floue [CORD-04]. Ils tablissent un tat de lart des techniques gntiques permettant damliorer cette tape. Pourtant, en utilisant des classificateurs bases de rgles floues reprenant les connaissances expertes de lenvironnement industriel, lensemble des mcanismes internes au systme peut tre interprt, chose ntant pas le cas pour les rseaux de neurones. Les ensembles flous, dans le cadre de la classification, peuvent tre considrs comme une extension des ensembles classiques, au sens o il est possible de prendre en compte des recouvrements despaces de reprsentation. Ces mcanismes permettent de travailler partir de donnes imprcises, et/ou incertaines, reflets des connaissances exprimes par les experts bois (connaissances lies au produit bois) et vision (connaissances lies au systme de vision), et/ou provenant directement des mesures.
2.2.3. La couleur dans un processus industriel bois

Lutilisation de la couleur dans un milieu industriel est de plus en plus frquente. Les industries du bois nchappent pas cette tendance. Ce passage de la vision monochrome la vision couleur sexplique par les niveaux de dtails recherchs lors des contrles visuels des produits manufacturs. La prise en compte de la couleur accrot les possibilits des systmes visuels en terme de prcision et de discrimination. Cependant, lextraction des formes couleurs doit tre compatible avec les contraintes de lenvironnement industriel. Les techniques mises en uvre ne doivent pas tre trop coteuses en temps de calcul et en mmoire. Classiquement, plusieurs points sont alors expliciter lors de la conception dun systme de vision : les techniques de caractrisation regroupant le matriel utilis et lespace de reprsentation, les mthodes de classification.
Les capteurs et les modes de reprsentation des couleurs
Deux capteurs sont couramment employs pour numriser et quantifier un objet color : les camras multispectrales (ou multibandes), et les camras couleurs. Dans le premier cas, la couleur est caractrise par lintensit de plusieurs bandes spectrales ayant des longueurs donde comprises entre 300nm et 700nm. Dans le deuxime cas, les composantes colorimtriques RVB (Rouge, Verte et Bleue) fournies par la camra reprsentent une composition de toutes les bandes spectrales. Dans ce cas, les informations couleur extraites sont fortement corrles. Le choix de la caractrisation de la couleur se fait souvent suivant les niveaux de dtails et de prcision recherchs dans une image. Le plus simple consiste utiliser les composantes - 44 -
colorimtriques de manire spare, composantes pouvant tre diffrentes suivant le repre colorimtrique choisi. Le repre RVB est classiquement utilis mais ne fournit pas toujours la meilleure information (chapitre 3). Mme si les ordinateurs actuels permettent de grer de grande quantit de donnes, le volume dinformations traiter est important pour des images de grandes tailles. Il existe alors la possibilit de travailler sur des donnes statistiques lies la couleur : la moyenne, lcart type, le degr dasymtrie (skewness), le degr dcrasement (kurtosis), les maxima et minima locaux ou globaux, Ces donnes sont values partir de lhistogramme de chaque composante. Un deuxime aspect peut avoir son importance dans la caractrisation de la couleur : sa rpartition spatiale. Le terme souvent employ pour dsigner cette distribution spatiale est le mot texture . Plusieurs exemples de reconnaissance de couleur sont prsents dans la suite de ce paragraphe. Les travaux de Swain et Ballard ont t repris de nombreuses fois pour raliser la reconnaissance dobjet suivant leur couleur [SWAI-91] [GEVE-99]. Dans ces articles, la caractrisation de la couleur se fait par lintermdiaire dun histogramme trois dimensions (trois composantes colorimtriques). Cette reprsentation parat complexe de part la quantit dinformations quelle contient. Cest pourquoi, en fonction du degr de complexit des traitements envisags, il est possible de nutiliser que des reprsentations monodimensionnelles [PIET-96]. Lutilisation de tels descripteurs pour dfinir une couleur pose cependant un problme de taille et de temps dans un systme de vision industrielle. Les traitements doivent tre suffisamment rapide pour rpondre aux contraintes de temps industrielles. Dans ce type denvironnement, les perturbations pouvant nuire la prcision des donnes sont trs prsentes. La plus vidente concerne lilluminant de la scne observe. En effet, une variation de ce dernier peut modifier considrablement lallure des histogrammes. Ainsi, pour viter ces dsagrments, Tan et Kittler ont prfr calculer des descripteurs de rpartition spatiale de la couleur qui sont indpendants dune variation de lilluminant [TAN-93]. Les valeurs obtenues correspondent en fait lnergie et lentropie des histogrammes sur chaque composante. Dautres reprsentations spatiales peuvent tre utilises pour caractriser une couleur, lutilisation des champs de Markov en est un exemple. Leur principal intrt concerne leur aptitude prendre en compte les dpendances spatiales de chaque pixel ou objet dune image [BENB-05].
Les mthodes de classification des singularits partir des systmes dacquisition couleur
Le contrle qualit dans les industries du bois tant plus dvelopp dans le cadre de la dtection de singularit (section 2.1.1), nous proposons un classement des systmes implmentant un capteur couleur suivant les grandes catgories de techniques de reconnaissance de formes (tableau 2.4).
- 45 -
Tableau 2.4 : Mthodes de reconnaissance des singularits du bois

Nature du classificateur Mthodes globales avec compilation et sans compilation Mthodes globales avec compilation Mthodes globales avec compilation Type de classificateur Rseaux de neurones k plus proches voisins Rseaux de neurones Rseaux de neurones [SCHM-95] [KAUP-99] Rfrences [CHO-91]
Mthodes globales avec compilation Mthodes globales avec compilation
Rseaux de neurones Rseaux de neurones Algorithmes gntiques
[PHAM-01] [ESTE-03]
Mthodes globales avec compilation Mthodes globales avec compilation
Base de rgles floues Rseaux de neurones flous
[KLIN-03] [RUZ-05]
Parmi les systmes de vision intgrant un capteur couleur adapt la classification des singularits du bois, beaucoup dtudes utilisent des rseaux de neurones. Le ct bote noire ainsi que la facilit de mise en uvre dans la plupart des cas justifient ce choix. En sattardant sur ces tudes, nous constatons que les rsultats obtenus sont encourageants (taux de reconnaissance suprieur 80% pour chaque tude). Cependant, il subsiste quelques zones dombre quant ces performances. Tout dabord, il est trs difficile de juger de ces rsultats du fait du manque dinformations sur les lots dapprentissage et les singularits reconnatre. Seuls Pham et Sagiroglu explicitent le nombre dchantillons dapprentissage (186 chantillons rpartis suivant treize classes) et obtiennent 87% de bonnes reconnaissance [PHAM-01]. En revanche, Cho et al. exposent une mthode valide par un taux de reconnaissance en gnralisation de 80.9% sur cinq classes de singularits, sans donner dexplications sur la constitution des lots dapprentissage [CHO-91]. Enfin, Estevez et al. proposent de trs bons rsultats (80% de bonne reconnaissance) partir dun lot de donnes consquent (12000 chantillons dapprentissage rpartis en onze classes) [ESTE-03]. Dans ce cas, il est trs difficile de conclure sur les rsultats noncs, sachant que les mthodes neuronales sont connues pour tre trs performantes si elles disposent de beaucoup de points en apprentissage pour chacune des classes, avec une distribution homogne entre les classes. Ces rsultats semblent tre intressants mais souffrent dun manque de validation dans un environnement industriel, pour lequel il est trs difficile dobtenir 12000 chantillons correctement tiquets de la part des clients. Cette phase dtiquetage est en effet longue et fastidieuse, et coteuse en heures/homme. De plus, malgr les performances atteintes, linterprtabilit des mcanismes de dcision de ces mthodes est totalement omise. Il est trs difficile de comprendre comment le rsultat est obtenu, les rseaux de neurones fonctionnant comme une bote noire (Estevez et al. implmente un rseau compos dune couche cache, elle-mme compose de 60 neurones [ESTE-03]).
- 46 -
Les mthodes de classification des couleurs dans les industries du bois
En reprenant les rfrences bibliographiques traitant du sujet de la classification des couleurs et des textures sur le bois, il est galement possible de prsenter les techniques de reconnaissance employes. Le tableau 2.5 illustre les diffrentes mthodes rencontres dans ce type de contrle. La caractrisation des couleurs est classiquement faite partir dune valuation de paramtres sur les histogrammes monodimensionnels [DAUL-00] [SATH-01] [HANB-02] ou tridimensionnels des composantes colorimtriques [LU-97a] [SRIK-97] [KLIN-99]. Certaines tudes montrent mme que les paramtres les plus simples (moyennes, cart-types) sont souvent les meilleurs et les plus discriminants pour diffrencier des couleurs [DAUL-00] [SATH-01]. Concernant la texture, deux caractrisations se distinguent classiquement dans ces articles : lextraction des matrices de co-occurrences [HANB-01] [HANB-02] [MAEN03] et le calcul de gradients directionnels [KLIN-99]. Cependant, les deux notions que sont la couleur et la texture sont difficilement dissociables [MAEN-03]. Lvaluation de la couleur ncessite souvent lutilisation de primitives de texture car la dcision humaine est trs influence par cette notion [DAUL-00]. Par exemple, le fil du bois peut assombrir une couleur en fonction de son paisseur et/ou sa couleur. Outre la caractrisation de ces deux notions, les techniques de reconnaissance utilises prsentent une certaine similarit. Dans le cas de la couleur, les calculs de distance (euclidienne, de Mahalanobis, de Hamming) entre des lots dapprentissage et les couleurs identifier sont trs frquents [LU-97a] [SRIK-97] [DAUL-00] [HANB-02]. Il sagit essentiellement de classificateurs non paramtriques comme la mthode des k plus proches voisins [KLIN-99] [MAEN-03]. Il faut noter que, dans les articles rfrencs, les rsultats noffrent aucune comparaison entre diffrentes mthodes. Seule la validation par rapport un tri manuel est donne. Les taux de reconnaissance classiquement obtenus sont compris entre 80% et 90%, et rpondent souvent des tudes concernant lappariement de six couleurs de chne rouge. Le cerisier et le merisier sont deux autres essences frquemment utilises. Dans le cas de la texture du bois, nous retrouvons lutilisation de la mthode des k plus proches voisins [KLIN-99] [MAEN-03] et la maximisation de fonctions dauto-corrlation [HANB01]. Les rsultats prsents dans ces articles montrent des taux de reconnaissance de lordre de 80% sur des planches de chne rouge et de cerisier selon trois classes : la dosse, le quartier et le faux quartier (figure 2.7).
- 47 -
Tableau 2.5 : Mthodes de reconnaissance des couleurs et des textures sur un produit bois
Rfrences bibliographiques [LU-97a] [SRIK-97] [KLIN-99] Vecteur caractristique Histogramme 3D des composantes colorimtriques (rouge, verte et bleue) pour chaque chantillon Histogramme 3D des composantes colorimtriques (rouge, verte et bleue) pour chaque chantillon Evaluation de gradients directionnels partir dimages binarises [DAUL-00] Moyennes et cart-types des composantes colorimtriques (teinte, saturation et luminance) Primitives de texture partir dune pyramide Laplacienne de la composante luminance [SATH-01] [HANB-02] Moyennes des composantes colorimtriques (rouge, verte et bleue) Moyennes et cart-types des composantes colorimtriques (teinte, chroma et luminance) Dtermination de lorientation du veinage par lalgorithme de Rao [HANB-01] Calculs des matrices de co-occurrences et sommation des lignes de ces matrices [HANB-01] [LIU-02] Extraction des dimensions fractales des composantes colorimtriques partir de la mthode de laire de la surface triangulaire du prisme Dtermination des percentiles des composantes colorimtriques Calcul dune transforme de Hough et des matrices de co-occurrences Classification par algorithme gntique Minimisation de la distance de Mahalanobis par rapport des rfrences apprises Maximisation de la fonction dautocorrlation sur le profil obtenu partir des matrices de co-occurrences Appariement relatif par minimisation dune distance Mthodes de classification Minimisation dune distance de Hamming par rapport des rfrences apprises Classification par la mthode des k plus proches voisins
Classification par seuillage
[MAEN-03]
Classification par la mthode des k plus proches voisins
Le nombre dapplications en reconnaissance couleur dans le domaine du bois tant relativement faible, nous proposons dtendre ltude bibliographique dautres domaines dapplications.
- 48 -
Autres domaines dapplication de la classification des couleurs
Dans le domaine de la classification des couleurs, il existe cependant des tudes montrant lutilisation de techniques diffrentes de celles employes dans le domaine du bois. Lindustrie alimentaire est soumise de nombreux contrles dhygine draconiens. Les produits doivent rpondre des normes de qualit prcises. De nombreux aliments prsentent des variations de couleur en prsence de dfauts (moisissures par exemple) [ZHAN-98]. Ainsi, lagriculture sest vue doter dun grand nombre de systmes dinspection visuelle pour diffrentes applications. Par exemple, le contrle de la qualit des pommes reprsente un enjeu majeur dans le tri des fruits suivant leur aspect surfacique [MEHL-04]. Les techniques dappariement sy retrouvent largement utilises. Elles permettent dvaluer lappartenance des pixels des classes pralablement dfinies suivant des classificateurs baysien [KLEY05]. Lorsque la texture de la couleur est prise en compte, le traitement par transforme en ondelettes est souvent employ. Les travaux dAntonelli et at. montrent lintrt des ondelettes dans la qualification de la couleur des aliments [ANTO-04]. Les rsultats proposs confirment la validit de la mthode compare une inspection humaine. Dans un contexte mdical, lappariement de couleur est trs souvent tudi. Par exemple, Wang et al. travaillent sur la caractrisation de la couleur dune langue [WANG-07]. Ils dfinissent la couleur des rgions par des histogrammes sous-chantillonns afin dobtenir des signatures composes des couples {couleur, frquence dapparition}. Aprs un apprentissage de six classes de prototypes, ils implmentent un classificateur k plus proches voisins bas sur le calcul dune distance de dissimilarit. Les rsultats obtenus montrent une amlioration de classification des pixels des images par rapport une segmentation plus classique partir dun rseau de neurones. Plusieurs tudes concernant lappariement couleur en odontologie ont galement t menes [SPRO-01a] [SPRO-01b] [ISHI-05]. Ishikawa-Nagai et al. rapportent les bons rsultats de lappariement de prothses dentaires en cramique par lanalyse dimages suivant les composantes colorimtriques du repre CIE Lab (chapitre 3). De plus, la classification par un simple calcul de distance euclidienne propose dans cet article est reproductible. Des techniques plus labores sont aussi utilises directement au niveau des pixels lors des tapes de segmentation. Il sagit souvent de mthodes non paramtriques telles que les kmoyennes, ou encore des mthodes connexionnistes. La logique floue a galement t utilise dans la caractrisation de la couleur [BENO-01]. Elle a pour avantage de tenir compte de dfinitions linguistiques des couleurs telles quelles peuvent tre nonces par des oprateurs. Aucune des techniques de classification nobtient lunanimit des chercheurs dans la reconnaissance de couleur. Tout dabord, les diffrentes tudes sont bases sur des lots de donnes bien dfinis (nombre dchantillons consquents, homognit des classes de sortie, ). Travaillant dans un contexte industriel trs subjectif (dfinition des classes de sortie par un Homme, incompltude des lots de donnes), les Rseaux de neurones, les algorithmes gntiques, les Supports Vecteurs Machines, mthodes ncessitant de grands lots de donnes dapprentissage, sont souvent mal adaptes. Ensuite, il nexiste pas de lien explicite entre le
- 49 -
vocabulaire utilis pour dfinir les classes de sortie et les caractristiques de vision. Il est donc trs difficile dinterprter les dcisions prises par les mthodes de classification. Le but de cette tude est dobtenir un capteur qui dlivre une rponse dans le vocabulaire du mtier (couleur du bois Rouge Clair ), et dont les paramtres de rglage sont galement exprims de faon comprhensible pour un non spcialiste. Ainsi, nous proposons de structurer le systme de vision suivant les mcanismes visuels dun individu avec toute la connaissance a priori. Pour cela, il est ncessaire danalyser la structure mmes des capteurs.
2.3.
Architectures des capteurs de vision
La complexit des environnements industriels ncessite lutilisation de capteurs de plus en plus perfectionns en terme dintelligence dporte, de systmes distribus, autonomes o linformation doit tre conditionne au plus tt pour faciliter son exploitation. Cela doit permettre de rpondre aux performances, essentiellement en terme de qualit, puisquil sagit en priorit de satisfaire les attentes exprimes par les clients. Ainsi, de nombreuses amliorations concernant le dveloppement des capteurs ont vu le jour depuis environ trente ans, dans le but dapprocher au mieux les mcanismes employs par lHomme. Ces volutions ont t envisageables grce lessor de plusieurs domaines dont llectronique et linformatique. Les performances ainsi atteintes ont permis dintgrer et dadapter les capteurs des environnements trs slectifs. De plus, lintgration de lintelligence artificielle au niveau de ces capteurs facilite leur utilisation par lHomme en transmettant les rsultats sous forme linguistique directement comprhensible. Historiquement, trois volutions jalonnent le dveloppement des capteurs : les capteurs intelligents, les capteurs symboliques et les capteurs flous.
2.3.1. Capteurs intelligents

Concept apparu au dbut des annes 80 [BURD-84], le capteur intelligent est la premire volution du capteur traditionnel, qui fournit uniquement les mesures un environnement de travail. Ces capteurs classiques sont des outils perceptifs qui peuvent ne pas assurer une rptabilit quant aux mesures quils peuvent fournir au systme dcisionnel. Ainsi, les amliorations doivent permettre aux capteurs de prendre des dcisions plus ou moins complexes partir des donnes numriques acquises (les mesures). La premire intelligence donne aux capteurs concerne essentiellement le pr-traitement basique effectu sur les mesures. Ces traitements peuvent tre des filtrages, des linarisations, Ces tapes permettent alors de fournir au systme de dcision des donnes plus pertinentes (rduction du bruit, rduction des redondances, ) et reprsentatives des volonts du client. Afin de rduire les erreurs lies aux mesures et de rduire les informations inutiles, le capteur intelligent doit possder et manipuler une connaissance a priori sur les phnomnes quil peroit [KUC-86]. En se basant sur les tudes menes par le Comit Interprofessionnel pour lAutomatisation et la Mesure (CIAME) regroupant de nombreux laboratoires et industriels, quatre parties peuvent tre distingues dans ltude dun capteur intelligent : la mesure, la configuration, la validation et la communication. Ces parties rsument lensemble des besoins des utilisateurs en matire de capteurs et actionneurs intelligents [CIAM-87] [BENO-91]. La figure 2.13 illustre ces diffrentes parties. - 50 -
MESURE
Acquisition et traitement du signal
CONFIGURATION
Configuration technologique Configuration fonctionnelle
Correction Compensation
VALIDATION
Validation technologique Historique
Conversion en mesure fonctionnelle
Validation fonctionnelle
Diagnostic
COMMUNICATION
Communication locale Communication distance
Figure 2.13 : Fonctionnalits dun capteur intelligent dcrivant les besoins utilisateurs La mesure correspond lacquisition et aux pr-traitements des signaux afin de fournir les informations fonctionnelles aux autres entits du systme. Elle remplit les fonctions de la perception visuelle. La notion de traitement du signal se retrouve alors au niveau de lacquisition afin de minimiser linfluence du bruit sur les donnes utiles. La correction et la compensation permettent, quant elles, de linariser les mesurandes en tenant compte des informations externes au systme. Pour finir, la conversion en mesure fonctionnelle intervient dans le but de fournir aux autres organes du systme des donnes rutilisables. La configuration du capteur correspond ladaptation du capteur aux besoins des utilisateurs et son intgration dans le systme global. Deux parties sont distingues. Dune part, la configuration technologique permet dadapter le capteur lui-mme sa future utilisation. Cette tape est ralise la plupart du temps lors de sa fabrication, mais elle peut intervenir lors de son intgration dans le systme global. Dautre part, la configuration fonctionnelle permet de spcifier prcisment le contexte dans lequel sera effectue la mesure. La validation correspond la vrification des fonctionnalits du capteur en termes de maintenance et de diagnostic. Il sagit de valider le bon fonctionnement du capteur lui-mme. Nous y distinguons galement deux parties. Premirement, la validation technologique vise surveiller le capteur et prvenir la moindre dfaillance du matriel. Deuximement, la validation fonctionnelle informe lutilisateur de la prcision des mesures et des ventuelles erreurs commises lors de lacquisition. Certains capteurs possdent galement une mmoire permettant de grer lhistorique de son fonctionnement (mesures, journal derreurs, ). - 51 -
La communication correspond linterfaage du capteur avec les diffrents organes du systme au sens large (systme dinformations, centre des traitements de chaque capteur, ) et du capteur lui-mme. La communication locale ddie la configuration et la maintenance du capteur, et la communication distance ddie au dialogue (envois et rceptions dinformations) avec les autres composantes du systme de production constituent ce module. De nombreuses tudes ont t menes sur les diffrentes parties qui composent le capteur idal traduit par les besoins des utilisateurs. Pour exemple, les travaux de Chamberod sur lintgration dun DSP (Digital Signal Processor) permettent dacclrer les pr-traitements effectus au niveau de la mesure [CHAM-92]. Mauris, quant lui, a su intgrer la notion de validation au sein dun tlmtre ultrasonore modulation [MAUR-92]. Cependant, toute la communaut saccorde dire quun capteur intelligent ne se dfinit pas par sa structure mais par les services quil propose et les capacits qui le caractrisent. Ainsi, lintelligence artificielle qui permet dintgrer trois types de connaissance [ALBU-91] dans le systme est introduite : les Donnes proprement parler ; le Savoir-Faire permettant dutiliser les donnes ; la Mtaconnaissance , qui reprsente la connaissance sur tout le Savoir-Faire.
Pour sorienter vers lintgration de lintelligence artificielle, la notion de capteur intelligent peut tre amliore par lutilisation de capteurs symboliques.
2.3.2. Capteurs symboliques

Ce type de capteur dispose de fonctionnalits avances, comme un module dapprentissage et un module de dcision [TAKA-94]. Un capteur peut tre considr comme symbolique, sil fournit et manipule des donnes sous une forme numrique ou symbolique. La figure 2.14 illustre la forme dun capteur symbolique daprs la dfinition de Benot [BENO-91]. La base de connaissance est cre partir de plusieurs points de vue : la connaissance contenue dans le capteur, la connaissance fournie par lenvironnement externe au capteur (figure 2.15). Les informations brutes ou donnes utiles caractrisent lensemble des connaissances fournies par le capteur lui-mme (tat de fonctionnement, configuration, ) et le contexte dutilisation de ce dernier (objectif li lutilisation du capteur). Le Savoir-Faire, quant lui, peut prendre diffrentes formes. Pour exemple, il est caractris par un ensemble de rgles symboliques dans un systme expert.
- 52 -
Base de connaissances Mtaconnaissance Systme de dcision Savoir-Faire Donnes utiles Phnomne physique
Systme externe Module de communication Module de mesures
Figure 2.14 : Reprsentation dun capteur symbolique Enfin, la mtaconnaissance est constitue dun ensemble de rgles permettant de valider et/ou modifier le cur du Savoir-Faire. Par exemple, elle intervient dans la mise jour de la base de rgles symboliques pour le cas dun systme expert [NAKO-96].
Figure 2.15 : Identification de la base de connaissance dun capteur symbolique par rapport son contexte dutilisation Les composants du capteur intelligent idal se retrouvent galement dans un capteur symbolique. Cependant, un convertisseur numrique-symbolique est ajout au systme pour - 53 -
permettre lutilisation de symboles au sein du module de dcision. Il sagit en fait du cur du capteur symbolique. Ce convertisseur dispose en entre des donnes numriques fournies par le capteur, et fournit en sortie les symboles associs ces valeurs. Pour ce faire, deux univers de reprsentation des donnes sont dfinis : lunivers de discours attach aux mesures numriques ; lunivers lexical regroupant les symboles utiliss.
Lunivers de discours fournit une information concernant ltendue des valeurs pouvant tre prises par les donnes numriques associes aux mesures du capteur. En prenant pour exemple un capteur colorimtrique bas sur une camra couleur, trois univers de discours peuvent tre caractriss. Il peut sagir de lespace de variations des composantes colorimtriques rouge, verte et bleue. Classiquement ces espaces sont finis et les valeurs sont comprises entre 0 et 255 (figure 2.16).
Figure 2.16 : Univers de discours associs aux composantes colorimtriques rouge (R), verte (V) et bleue (B) Lunivers lexical fournit au capteur des symboles que ce dernier associe aux valeurs mesures. Il faut noter que lunivers de reprsentation doit tre dtermin pour chaque application utilisant un capteur symbolique. Dans le cas de la couleur, cet univers peut tre lensemble {rouge, vert, bleu, orange, jaune, noir, blanc}. Dautres exemples peuvent tre pris. En considrant une valuation de lintensit lumineuse dans une pice, cet univers peut tre lensemble {sombre, clair} alors que si la couleur traduit la temprature dun mtal par exemple, cet univers serait lensemble {chaud, tide, froid}.
- 54 -
Dans un capteur symbolique, il y a toujours des variables numriques associes des relations symboliques, qui peuvent tre combines dans la base de connaissance. Le lien mis en place entre les deux univers de reprsentation est caractris par lutilisation de trois relations [FINK-75] [LUZE-91] [ZING-91] : la premire, appele symbolisation, permet le passage dune valeur numrique un symbole ; la deuxime, appele traduction ou signification, permet le passage dun symbole la partie correspondante de lunivers de discours ; la troisime appele interprtation permet de rapprocher une mesure tous les symboles qui la caractrisent.
Pour rsumer, le convertisseur numrique-symbolique permet de dfinir diffrents symboles pour chaque espace de donnes gnr dans lunivers de discours par un seuillage fixe. Les symboles sont mis sous la forme de mots qui reprsentent la mesure symbolique du capteur. Cette mesure est alors plus significative que les valeurs numriques malgr son imprcision et sa subjectivit. Ainsi, lutilisation dun tel concept facilite nettement la comprhension du fonctionnement des systmes par un oprateur [BENO-01]. Cependant, il existe un inconvnient utiliser ce type de capteur. Lorsquune mesure numrique est trs loin des seuils fixs pour dfinir les symboles, le systme nest pas trs sensible, alors quil lest beaucoup plus si les mesures sont proches des seuils. En effet, en fixant des seuils sur les valeurs numriques, les transitions entre les symboles sont trop brutales et ne permettent pas de prendre la gradualit ventuelle des symboles eux-mmes. Cest pour cette raison entre autres, que la notion de capteur flou a t introduite afin de prendre en compte cette nature graduelle des symboles utiliss, dans le sens o les mots du langage naturel sont quelquefois inprcisment dfinis.
2.3.3. Capteurs flous

Les capteurs flous (figure 2.17) sont une amlioration directe des capteurs symboliques. La grande diffrence se situe au niveau du convertisseur numrique-symbolique qui utilise la thorie des sous-ensembles flous. Cette thorie permet dattnuer linfluence des contraintes du capteur symbolique, cest--dire les transitions brutales entre les diffrents symboles. La nature graduelle des transitions entre les symboles peut donc tre prise en compte [DUBO97b]. Plus gnralement, la logique floue, introduite par Zadeh [ZADE-65], doit permettre de reprsenter les imprcisions de chaque symbole ainsi que les incertitudes de la mesure. Linformation fournie sen trouve alors enrichie sans pour autant la rendre plus complexe. Ainsi, une part de la subjectivit peut tre prise en compte dans la phase de traitement des donnes et au niveau du module de dcision. La contribution des concepts flous dans le capteur symbolique tient dans la dfinition des fonctions dappartenance [DUBO-97a]. Ces fonctions peuvent avoir diffrentes significations suivant lutilisation qui en est faite. Des prcisions sur la logique floue et ses mcanismes seront donnes dans la suite de ce mmoire (section 4.1).
- 55 -
Bus de communication
Informations numriques et symboliques
Interface de communication Organe de calcul Base de connaissances Systme de Dcision
Convertisseur numrique-analogique Conditionneur Transducteur
Mesure physique Figure 2.17 : Structure dun capteur flou Dans le cadre dun capteur flou, il faut redfinir les relations qui lient les deux univers de reprsentation (univers de discours et univers lexical). Pour un capteur symbolique, ces relations taient la symbolisation, la traduction et linterprtation. Pour un capteur flou, ces mmes relations sont galement dfinies : la symbolisation floue, la traduction floue et linterprtation floue. Chacune de ces relations est caractrise par une fonction dappartenance. Dans le cas du rgulateur de temprature, les fonctions dappartenance fournissent par exemple un degr dappartenance aux diffrentes classes dfinies par les diffrents symboles (figure 2.18). Nous nous rendons ainsi compte de la potentialit de cette reprsentation traduire une variation graduelle de la mesure sur lunivers de discours. Le capteur flou peut galement renseigner lutilisateur sur le degr dincertitude des mesures [LEE-05].
- 56 -
Traduction floue de la temprature

degr dappartenance (T)
1 0,7
Interprtation de la temprature 28C

degr dappartenance (28C)
1 0,7
froid
0,3 0 15C
tide
chaud
0,3
20C 25C
30C
Temprature T
froid
tide
chaud Symbole temprature
Figure 2.18 : Traduction floue et Interprtation floue de la temprature En reprenant les diffrents organes composant un capteur symbolique et un capteur flou, il existe un grand intrt dvelopper, dans le cadre de cette notre tude, un capteur flou couleur adapte lappariement des avivs selon des aspects colorimtriques. En effet, la perception des couleurs par un oprateur est trs subjective. Elle fait intervenir des imprcisions et des incertitudes quant linterprtabilit de ce qui est vu. En dautres termes, il peut apparatre un certain nombre de confusions ou de divergences de jugement si nous considrons plusieurs oprateurs. Cependant, en prenant en compte les connaissances a priori de ces oprateurs, il est possible de copier en partie les traitements quils effectuent. En ce sens, en reprenant la structure dun capteur symbolique, ces connaissances peuvent tre reprsentes sous la forme dun jeu de rgles symboliques. Chaque symbole utilis pour dfinir des couleurs dans le domaine du bois sont gnralement des mots du langage naturel : rouge clair, brun fonc, blanc, En appliquant le mme principe au capteur dvelopp, il est possible de simplifier linterprtation des rsultats par le biais de rgles, mais aussi de rduire le foss smantique qui peut exister entre les experts du bois et ceux de la vision en utilisant un vocabulaire comprhensible par tous.
2.4.
Conclusion
Ltude bibliographique ralise dans ce chapitre permet de poser les bases de nos travaux concernant lappariement de pices de bois selon des aspects esthtiques. Aprs une analyse dtudes similaires, nous avons pu constater que les systmes dvelopps souffraient dun manque de cohrence par rapport aux traitements raliss par lHomme. En effet, les classificateurs mis en uvre ne font ni intervenir la connaissance a priori des oprateurs humains, ni la subjectivit des exigences clients . De plus, avec lamlioration des capteurs, il est possible dembarquer cette connaissance et den tenir compte au sein mme des traitements. En intgrant celle-ci, directement au niveau de la chane de traitement dimages, il est possible denvisager une rduction du foss smantique existant entre les deux
- 57 -
domaines dexpertise en prenant en compte lensemble des imprcisions et incertitudes pouvant intervenir dans le processus de caractrisation de la couleur. Travaillant partir de notions incertaines, il nous a sembl vident dorienter les recherches vers des techniques floues de classification car trs proches des raisonnements humains. De plus, les rgles linguistiques tant un bon outil pour traduire les connaissances des experts (capteurs symboliques), il est intressant de rassembler les deux notions afin de dfinir un systme de reconnaissance base de rgles linguistiques floues. Ce systme peut ainsi contribuer rpondre aux problmatiques lies notre tude : perception subjective des couleurs, dfinition linguistique des couleurs par lutilisateur, connaissance a priori des rgles de classification, gradualit des classes de sortie (classes non disjointes), bruit de mesure (vieillissement du systme dacquisition, bruit lectronique, ), sensibilit du capteur face son environnement. En reprenant les diffrentes parties qui constituent un capteur flou, nous prsentons dans les chapitres suivants les dveloppements raliss pour notre capteur couleur adapt lappariement de planches de bois : du capteur aux mesures fonctionnelles, des mesures fonctionnelles la dcision. Ces diffrentes parties permettront, en autre, dexpliciter le lien entre lunivers de discours reprsentant les donnes numriques fournies par le capteur et lunivers lexical reprsentant les sorties nominales du capteur flou (figure 2.19).
Figure 2.19 : Reprsentation du lien entre lunivers de discours et lunivers lexical
- 58 -
DU CAPTEUR AUX MESURES FONCTIONNELLES
CHAPITRE 3 : DU CAPTEUR AUX MESURES

FONCTIONNELLES
- 59 -
3. Du capteur aux mesures fonctionnelles

Comme nous avons pu le noter dans le chapitre prcdent, un systme de vision fait intervenir une chane classique de traitement dimages. Notre objectif tant de construire un capteur flou couleur, nous identifions les diffrents modules du capteur flou en les reliant aux diffrentes tapes de la chane de traitement dimages (figure 3.1). Dans ce chapitre, il sagit de prsenter les donnes extraites des images, directement lies au systme dacquisition, afin de les conditionner pour quelles soient exploitables par ltape de classification. Ainsi, le rapprochement existant entre la chane de traitement dimages et les diffrentes parties dun capteur intelligent se limite aux traitements de bas niveau et de niveau intermdiaire. La partie configuration ne concerne que le systme dacquisition, alors que la partie mesure stend au bas niveau et au niveau intermdiaire, le bas niveau fournissant les donnes brutes corriges (correction/compensation) et le niveau intermdiaire dlivrant la seule information utile aux dcisions (chapitre 4). Ce niveau regroupe ainsi les tapes de segmentation, reprsentation et description des donnes acquises. Le premier travail demand aux systmes de vision concerne classiquement la prise de mesures afin de caractriser les objets analyser. En reprenant la structure dun capteur (section 2.3), il est possible de spcifier les diffrentes parties intervenant au niveau du conditionnement de linformation acquise. Dans une premire partie, nous prsentons donc le systme physique dacquisition des images, en prcisant linfluence de son environnement dutilisation sur les mesures ralises ainsi que les traitements mis en uvre afin de fiabiliser le systme dacquisition. Ces diffrents points correspondent respectivement aux parties acquisition et traitement du signal, correction/compensation et configuration du capteur intelligent. Dans un deuxime temps, les mesures brutes fournies par le capteur ne reprsentant pas des mesures interprtables et fonctionnelles dans le cas des concepts tudis, il est ncessaire de rduire la complexit et la dimensionnalit de celles-ci afin de construire un vecteur caractristique reprsentatif. Cette partie correspond ainsi la conversion en mesure fonctionnelle existant dans un capteur intelligent.
- 60 -
Figure 3.1 : Rapprochement de la chane de traitement dimages au fonctionnement dun capteur intelligent
3.1.
La mesure
Le systme de vision dvelopp pour cette tude est bas sur lexpertise de la socit LuxScan Technologies. Il permet danalyser des avivs selon leur aspect esthtique en tempsrel sur des lignes de production. Ces lignes peuvent atteindre aujourdhui des vitesses de lordre de 220 mtres de bois linaire par minute. Une fois les donnes analyses, chaque pice de bois est envoye vers une ligne de tri ou de trononnage qui permet de rpondre aux rgles doptimisation de la production, dfinies par les utilisateurs. En parlant du tri colorimtrique, ces rgles concernent essentiellement laspect uniforme des avivs. La figure 3.2 illustre un exemple de lignes de production intgrant les scanners dvelopps. Notre but ici est donc de faire voluer le capteur existant vers la notion de capteur flou au sein de ces mmes lignes de production.
- 61 -
Systme de trononnage
(a)
Systme de vision
(b)
Systme de tri
Figure 3.2 : Lignes de production intgrant les systmes de vision (a- ligne de trononnage / b- ligne de tri) La fiabilisation dun systme de vision, et plus particulirement dun capteur flou, ncessite souvent le dveloppement dun systme dacquisition robuste et prenne. Dans un contexte industriel et plus particulirement dans les industries du bois, les conditions dutilisation de tels outils sont trs contraignantes. Ainsi, avant de pouvoir travailler sur les donnes numriques fournies par le capteur, il est important de sassurer dun fonctionnement le plus stable possible du systme dacquisition. Pour mieux comprendre les tudes menes ce sujet, il faut prsenter en dtail ce systme tel quil a t conu au sein de la socit LuxScan Technologies. Il est ensuite plus simple danalyser les diffrents facteurs pouvant perturber le fonctionnement du systme. Pour finir, plusieurs tudes concernant la correction colorimtrique des capteurs sont prsentes et nous montrons comment il est possible de les appliquer au systme dacquisition utilis.
3.1.1. Prsentation du systme dacquisition

Suivant le cas applicatif concern, le systme dacquisition est dclin selon diverses configurations : Cas applicatif 1 : le systme dacquisition est compos de deux capteurs couleurs permettant dacqurir les images des rives dune pice de bois, et de deux capteurs monochromes permettant lanalyse des singularits prsentes sur les faces. Cas applicatif 2 : le systme dacquisition est compos de deux capteurs permettant dacqurir les images des faces dune pice de bois.
- 62 -
Cas applicatif 3 : le systme dacquisition est compos dun capteur permettant dacqurir les images de la face suprieure dune feuille de placage.
Il faut noter quun systme dacquisition compos de quatre capteurs pourrait tre imagin afin de scanner les avivs sur leurs quatre faces dans le but de raliser une tude colorimtrique complte de cet objet. Dailleurs, la socit LuxScan Technologies commercialise dj des systmes implmentant cette architecture pour raliser un contrle qualit concernant les singularits du bois [MAZA-07b]. Afin de simplifier la prsentation du systme dacquisition, seule larchitecture du cas applicatif 2 est dcrite. Ce systme est compos de deux camras couleur linaires mono CCD (Coupled Charge Device) couples chacune une source de lumire. La photographie de la figure 3.3 illustre le systme dacquisition dvelopp dans le cas applicatif 2.
Camras couleurs Eclairages
Figure 3.3 : Photographie du systme dacquisition utilis pour le cas applicatif 2
Acquisition et traitement du signal : les camras couleurs
Les camras couleurs utilises fournissent les signaux des composantes colorimtriques Rouge, Verte et Bleue (RVB), chantillonns une cadence de 1500 Hz (soit 1500 lignes par seconde). Chaque ligne acquise est compose de 900 pixels, chacun tant reprsent par un triplet {R, V, B} prenant des valeurs entires comprises entre 0 et 255. Lavantage de tel capteur rside dans lacquisition rapide des donnes. Il permet ainsi de rpondre aux - 63 -
contraintes temps-rel des systmes dvelopps. Les rsolutions classiquement obtenues sur ces systmes sont, pour la rsolution transversale (largeur ou paisseur de la pice de bois) de lordre de 0.3 mm/pixel, et pour la rsolution longitudinale (longueur de la pice de bois) de lordre de 1.5 mm/pixel. A partir de ces donnes, il est possible dvaluer la quantit dinformations traiter par seconde. Une camra fournit ainsi au maximum 1 350 000 pixels cods chacun sur 24 bits. Cela reprsente en moyenne des flux de donnes denviron 4 Mo/s. Il nest cependant pas ncessaire dacqurir lintgralit de chaque ligne. En effet, en dfinissant des rgions dintrts dans la largeur du CCD des camras, il est possible de rduire considrablement cette quantit dinformation. En considrant des avivs dune largeur gale 25 millimtres (cas applicatif 1), seuls 85 pixels contiennent linformation utile. Dans ce cas, la quantit dinformation traiter est environ gale 382 ko/s. Les camras couleurs CCD sont assimilables la rtine de lil [ALLE-99] (cf. annexe A.1). En effet, elles sont constitues dlments photosensibles se prsentant sous forme linaire. La partie lectronique de ces camras convertit les signaux lectriques fournis par ces photorcepteurs en signal continu analogique. Un convertisseur analogique-numrique (CAN) est ensuite utilis afin de fournir les composantes R, V et B. La capture des couleurs dune scne par une camra mono CCD est assez particulire. Chaque photosite (lment photosensible) obtient linformation dune seule des composantes colorimtriques RVB, ses voisins recevant les deux autres. La figure 3.4 illustre le positionnement des photosites de la camra utilise.
V1 V2 V899 V900
R1 B2 R3 B4
R897 B898 R899 B900
Figure 3.4 : Rpartition des photosites sur la camra couleur utilise A partir de cette rpartition, nous constatons quil existe deux fois plus de donnes vertes que de donnes rouges et bleues . En ce sens, afin de raliser un traitement sur les pixels des images acquises, il est ncessaire de gnrer les 900 triplets {R,V,B} de chaque ligne de limage. Le lecteur peut se rfrer lannexe A.2 qui rsume la reconstruction des triplets {R,V,B} employe par la socit Luxscan Technologies. Cette tape constitue les premiers traitements effectus sur les donnes fournies par le capteur, soit la partie acquisition et du traitement du signal au sens des capteurs intelligents. La figure 3.5 reprsente des images couleur recomposes de trois planches de bois.
- 64 -
(a)
(b)
(c)
Figure 3.5 : Images couleurs obtenues partir du systme dacquisition (a- cerisier / b- chne / c- rable)
Configuration du capteur intelligent : le systme dillumination
Pour obtenir des images exploitables, la source de lumire doit distribuer une intensit lumineuse uniforme sur toute la ligne dacquisition de la camra. Lclairage du systme dacquisition est plac de manire obtenir le maximum dintensit lumineuse sur cette ligne. Il nest cependant pas toujours ais dobtenir un pinceau lumineux homogne sur toute la planche. Initialement, la socit LuxScan Technologies intgrait des tubes fluorescents semblables aux clairages fluorescents domestiques. Ce choix est justifiable de deux manires : faible cot, facilit dintgration de lclairage. Mais, un inconvnient majeur sest pos lors de la fiabilisation du systme dacquisition. De tels clairages possdent des dures de vie trs limites par rapport de nouvelles technologies prsentes sur le march. De plus, les oscillations provoques par lalimentation en 50 Hz peuvent introduire un bruit dans les images acquises. Une tude approfondie a donc t mene sur les systmes dillumination afin de comparer les tubes fluorescents des diodes de nouvelle gnration (intensit lumineuse plus importante, dure de vie prolonge, ) diffrentes des diodes classiques (diodes lectroluminescentes de 5 mm). Ces travaux sont prsents dans la section 3.1.2. de ce mmoire. En couplant un clairage une camra couleur, il est ncessaire de raliser une balance de blanc au niveau de la camra afin dhomogniser les plages de variations des diffrentes composantes colorimtriques R, V et B [ANDR-99]. La balance de blanc est alors juge
- 65 -
correcte si les histogrammes des trois composantes possdent la mme valeur moyenne. La figure 3.6 illustre leffet dune balance de blanc sur les signaux bruts fournis par la camra prsente. La balance de blanc ralise pour les trois cas applicatifs est faite partir dune cale de couleur grise. Les signaux sont, dans ce cas, ramens une valeur moyenne denviron 140 sur toute la largeur de la ligne dacquisition. Cette tape correspond ladaptation du capteur au problme pos. Cette tape de configuration du capteur est une partie intgrante de lexpertise de la socit LuxScan Technologies. Elle est ralise partir du logiciel de calibrage fourni par le fabricant des camras utilises.
Largeur de la ligne dacquisition (900 pixels)
(a)
Niveau moyen de 140 pour chaque composante colorimtrique R, V et B
(b)
Figure 3.6 : Profils moyens des composantes R, V et B avant (a) et aprs (b) la ralisation dune balance de blanc - 66 -
3.1.2. Correction des perturbations lumineuses

Compare lil humain, une camra est plus sensible aux variations spectrales de la lumire. Par exemple, lil sadapte plus facilement aux changements de tempratures dillumination. La camra ne disposant pas de ce type dadaptation, il est important de matriser le fonctionnement du systme dclairage afin de limiter les variations de lintensit lumineuse mais aussi ses changements de proprits spectrales. Les clairages compars dans cette tude possdent des spectres lumineux diffrents (figure 3.7) : les tubes fluorescents (a) prsentent une forte composante spectrale au niveau des couleurs chaudes (entre 550 nm et 630 nm). les diodes blanches (b) prsentent une forte composante spectrale au niveau des couleurs froides (entre 410 nm et 460 nm).
(A)
(B)
Figure 3.7 : Spectres dmission des clairages nons (a) et diodes (b) Les variations de lintensit lumineuse sont gnralement dues plusieurs phnomnes, quils soient lis aux procds (convoyage des pices de bois), aux proprits du systme dacquisition (vieillissement des diffrents organes du systme), ou encore aux conditions dutilisation du systme (temprature par exemple). Deux types de solutions sont envisageables afin de rduire les effets de ces perturbations : soit des solutions palliatives afin de les limiter, soit des solutions correctives afin de les supprimer. Il sagit donc de dcrire ici la partie compensation/correction dun capteur intelligent.
- 67 -
Convoyage des pices de bois Solution corrective
Idalement, les clairages illuminent la ligne dacquisition des camras. Cependant, les produits scanns ne possdant pas des surfaces parfaitement planes et rectilignes, il arrive quune pice de bois ne soit pas analyse dans sa position de rfrence. Le schma de la figure 3.8 illustre le convoyage des avivs dans le cas applicatif 1.
Bute de rfrence Avivs Convoyeur bandes
Sens de convoyage Position de rfrence des avivs Axe de la ligne dacquisition
Figure 3.8 : Schma (vue de dessus) et photographies du systme de convoyage utilis dans le cas applicatif 1 Il est facile partir de ce schma dimaginer une pice naviguant latralement sur les bandes des convoyeurs. Les pices pouvant de plus prsenter des dformations gomtriques (largeur variable, courbure), la distance de rfrence entre le capteur et la surface scanner peut ne pas tre respecte. Il est donc important dvaluer limpact dune variation de la distance entre le bois et le capteur dbc sur les composantes colorimtriques fournies par le systme. La figure 3.9 illustre limpact dune variation de la distance bois/capteur sur lintensit lumineuse fournit par lclairage.
- 68 -
Camra
Eclairage
Distance bois/capteur dbc
Intensit lumineuse
Position de rfrence Position alatoire 1
Position alatoire 2
Figure 3.9 : Intensit lumineuse sur une pice de bois en fonction de la position de la ligne dacquisition Pour tudier linfluence du paramtre dbc, trois chantillons de bois de diffrentes couleurs ont t slectionns. Ayant pralablement valu les variations maximales de ce paramtre, la plage dtude concerne un cart de plus ou moins 4 cm autour de la position de rfrence. Pour des carts suprieurs 4 cm, les traitements ne sont pas envisageables aux vues des images acquises, car elles sont totalement floues et prsentent un assombrissement trop important pour diffrencier des couleurs. La figure 3.10 prsente lvolution moyenne des composantes R, V et B fournies par la camra pour des avivs de couleur diffrente.
- 69 -
160 155 150 Valeur moyenne 145 140 135 130 125 120 115 110 -40 -20 0 20 40 Ecart de distance par rapport la position initiale en mm Signal R Signal V Signal B
Figure 3.10 : Variation de la moyenne des composantes R, V et B en fonction dun cart de position autour du point de rfrence
160 155 150 Valeur moyenne 145 140 135 130 125 120 115 110 -40 -20 0 20 40 Ecart de distance par rapport la position initiale en mm Signal R Signal V Signal B
Figure 3.11 : Reconstruction des niveaux colorimtriques partir des modles linaires A partir de ces rsultats, un modle linaire (quation 3.1) de correction pour chaque composante colorimtrique peut tre dfini en fonction de lcart de position par rapport la - 70 -
position de rfrence des pices de bois sur les convoyeurs. La figure 3.11 illustre les rsultats de la correction linaire mise en place.
X ref = X mes a.eref

o Xmes correspond aux composantes colorimtriques RVB mesures par le capteur, Xref correspond aux composantes colorimtriques RVB en position de rfrence, a est le coefficient directeur du modle linaire, eref est lcart entre la position de rfrence des avivs et la position de mesure.
(3.1)
Avant correction, nous constatons des variations denviron 25 niveaux pour des carts de distance de lordre de 40 mm (sur une chelle de 255 niveaux) Aprs reconstruction, il subsiste un cart type moyen de lordre de 0.5 sur les trois composantes. Cette correction sapplique facilement aux systmes de vision implmentant quatre capteurs (cas applicatif 1). Il est en effet possible de vrifier le positionnement du produit lors de son convoyage partir des capteurs de face afin de corriger linformation des rives. La position de rfrence des avivs est connue dans les images fournies par les capteurs des faces. Un dcalage des avivs dans limage, caractris par un nombre de pixels, signifie alors un cart de position par rapport la rfrence. Suivant la rsolution des capteurs, il est alors simple de calculer le paramtre eref (quation 3.1). Pour les systmes composs uniquement de deux capteurs, nous pouvons imaginer un systme dvaluation de la distance dbc partir de capteurs de position quils soient lasers ou ultrasons. Ainsi, la connaissance de la distance de rfrence entre le capteur et le bois permet de dfinir la valeur du paramtre eref (quation 3.1).
Vieillissement du systme dacquisition Solution palliative
Comme loeil humain, le systme dacquisition et plus particulirement lclairage est sujet un vieillissement constant. Afin de fiabiliser lacquisition dans le temps, le vieillissement des deux types dclairage cits a t contrl sur une priode 1200 heures environ. Les figures 3.12 et 3.13 prsentent les courbes dvolution de lintensit lumineuse transmise par les clairages. Lclairage fluorescent (figure 3.12) prsente non seulement une dcroissance moyenne de son intensit lumineuse au cours du temps, mais aussi, de nombreuses variations brutales. Elles sont essentiellement dues aux variations de temprature qui peuvent intervenir durant une journe de travail.
- 71 -
Les diodes blanches, quant elles, prsentent une intensit lumineuse quasi constante au cours du temps. Nous constatons galement quil nexiste pas de variations brutales dues aux changements de temprature. Ainsi, les diodes blanches rpondent en partie aux critres de stabilit du capteur et permettent de pallier les fluctuations rapides dintensit lumineuse.
2900 Intensit lumineuse (en lux) 2850 2800 2750 2700 2650 2600 2550 0 200 400 600 800 1000 1200 Temps coul (en heure)
Figure 3.12 : Evolution de lintensit lumineuse au cours du temps pour un clairage fluorescent
intensit lumineuse (en lux)
5150 5100 5050 5000 4950 4900 4850 4800 0 200 400 600 800 1000 1200 Temps coul (en heures)
Figure 3.13 : Evolution de lintensit lumineuse au cours du temps pour un clairage compos de diodes blanches
- 72 -
Afin de pallier le vieillissement prmatur des clairages, nous avons donc choisi dutiliser les diodes blanches, car fournissant une intensit lumineuse beaucoup plus stable dans le temps.
Influence de la variation de temprature ambiante Solution Palliative
Dans le contexte industriel de cette tude, les conditions dutilisation des systmes de vision dvelopps sont trs hostiles. En effet, ces systmes sont installs dans de grands btiments industriels lintrieur desquels les paramtres influents ne peuvent pas tre matriss (temprature, humidit, ). Par exemple, il nest pas envisageable de climatiser ces halls pour maintenir des tempratures constantes dutilisation. Le systme dacquisition doit donc supporter de fortes variations de tempratures : trs froid en hiver et trs chaud en t : la plage de variation de temprature stend de -5C +50C. Afin de choisir lclairage minimisant leffet de ces variations sur la reconnaissance des couleurs, des tests ont t mens partir dun lot reprsentatif de huits chantillons de bois (figure 3.14).
(de gauche droite : bois1/Brun Clair, bois2/Brun Fonc, bois3/ Rouge Fonc, bois4/Brun, bois5/Brun Fonc, bois6/Rouge Clair, bois7/Brun Fonc, bois8/Rouge)
Figure 3.14 : Photographie des huit pices de bois de rfrence Pour valuer la robustesse des clairages par rapport aux variations de temprature, nous avons choisi dexprimer la variation colorimtrique par la mtrique ERVB (quation 3.2) [SANG-98]. Cette mtrique tient compte des composantes colorimtriques R, V et B fournies par le capteur et dune rfrence noire reprsente par un triplet {R=0, V=0, B=0}. Il sagit donc de la distance Euclidienne entre le vecteur couleur [R,V,B] correspondant un chantillon de bois et la rfrence de noire.
ERVB = R 2 + V 2 + B 2
o R , V et B correspondent aux moyennes des composantes R, V et B.
(3.2)
Les figures 3.15 et 3.16 illustrent lvolution de cette mtrique pour chaque rfrence de bois en fonction de la temprature ambiante. Les tempratures dtude sont comprises entre 14.5C et 42C.
- 73 -
340,000 330,000 Mtrique DeltaE 320,000 310,000 300,000 290,000 280,000 10 15 20 25 30 35 40 45 Temprature ambiante (en C) Bois1 Bois2 Bois3 Bois4 Bois5 Bois6 Bois7 Bois8
Figure 3.15 : Evolution de la mtrique ERVB en fonction de la temprature - clairage fluorescent
350,000
340,000
Mtrique DeltaE
330,000
320,000
310,000
300,000
290,000 10 Bois1 15 Bois2 20 25 30 35 Temprature ambiante (en C) Bois3 Bois4 Bois5 Bois6 40 45 Bois7 Bois8
Figure 3.16 : Evolution de la mtrique ERVB en fonction de la temprature - clairage diodes
- 74 -
Plusieurs conclusions peuvent tre tires de ces exprimentations. Tout dabord, quelle que soit la couleur du bois, les variations de la mtrique sont quivalentes en fonction de la temprature ambiante et cela pour les deux types dclairage. Dans un deuxime temps, lclairage fluorescent prsente une dcroissance de ERVB de lordre de 10 niveaux alors quelle est seulement de 5 niveaux pour lclairage diodes. Cette variation peut avoir des consquences nfastes quant la classification des diffrentes couleurs. En effet, les couleurs reconnatre sont dfinies pralablement par lutilisateur du systme de vision. Si cet apprentissage est fait au moment de linstallation du systme de vision par une temprature denviron 30C, lorsque la temprature ambiante descend aux alentours de 10C, des confusions de teinte entre du Rouge et du Brun sont possibles. Pour exemple, la pice Bois8 (rouge) se voit confondue avec la pice Bois1 (brune) si la temprature passe de 30C 20C pour un clairage fluorescent. Au vu des rsultats prsents, le choix des diodes blanches est confirm. En effet, en plus dune faible variation de lintensit lumineuse en fonction du temps, ces diodes prsentent une faible variation de la discrimination des couleurs en fonction de la temprature ambiante dutilisation. La rfrence de ces diodes blanches ne sont pas donnes pour des raisons de confidentialit.
3.1.3. Correction des donnes fournies par le capteur

Malgr un choix judicieux du systme dclairage, limitant ainsi les variations des signaux fournis par le capteur, il reste des problmes qui ne peuvent pas tre pallis. Afin dassigner une couleur stable un objet malgr les variations spectrales de lclairage utilis, nous pouvons employer des techniques de corrections chromatiques [MALO-86]. Un homme possde une certaine facult adapter son jugement aux conditions dillumination dune scne, chose qui ne parat pas vident intgrer au sein dun systme de vision. Sorienter vers le dveloppement dun capteur intelligent consiste aussi intgrer au mieux cette capacit dadaptation vis--vis de facteurs perturbateurs (fatigue, baisse de la luminosit, ). Classiquement, la caractrisation de la couleur dun objet dpend des signaux fournis par le systme (camra couleur et clairage dans notre cas), de la rflectivit spectrale de lobjet observ et de la gomtrie de lobjet [HEAL-92]. Dans la prsente tude, la gomtrie est connue, ce qui enlve une dimension au problme de correction chromatique des signaux. Comme montr dans la section 3.1.2., les signaux fournis par le systme dacquisition sont soumis de nombreuses perturbations. Il faut cependant diffrencier les variations courts termes (variation de la temprature ambiante, perturbations lectriques et/ou lectroniques) des variations longs termes (vieillissement du systme, accumulation de poussire). Afin dattnuer au mieux ces perturbations, il semble prfrable de corriger directement les signaux de la camra par rapport aux conditions dacquisition plutt que desprer trouver le systme dacquisition parfait . Bien entendu, le choix des composants du systme reste important afin de limiter au maximum les variations envisageables.
- 75 -
De nombreuses techniques de correction sont recenses dans la littrature. Barnard et al. ralisent une comparaison de cinq dentre elles [BARN-02]. Les mthodes de correction par niveaux de gris : ces techniques supposent que la rflectivit moyenne des objets observs est connue et peut tre assimile un niveau de gris. Les mthodes bases sur lestimation de la couleur de lilluminant : ces techniques cherchent modliser la couleur de lilluminant par un triplet {R,V,B} partir de la rponse maximale de chaque canal fourni par la camra. Linconvnient de telles mthodes tiennent dans la rflectivit de lobjet. Si celui-ci est trs spculaire, cest--dire assimilable un miroir, la rflectivit maximale est plus grande que la couleur blanche ({255,255,255}). Au contraire, si lobjet est trop mat, la rflectivit maximale sera infrieure la couleur blanche. Ainsi, lchelle de discrimination des couleurs sera rduite. Les mthodes dites de mappage par gamme couleur : ces techniques supposent une connaissance de lensemble des triplets {R,V,B} pouvant tre mesurs sur les objets partir dun clairage connu. Il faut ensuite valuer les mmes triplets sous un clairage diffrent inconnu et dterminer la transformation permettant le passage dun univers lautre. Ces techniques sont souvent ralises partir dune interpolation triangulaire des donnes acquises. Les mthodes par corrlation : ces techniques implmentent une matrice de corrlation entre les coordonnes R et V du repre colorimtrique RVB. Elle dcrit la compatibilit des sources de lumire par rapport aux images couleur traiter. En fait, chaque ligne de la matrice correspond une source de lumire et chaque colonne correspond au niveau chromatique associ la discrtisation de lespace R-V. La correction se dcompose en plusieurs tapes. Tout dabord, cette matrice est multiplie par un vecteur constitu des composantes R et V de limage. Il est alors possible de dterminer lilluminant adapt aux conditions dacquisition (estimation du maximum de vraisemblance). Une fois lilluminant dtermin, il suffit ensuite de corriger les donnes en fonction de la ligne correspondant cet illuminant dans la matrice de corrlation. Les mthodes par rseaux de neurones : ces techniques permettent dvaluer la chromaticit dune image par rapport un clairage donn. Elles consistent utiliser un rseau de neurones compos de deux couches caches. Les entres reprsentent une discrtisation du plan chromatique R-V. Ce rseau de neurones propose deux sorties relles qui correspondent alors lestimation de la chromaticit.
A partir de cet tat de lart, Barnard et al. ne se prononce pas sur le choix dune mthode particulire. En effet, chacune dentre elles semble possder ses propres avantages suivant les cas dutilisation.
- 76 -
Une mthode pourtant semble tre adapte notre problme. Marszalec et Pietikinen prsente une approche de correction chromatique partir de lestimation dun modle de la camra et dun algorithme de constance de couleurs [MARS-96]. Cette mthode se dcompose en deux phases. Tout dabord, la phase dite hors ligne consiste rgler le capteur lui-mme. Ensuite, la phase en ligne se dcline de deux manires : soit par lvaluation des rflectivits spectrales dun objet par rapport un illuminant inconnu ; soit par lvaluation dune matrice de transformation des signaux du capteur partir de couleurs de rfrences.
Dans les deux cas, la correction intervient au niveau dun changement de repre colorimtrique bas sur le passage du repre RVB au repre XYZ dfini par la CIE. La figure 3.17 illustre le fonctionnement gnral de ces mthodes de correction.
Figure 3.17 : Mthodologie de correction chromatique La grande diffrence entre ces techniques concerne les pr-requis. Dans le premier cas, il faut disposer dun modle des sensibilits spectrales de la camra, dun clairage uniforme, et dun jeu de couleurs rfrences dont les spectres sont connus. Dans le deuxime cas, seul un jeu de couleurs rfrences est ncessaire. Il est cependant plus important que pour la premire mthode. Lalgorithme que nous prsentons ci-dessous permet de corriger les ventuelles variations au sein du systme dacquisition qui peuvent subsister malgr lutilisation dun clairage diodes. Il se base uniquement sur lutilisation dun jeu de couleurs rfrences sans aucune connaissance a priori des sensibilits spectrales de la camra.
- 77 -
Algorithme de correction
Une fois la camra talonne, les triplets {R,V,B} de plusieurs rfrences couleur sont mesurs. Ces valeurs sont ensuite converties dans le repre colorimtrique XYZ partir dune transformation linaire qui est caractrise par la matrice M T0 de dimensions (3 x 3) (quation 3.3). Ces calculs sont effectus durant linstallation du systme avant la phase dapprentissage des couleurs reconnatre. La matrice M T0 est donc unique lors de linitialisation du systme dacquisition.
X R Y = M . V T0 Z B
(3.3)
Une matrice de rfrence M Ref ( XYZ) est donc obtenue partir des valeurs calcules (quation 3.4), n correspondant au nombre de rfrences couleur pralablement choisies.
M Ref ( XYZ)
X1 = Y1 Z1
X2 Y2 Z2
... X n ... Yn ... Z n
(3.4)
A partir de celle-ci et de lacquisition de triplets {R,V,B} des rfrences un instant t, il est possible de dfinir une transformation polynomiale permettant la correction des signaux fournis par le capteur (quation 3.5).
M Ref ( XYZ ) = M T .M Ref ( RVB) t11 t12 M T = t21 t22 t31 t32
... t1k ... t2 k ... t3k
(3.5) (3.6)
M Ref ( RVB)
m11 m = 12 ... m1k
m21 m22 ... m2 k
... mn1 ... mn 2 ... ... ... mnk
(3.7)
o la matrice M T est une matrice (3 x k) des coefficients du polynme (quation 3.6) ;
- 78 -
la matrice M Ref ( RVB) est une matrice (k x n) calcule partir des composantes R, V et B de chaque rfrence couleur obtenue par la camra un instant t (quation 3.7), mi1 = Ri , mi 2 = Vi , mi 3 = Bi , mi 4 = Ri .Vi , mi 5 = Ri .Bi , mi 6 = Vi .Bi correspondant au modle de rgression choisi. La correction couleur est ensuite ralise partir des valeurs R, V et B (vecteur M Obj( RVB) ) mesures sur lobjet caractriser (quation 3.8) afin dobtenir les valeurs corriges dans lespace colorimtrique XYZ (vecteur M Obj( XYZ) ).
M Obj ( XYZ ) = M T .M Obj( RVB)
(3.8)
La matrice M T dite non constante remplace alors la matrice M T0 dite constante dans la conversion du repre RVB au repre XYZ. Il faut noter que le choix du degr du polynme est contraint par la prcision souhaite, le temps de traitement (aspect temps-rel des contrles qualit prsents) et le cot des erreurs.
Rsultats de la correction
Afin de corriger les aberrations chromatiques et dintensit lumineuse des systmes dacquisition utiliss, quatorze rfrences de couleur ont t choisies, proches des couleurs de bois classer (figure 3.18). Ces rfrences proviennent du nuancier NCS (Natural Color System) qui regroupe une palette de 1950 couleurs [NCS] [SIVI-94]. La figure 3.18 prsente les images des rfrences aux instants t0 (rglage du systme), t1 (aprs trois mois dutilisation) et t2 (aprs quatre mois dutilisation). La correction applique est base sur lutilisation dun polynme de degr 2 et la moyenne des composantes R, V et B de chaque rfrence. Pour valuer lefficacit de la correction, lerreur quadratique moyenne normalise (EQMN) a t calcule pour les diffrents instants par rapport la rfrence linstant t0. Le tableau 3.1 prsente les EQMN avant et aprs correction.
Tableau 3.1 : Erreur quadratique moyenne normalise avant et aprs correction sur les rfrences couleur
Avant correction 16.80 203.03 Aprs correction 0.09 0.06
Instant t1 Instant t2
- 79 -
Instant t0
Rfrence couleur
Avant correction Instant t1
Aprs correction
Avant correction Instant t2
Aprs correction
Figure 3.18 : Images des rfrences couleur aux diffrents instants t0, t1 et t2 avant et aprs correction Les EQMN obtenues aprs correction prouvent quune telle correction est approprie aux variations pouvant intervenir aux niveaux des mesures de notre systme dacquisition. Il faut noter que le calcul des matrices de transformation nest pas effectu en ligne au cours de la production. Pour un gain de temps, les calculs se font hors ligne et sont implants en ligne sous la forme dune LUT (Look-Up Table). Cette LUT value directement, lors de lacquisition de chaque pixel, les valeurs L, a et b associes aux valeurs R, V et B fournies par le capteur. Aprs un suivi mensuel de ltat du systme dacquisition utilis dans le cas applicatif 1, il est raisonnable denvisager une telle correction une fois par trimestre afin de prendre en compte essentiellement les variations saisonnires de temprature. La fiabilisation et la stabilisation du systme dacquisition sont des points essentiels dans le dveloppement du capteur intelligent. Le choix des composants (camras et clairages) ainsi que limplmentation dune mthode de correction permet dadapter le capteur lui-mme notre problme didentification des couleurs sur des avivs.
- 80 -
3.2. Modlisation de la mesure Dfinition du vecteur caractristique

A ce stade du dveloppement de notre capteur flou, nous abordons la partie conversion des mesures fournies par le capteur en mesures fonctionnelles qui ont pour rle de caractriser le plus fidlement possible la couleur. Pour faire le parallle avec la chane classique de traitement dimages nonce dans le chapitre 2, la dfinition du vecteur caractristique est indispensable avant daborder la classification. Ce vecteur reprsente en fait les attributs inhrents au problme vis. Dans le cadre de cette tude, il est intressant de choisir les caractristiques en fonction de leur pouvoir discriminant pour les diffrentes classes de couleur identifier. En rfrence la structure dun capteur intelligent, nous exposons, dans une premire partie, le choix dun repre colorimtrique adapt aux cas abords. Ensuite, nous exposons llaboration du vecteur caractristique partir des donnes statistiques de la couleur et des donnes spatiales contenues dans les images traites.
3.2.1. Configuration fonctionnelle : choix du repre colorimtrique

Afin dadapter notre capteur au problme de reconnaissance des couleurs, il est ncessaire de spcifier le repre colorimtrique dans lequel sont valus les composantes du vecteur caractristique. Le repre colorimtrique utilis doit tre le plus uniforme possible afin que les variations de couleur soient caractrisables de la mme manire pour diffrentes couleurs. La CIE prconise de ne pas utiliser les repres RVB ou XYZ pour diffrentes raisons : les composantes colorimtriques de ces repres ne sont pas indpendantes (voir Annexe A.1), les notions de chrominance et de luminance ne sont donc pas spares ; le repre RVB nest pas linaire et ne permet donc pas dutiliser des critres de distance pour diffrencier les couleurs.
Ainsi, il est important de choisir le repre colorimtrique pour son pouvoir discriminant sur les classes qui doivent tre diffrencies. Les repres retenus pour notre tude sont les repres CIE Lab, CIE Luv, TLS (Teinte, Luminance, Saturation). Les deux premiers espaces (classiquement utilis dans des applications industrielles [POIN-81]) ont t dvelopps par la CIE et possdent lavantage dtre indpendants des systmes dacquisition. Par ailleurs, ils sont uniformes, cest--dire que des couleurs similaires pour un individu sont trs proches dans lespace de reprsentation, ce qui facilite lintgration de la perception humaine des couleurs. En ce qui concerne le repre TLS (ou HLS : Hue-Luminance-Saturation en anglais), il faut noter quil est trs largement utilis en traitement dimages couleurs [SHIH-95]. Seuls les repres TLS et CIE Lab sont prsents, lespace CIE Luv tant trs similaire lespace CIE Lab.
- 81 -
Repre colorimtrique TLS
Le repre TLS est un espace couleur dfini en coordonnes cylindriques. Ces composantes sont dtermines partir des composantes R, V et B. La luminance (composante L reprsentant laxe achromatique) est classiquement calcule partir de la moyenne des composantes R, V et B (quation 3.9).
L=
R +V + B 3
(3.9)
La teinte dune couleur (composante T) reprsente langle entre le vecteur de cette couleur et le vecteur de la couleur rouge [GONZ-02] (quation 3.10).
R 1 V 1 B 2 2 2 arccos si B > V 2 2 2 R + V + B + R.V + R.B + V .B T = R 1 V 1 B 2 2 sinon arccos R 2 + V 2 + B 2 R.V R.B V .B
(3.10)
La saturation (composante S) permet de dfinir la puret dune couleur et correspond au module du vecteur chrominance. Les couleurs se trouvant loin de laxe achromatique tant dites pures. Lquation 3.11 permet dvaluer cette composante.
S=
2 . ( R 2 + V 2 + B 2 R.V R.B V .B ) 3 2 2 2.sin T 3
(3.11)
La figure 3.19 illustre la forme en double cne du repre colorimtrique TLS.
- 82 -
Figure 3.19 : Repre colorimtrique TLS

Repre colorimtrique CIE Lab
Le repre CIE Lab est un repre dont les composantes sont galement dtermines partir des composantes R, V et B. Cependant, ce changement de repre ncessite lintgration des caractristiques du systme dacquisition par le passage pralable dans le repre colorimtrique XYZ. La conversion dans le repre XYZ se fait classiquement par une transformation linaire de lespace RVB (quation 3.3). Le choix de la matrice de conversion M T0 se fait essentiellement suivant les caractristiques de lilluminant (lumire du soleil, lumire du jour, rfrences prdfinies, ) et quatre rfrences de couleur (les primaires pures R, V et B, et une rfrence de blanc). Notre choix sest port sur la rfrence de blanc D65 qui est utilise dans le standard Rec. 709 [POYN-97]. En effet, lilluminant de lumire du jour D65 de la CIE a une temprature de couleur dapproximativement 6504 Kelvins, et correspond la temprature de couleur des diodes blanches utilises dans notre systme dacquisition (temprature gale 6500 Kelvins environ). La matrice de transformation M T0 est la suivante (quation 3.12).
0.412453 0357580 0.180423 M T0 = 0.212671 0.715160 0.072169 0.019334 0.119193 0.950227
(3.12)
Les coordonnes L, a et b permettent de reprsenter la luminance (composante L axe achromatique) et la chrominance (composantes a et b axes chromatiques). Plus particulirement, la composante a exprime la sensation rouge-verte des couleurs, alors que la composante b exprime la sensation jaune-bleue (figure 3.20). Ces composantes sont calcules daprs les quations 3.13-3.16 suivantes.
- 83 -
1 Y 3 Y 116* > 0.008856 16 si Yblanc Yblanc L= Y sinon 903.3* Y blanc
(3.13)
X a = 500* f X blanc
b = 200* f Y Yblanc
Y f Yblanc
Z f Z blanc
(3.14)
(3.15)
13 > 0.008856 X si blanc f = blanc 7.787 * + 16 sinon blanc 116

o correspond aux composantes X, Y et Z ;
(3.16)
X blanc , Yblanc , Z blanc reprsentent les valeurs X, Y et Z de la rfrence de blanc obtenues partir de lquation 3.2 pour le triplet {R,V,B} valant {255,255,255} si les composantes sont chantillonnes entre 0 et 255.
- 84 -
Figure 3.20 : Repre colorimtrique CIE Lab
Validation du choix du repre colorimtrique
Le choix du repre colorimtrique est un aspect crucial dans notre tude. En effet, les couleurs qui doivent tre distingues par le systme de vision sont trs difficiles diffrencier par un il non expert . Il faut donc choisir le repre colorimtrique qui met le mieux en vidences ces diffrences. Ce choix a t ralis par lanalyse de linertie intraclasse et de linertie interclasse (quations 3.17 et 3.18) dun lot de donnes pralablement acquis dans le cas applicatif 1. Ces mesures permettent dvaluer lhomognit dune classe par rapport aux autres classes. Les chantillons pralablement tiquets par un expert, le repre retenu sera galement celui qui est le plus en adquation avec la perception humaine des couleurs distinguer.
I intraclasse 1 = N
( d ( X
k =1 i =1 eucl
nk
ki
, CGk ) )
(3.17)
2
I interclasse =
1 N
n .( d ( CG
k =1 k eucl
, CGk ) )
(3.18)
o N reprsente le nombre total de points ; nk le nombre de points par classe ; K le nombre de classe ; CGN le centre de gravit de lensemble des points ; CGk le centre de gravit pour la classe k ; deucl(X,Y) la distance euclidienne entre les vecteurs X et Y ; Xki le ime point de la classe k.
- 85 -
La figure 3.21 illustre les inerties interclasses et intraclasses pour les diffrents repres colorimtriques. Les critres de slection consistent choisir le repre qui maximise linertie interclasse et qui minimise linertie intraclasse. Les rsultats montrent que le repre CIE Lab fournit la meilleure discrimination des diffrentes classes de couleur reconnatre dans les applications vises. Cependant, il subsiste un problme li lutilisation de ce repre. En effet, le passage des composantes R, V et B au repre CIE Lab est coteux en temps de calcul cause de lvaluation de la racine cubique. Pour soulager le systme dune telle conversion en temps-rel, nous avons choisi dappliquer la transformation pour chaque triplet {R,V,B} laide dune table de transfert (LUT) prcalcule. La conversion se fait alors par une simple indexation dun tableau trois dimensions.
CIE Lab Repre colorimtrique
CIE Luv
TLS
XYZ
RVB
0,02
0,04
0,06
0,08 inertie
0,1
0,12
0,14
0,16
Inertie interclasse
Inertie intraclasse
Figure 3.21 : Variation des coefficients dinerties intra et interclasse pour 5 repres colorimtriques Le choix du repre colorimtrique dfinit lespace dans lequel chaque pixel extrait des images est reprsent. Seulement, la caractrisation des couleurs par un tre humain ne se fait pas lchelle du pixel mais plutt par zone. Avant de dfinir des paramtres permettant la reconnaissance des couleurs, il faut donc spcifier ces zones sur les images acquises dans les diffrents cas applicatifs.
- 86 -
3.2.2. Spcification des zones dintrts (ROI)

Suivant les cas applicatifs, la caractrisation de la couleur sur les images se fait de diffrentes manires. Comme nous avons pu le dire, nous ne cherchons pas identifier la couleur de chaque pixel des images, mais plutt celle des zones. Dans le cas applicatif 1, le systme de vision sintgre une ligne de trononnage. Les avivs scanns mesurent en gnral 3 4 mtres de long. Le but des traitements effectus par le systme sont multiples : purge totale des singularits et classification colorimtrique des parties dites saines (bois sans singularit). Au niveau du processus didentification de la couleur, nous choisissons donc de travailler partir de zones dintrt (ROI) bases sur la finalit du procd industriel. En effet, pour dfinir la taille des ROI (figure 3.22), nous avons pris en compte le cahier des charges du client en terme de longueur minimale des produits trononns.
R.1 R.2 R.3 R.4 R.5 R.6 R.7
Figure 3.22 : Reprsentation des 7 ROI sur une image tire du cas applicatif 1 Sur la figure 3.22, les ROI dfinies sur les images mesures 150 pixels dans la longueur des avivs, ce qui correspond environ 225 mm de bois. Cette taille minimale a galement t valide partir des taux de reconnaissance obtenus en fonction de la taille des ROI (tableau 3.2). Tableau 3.2 : Taux de reconnaissance en fonction de la taille des ROI Cas applicatif 1
Taille des ROI (en pixel) Taux de reconnaissance 50 77.83% 100 81.02% 150 83.10% 200 83.10% 300 83.10%
A partir du tableau 3.2, pour des tailles de ROI infrieure 150 pixels, les taux de reconnaissance diminuent. Cela peut sexpliquer assez simplement, puisque, sur des petites zones, la perception de la couleur est plus sensible la prsence dun effet textur (grain du bois). Plus le fentrage est grand, plus cette information est lisse par la quantit dinformations prsentes. Nous pouvons galement noter que les taux de reconnaissance sont
- 87 -
les mmes si la taille des ROI est suprieure ou gale 150 pixels. Notre choix a donc t spcifi partir des besoins clients (taille minimale des produits trononns). Dans le cas applicatif 2, le systme de vision sintgre dans une ligne de tri o ces produits sont tous de longueur fixe et doivent tre tris suivant leur couleur globale. De ce fait, nous avons choisi dutiliser lensemble des pixels reprsentant une planche de bois pour effectuer la caractrisation des couleurs. L encore, nous nous attachons respecter les desiderata du client.
3.2.3. Aspect statistique de la couleur

La caractrisation de la couleur est fortement lie aux besoins du systme de vision et au cahier des charges du client. Dans les trois cas applicatifs les couleurs distinguer ne prsentent pas forcment des diffrences flagrantes. La figure 3.23 prsente quelques images davivs de diffrentes couleurs et provenant du cas applicatif 2. Il ne sagit pas l de toutes les couleurs discerner mais plutt dun panel permettant dapprcier la difficult classer les avivs. De plus, la notion de couleur au sens du client, peut ne pas tre uniquement lie la notion de couleur pour un expert vision. En effet, il peut introduire des notions de texture lies la rpartition des couleurs au sein dune mme pice de bois (homognit par exemple). La caractrisation la plus simple des couleurs identifier utilise les histogrammes des composantes colorimtriques, quils soient une, deux ou trois dimensions. Mais, pour rduire la complexit des donnes traiter, il est intressant de rduire la quantit dinformations par le calcul de proprits lies ces histogrammes. Le choix du repre colorimtrique CIE Lab nous permet de garder indpendantes les notions de chrominance et de luminance. Nous choisissons donc lutilisation des histogrammes de chaque composante colorimtrique afin dvaluer ces proprits. Cependant, dans une telle reprsentation la notion de chrominance se trouve dcompose car les composantes a et b du repre CIE Lab contiennent toute linformation de teinte h (quation 3.19) et de chroma C (quation 3.20). Nous avons donc choisi dvaluer la couleur partir des composantes L, a, b, h et C. Lutilisation conjointe des composantes a, b et h peut paratre redondante. En fait, la composante h permet de dfinir une notion de teinte directement interprtable par un Homme, alors que les composantes a et b illustrent plus la proportion des couleurs reprsentes par ces axes (axe vert-rouge pour la composante a, axe bleu-jaune pour la composante b).
b h = arctan a
C = a 2 + b2
(3.19) (3.20)
- 88 -
Chne rouge
Cerisier
Erable
Figure 3.23 : Avivs de 6 diffrentes couleurs pour plusieurs essences (liste non exhaustive) Cas applicatif 2 La figure 3.24 illustre un exemple dhistogrammes normaliss de chacune des composantes calcules pour une pice de chne rouge de couleur rouge clair.
- 89 -
0.06
0.2 0.18
0.05
0.16 0.14 0.12
0.04
0.03
0.1 0.08
0.02
0.06 0.04 0.02
0.01
10
20
30
40 50 60 Composante L
70
80
90
100
0 -150
-100
-50
0 Composante a
50
100
150
(a)
0.18 0.16 0.14 0.12 0.25 0.1 0.2 0.08 0.15 0.06 0.04 0.02 0 -150 0.1 0.05 0 -2 0.4 0.35 0.3
(b)
-100
-50
0 Composante b
50
100
150
-1.5
-1
-0.5
0 0.5 Composante h
1.5
(c)
0.25
(d)
0.2
0.15
0.1
0.05
50
100
150 200 250 Composante C
300
350
400
(e)
(f)
Figure 3.24 : Histogrammes normaliss des composantes L (a), a (b), b (c), h (d) et C (e) dun aviv de chne rouge de couleur rouge clair (f) Cas applicatif 1
- 90 -
Les techniques de caractrisation de la couleur reprennent classiquement le calcul des moments dordre infrieur (0 et 1) des diffrents canaux colorimtriques [HANB-02] [SATH01] [DAUL-00] (section 2.2.3.). Nous avons retenu ces paramtres mais galement dautres, plus complexes, extraits des histogrammes afin de pouvoir construire le vecteur caractristique le plus complet possible. Il est noter que chacun des paramtres calculs reste interprtable par rapport aux raisonnements humains, car nous souhaitons garder cette proprit dans le dveloppement du capteur flou.
Prsentation des caractristiques extraites des histogrammes 1D
Lensemble des moments statistiques permet de dfinir entirement linformation contenue dans un histogramme. En fonction des dtails souhaits sur la rpartition des couleurs, il est possible dapproximer les histogrammes de chaque composante par un nombre fini de ces moments. Le calcul des quatre premiers moments (quations 3.21 et 3.22) a t effectus sur les histogrammes. Le vecteur ainsi gnr est compos au total de 20 paramtres. Nous avons galement dtermin lentropie de Shannon (quation 3.23) et lhomognit (quation 3.24) des histogrammes afin de complter ce vecteur car ces paramtres correspondent des notions que le client peut utiliser afin de dfinir une couleur (notion de couleur et de texture au sens vision). Lentropie de Shannon permet de dterminer la quantit dinformation moyenne de chaque tat de lhistogramme et den mesurer une incertitude ; sa valeur sera maximale si chaque tat est caractris par la mme quantit dinformations. Lhomognit doit permettre, quant elle, dvaluer les fluctuations de chaque composante sur les images. Ainsi, le vecteur caractristique initial Vinitial est constitu de 30 attributs dfinissant la rpartition statistique des couleurs au sein des images traites.
m1, X
i.h ( i ) = h (i )
X i X i
1
(3.21)
mk , X
( i m )k .h ( i ) k X 1, X i = hX ( i ) i
i
(3.22)
entropieX = hX ( i ) .log 2 ( hX ( i ) )
homognit X =
i
(3.23) (3.24)
hX ( i ) i
- 91 -
o m1, X correspond au premier moment ; mk , X correspond au kime moment (avec k = {2,3, 4} ) ;

hX ( i ) correspond la valeur de lhistogramme de la composante X ( X = { L, a, b, h, C} ).
Le tableau 3.3 prsente les vecteurs caractristiques de six avivs de chne rouge de couleur diffrente tirs dune base de donnes industrielle en rapport avec le cas applicatif 1. Nous pouvons constater, par exemple, au vue de la plage de variation des paramtres associs la composante h (de lordre de 10-2 voire 10-3), que cette composante ne semble pas tre trs discriminante. Tableau 3.3 : Vecteur caractristique de six avivs de chne rouge de couleur diffrente
Caractristique Composante L a b h C L a b h C L a b h C L a b h C L a b h C L a b h C Brun Fonc 70.9971 5.6969 17.6851 0.8246 198.1261 4.1710 3.8401 3.2811 0.0197 3.6649 3.5696 6.3457 1.0890 0.0255 3.8537 8.6842 10.0383 6.1180 0.0424 7.6248 5.1349 3.4589 3.6342 2.3595 3.1202 0.0141 0.2046 0.0590 1.2134 0.0050 Brun 75.1458 5.9088 17.4299 0.8228 198.0800 4.7728 4.0317 3.8820 0.0217 4.0818 5.2956 6.1903 0.9710 0.0239 4.2223 9.0823 9.9836 7.2578 0.0432 8.0779 5.3689 3.5536 3.8525 2.5444 3.2775 0.0134 0.1849 0.0602 1.2162 0.0051 Couleur des avivs Brun Rouge Clair Fonc 77.0475 70.5316 5.2003 7.2150 17.1814 17.5340 0.8248 0.8181 197.3814 199.0929 4.0094 4.2187 4.2555 3.8254 3.4767 3.3024 0.0216 0.0194 3.9130 3.7010 5.7058 2.3295 7.4878 6.0972 3.4755 2.1452 0.0262 0.0226 5.6861 4.0606 9.1630 9.0033 11.6588 9.7210 7.6558 5.9142 0.0472 0.0397 9.2240 7.5521 4.9023 4.9972 3.2759 3.4861 3.5170 3.6843 2.3011 2.4044 2.8978 3.1415 0.0130 0.0142 0.2208 0.1513 0.0602 0.0592 1.2133 1.2230 0.0051 0.0050 Rouge 73.3545 7.6307 17.5682 0.8166 199.4224 3.9954 3.9726 2.8668 0.0192 3.5022 4.9953 7.0453 2.6811 0.0271 4.9773 8.7814 11.0499 6.3728 0.0436 8.6335 4.9782 3.1214 3.2961 2.1245 2.6780 0.0137 0.1399 0.0576 1.2253 0.0050 Rouge Clair 76.7432 5.9265 17.2395 0.8221 197.9538 4.6233 4.2529 3.8925 0.0229 4.0857 5.9176 6.4688 3.0368 0.0237 4.5299 9.5633 10.8566 7.8081 0.0475 8.7551 5.2924 3.5288 3.7948 2.5407 3.1873 0.0131 0.1883 0.0604 1.2174 0.0051
Premier moment
Deuxime moment
Troisime moment
Quatrime moment
Entropie
Homognit
- 92 -
A partir de tels vecteurs caractristiques, il est difficile de choisir les seuls attributs utiles la discrimination des diffrentes couleurs. Il est donc ncessaire danalyser ces vecteurs caractristiques afin den rduire la dimension. En fait, par cette rduction, nous voulons conserver un systme taille humaine en termes dinterprtabilit. De plus, le systme dvelopp doit fonctionner en temps-rel ce qui impose des contraintes de taille et de temps de traitement.
Rduction de la dimension du vecteur caractristique
Pour rpondre aux contraintes du systme de vision (aspect temps-rel des traitements et interprtabilit des rsultats), nous avons donc choisi de rduire la dimension du vecteur caractristique. Pour dterminer le nombre utile de paramtres pour la discrimination des couleurs, nous utilisons une analyse en composantes principales (ACP). La base de donnes servant cette analyse est compose de 943 chantillons de chne rouge, du cas applicatif 1, rpartis en six classes de couleur. Cette base de donnes est nomme Base_Couleur_1 (Sa composition est donne dans la section 4.2.). La figure 3.25 illustre la courbe de dcroissance de linertie en fonction du nombre de paramtres considrs. Gnralement, si un point dinflexion apparat sur le graphe, celui-ci marque la limite entre le nombre de paramtres significatifs et le nombre de paramtres non pertinents. Daprs les rsultats de cette ACP, nous dcidons de ne retenir que 4 ou 5 paramtres pour diffrencier les classes de sortie.
12
10
8 % d'inertie
10
15 Numro d'axe
20
25
30
Figure 3.25 : Courbe de dcroissance de linertie restitue par chaque axe Cependant, lACP ne permet pas de dterminer quels sont les n paramtres utiles. Il est donc ncessaire dappliquer un algorithme de slection dattributs afin de les identifier. Pour
- 93 -
effectuer cette slection, notre choix sest port sur un algorithme adaptatif de mise lchelle de lespace de paramtres utilis dans un algorithme SVM (Support Vector Machine) [GRAND-02]. Le principe dvaluation de limportance des paramtres est bas sur le calcul de linertie moyenne de chaque paramtre par rapport un lot de donnes. Plus cette valeur est grande, plus le paramtre est pertinent pour distinguer les diffrentes classes qui composent le lot de donnes. Cet algorithme a t implment dans une bote outils Matlab dont nous nous sommes servis pour effectuer les tests [SVM]. Il existe cependant dautres mthodes de slection de paramtres bases, par exemple, sur lutilisation de treillis associs lintgrale de Choquet [MAZA-07a], mais lexistence et la simplicit de cette bote outils de Matlab ont t des points cls de notre choix. Les rsultats obtenus sur le lot de donnes fournissent les valeurs dinertie de chaque paramtre par rapport la discrimination des diffrentes classes de sortie (figure 3.25). Le graphique de la figure 3.26 prsente en abscisse les diffrents paramtres constituant le vecteur caractristique dans lordre du tableau 3.3 : labscisse 1 correspondant au paramtre m1,L, labscisse 2 correspondant au paramtre m1,a, , labscisse 30 correspondant au paramtre homognitC. Afin de valider la slection des paramtres, une classification sur ce mme lot a t ralise laide du classificateur FRC dont le principe est dtaill dans le chapitre 4. Nous ralisons alors une validation du systme de reconnaissance par la finalit partir dun bouclage sur le taux de reconnaissance. Seuls les rsultats obtenus avec les meilleurs rglages sont prsents ici. Le tableau 3.4 rsume les rsultats obtenus partir de plusieurs vecteurs caractristiques. Ces vecteurs caractristiques, construit partir des rsultats de la phase de slection des attributs (quations 3.25 3.29), sont compars un vecteur uniquement compos des premiers moments des composantes L, a et b (quation 3.30). Celui-ci correspond en fait aux donnes actuellement extraites dans le systme industriel en place. Les paramtres constituant ces vecteurs sont choisis en fonction de leur inertie moyenne. Nous prenons tout dabord les deux plus grandes valeurs et nous ajoutons ensuite les valeurs juste infrieures celles-ci.
- 94 -
16 14 12 10 8 6 4 2 0
inertie moyenne du paramtre
10
15 20 numro du paramtre
25
30
Figure 3.26 : Inertie moyenne de chaque paramtre pour la discrimination des classes
m1, L V1 = homognitL
(3.25)
m1, L V2 = m1, a homognit L

m1, L m1, a V4 = m1,b homognitL homognit h
(3.26)
m1, L m1,a V3 = m 1,b homognit L m1, L m1, a m V5 = 1,b homognitL homognith homognit C
(3.27)
(3.28)
(3.29)
m1, L V6 = m1,a m 1,b
(3.30)
- 95 -
Tableau 3.4 : Taux de reconnaissance pour diffrents vecteurs caractristiques

Vecteurs caractristiques Taux de reconnaissance en apprentissage Taux de reconnaissance en gnralisation
V1
58.54% 55.62%
V2
86.08% 82.87%
V3
89.24% 83.53%
V4
89.57% 84.37%
V5
90.19% 83.21%
V6
87.65% 79.58%
En analysant les rsultats du tableau 3.4, le vecteur V4 fournit le meilleur taux de reconnaissance en gnralisation. Il faut noter quen ajoutant deux paramtres lis lhomognit des couleurs au vecteur V6 le taux de reconnaissance augmente denviron 5%. Enfin, nous constatons que les moments dordre suprieur 1 sont inutiles pour diffrencier les diffrentes couleurs (la valeur moyenne de linertie de ces paramtres est quasiment nulle). Ces conclusions ne sont pas influences par le choix de la mthode de classification. En effet, des rsultats similaires ont t obtenus en utilisant lalgorithme des k plus proches voisins (Annexe B.2).
3.2.4. Rpartition spatiale de la couleur

Comme nous avons pu le voir dans ltat de lart des systmes de vision employ dans le domaine du bois (section 2.1.2.), lanalyse de la texture permet classiquement de diffrencier des avivs suivant leur mode de dbit dans une grume (dosse, quartier, faux-quartier, cur). Dans notre cas, nous ne cherchons pas classer les images suivant la texture, mais au contraire, nous voulons nous servir de linformation pouvant tre contenue dans la texture afin damliorer la classification colorimtrique des produits. En effet, il est trs difficile de faire abstraction de la rpartition spatiale de linformation couleur lorsquil sagit de classer un produit. La figure 3.27 illustre parfaitement cette subjectivit de la perception humaine. Avant que les avivs (1) et (2) ne soient permuts, les deux sont initialement identifis comme rouge clair . Aprs la permutation, laviv (2) est affect la classe rouge . Cela montre bien la subjectivit de la perception humaine pour la comparaison dobjet en fonction de lenvironnement proche.
- 96 -
(1)
(a)
(2)
(2)
(b)
(1)
Figure 3.27 : Photographies dun aviv avant (a) et aprs (b) une dcoupe longitudinale Plusieurs techniques sont gnralement employes pour raliser de la classification de formes selon leur texture [BHAR-04] : transforme en ondelettes [ARIV-03], matrices de cooccurrences [HAUT-99], les intgrales de Choquet [GRAB-96], En revanche, il nest pas frquent dutiliser de telles mthodes pour confirmer ou infirmer une classification colorimtrique des objets. Notre choix sest port sur lutilisation des matrices de co-occurrences des niveaux de gris dune image afin dextraire un ensemble dattributs de texture [BHAR-04] [TURC-00] [HAUT-99]. Ce choix est surtout justifi par lindpendance et linterprtabilit des paramtres qui sont extraits de ces matrices. En effet, dans le cas des transformes en ondelettes, par exemple, les coefficients extraits ne contiennent pas dinformations smantiques. Une fois ces attributs extraits, il est alors possible deffectuer une slection de paramtres identique celle prsente dans la section 3.2.3.
Prsentation des caractristiques extraites des matrices de co-occurrences
Les matrices de co-occurrences des niveaux de gris dune image font ressortir certaines proprits sur leut distribution spatiale. Le choix du repre colorimtrique CIE Lab tant fait, le calcul des matrices seffectue sur les cinq images des composantes L, a, b, h et C. La
- 97 -
matrice de co-occurrence Pd dune image de composante est cre partir de lquation 3.31 qui exprime chaque lment Pd ( i, j ) de la matrice.
Pd ( i, j ) =
{( ( r, s ) , ( t , u ) ) | I ( r , s ) = i, I ( t , u ) = j}
Nd
(3.31)
o I correspond limage en niveaux de gris ;
i et j reprsentent des valeurs de niveaux de gris ;
( r, s )
correspond aux coordonnes dun niveau de gris dans limage I ; correspond un voisin du pixel de coordonnes ( r , s ) ;
( t , u ) = ( r + dx, s + dy )
N d correspond au nombre total de couples
( ( r , s ) , ( t , u ) ) rpertoris dans la matrice P .

d
La dimension de la matrice Pd dpend de la quantification des niveaux de gris. Si toute lchelle des niveaux de gris est utilise (soit 256 niveaux), la matrice contiendra 65536 valeurs. Il est donc possible de sous chantillonner ces valeurs pour rduire le nombre dlment de cette matrice. Un grand nombre dattributs de texture peuvent tre calculs partir de ces matrices de co-occurrences. Il existe cependant une certaine redondance dans le choix de ces paramtres [BHAR-04] [LATI-00] [TURC-00] [HAUT-99]. Le choix fait durant ces travaux est donc le suivant : Lnergie ou second moment angulaire (quation 3.32) est une mesure dhomognit spatiale des images. Il sagit dune mesure caractrisant des textures dsordonnes. Ainsi, plus limage sera homogne, plus la valeur du paramtre sera petite.
ASM = ( Pd ( i, j ) )
i j
(3.32)
Le contraste ou inertie (quation 3.33) est une mesure permettant dvaluer la quantit de variations locales prsentes dans une image. Contraste = ( i j ) Pd ( i, j )
2 i j
(3.33)
Lentropie (quation 3.34) est une mesure qui dfinit la complexit dune texture. Plus sa valeur sera grande, plus la texture sera complexe, cest--dire plus la texture sera compose de beaucoup de motifs diffrents.
Ent = Pd ( i, j ) .log 2 ( Pd ( i, j ) )
i j
(3.34)
- 98 -
Ce choix se justifie de plusieurs manires. Tout dabord, nous ne cherchons en aucun cas extraire toute linformation de texture, notre problmatique ne concernant pas lappariement davivs suivant les motifs du grain du bois. Ensuite, toujours dans un souci dinterprtabilit et dintgration de notre capteur sous la forme dun capteur flou, seules des notions comprhensibles par un tre humain sont choisies ; le classificateur FRC exprimant tout son potentiel dans le cas de paramtres smantiquement interprtables. Ces trois paramtres sont donc valus sur les cinq images de composantes selon quatre orientations (0, 45, 90, 135) et un pas de dplacement d . Les images du systme dacquisition nayant pas une rsolution identique sur les deux axes longitudinal et transversal, les dplacements de la matrice se font de telle manire respecter la prcision qui peut tre obtenue lil nu. Pour les trois cas applicatifs, les rsolutions valent 0.3 mm/pixel pour la rsolution transversale, et 1.5 mm/pixel pour la rsolution longitudinale. Les voisinages des pixels tudis par la matrice de co-occurrences sont dfinis par un dplacement longitudinal dun pixel ( d x = 1 ), et par un dplacement transversal de cinq pixels ( d y = 5 ).
Ainsi, pour chaque image tudie, nous disposons dun vecteur caractristique compos de soixante attributs, soit douze attributs par images en niveaux de gris. Le tableau 3.5 prsente les caractristiques extraites des matrices de co-occurrences pour chaque orientation obtenues partir de limage de la composante colorimtrique L pour deux avivs. Ces deux avivs sont identifis dans la mme classe de couleur si nous utilisons uniquement le vecteur caractristique choisi dans la section 3.2.3., alors quils ne sont pas identifis dans la mme classe par le client. Dans cet exemple, nous constatons que le paramtre Contraste semble tre discriminant pour faire la diffrence entre ces deux avivs.
- 99 -
Tableau 3.5 : Caractristiques extraites des matrices de co-occurrences pour 2 images de composante colorimtrique L
Caractristiques
ASM L ,0 ContrasteL ,0 Ent L ,0 ASM L ,45 ContrasteL ,45 Ent L ,45 ASM L ,90 ContrasteL ,90 Ent L ,90 ASM L ,135 ContrasteL ,135 Ent L ,135
0.001910 69.737916 9.502272 0.001959 62.966795 9.472622 0.003918 14.686082 8.592276 0.001954 63.989509 9.477275
0.002571 58.516825 9.154571 0.002592 58.083788 9.145401 0.005285 11.251006 8.222369 0.002586 58.295683 9.145283
Rduction de la dimension du vecteur caractristique
Les caractristiques de textures extraites des matrices de co-occurrences peuvent tre corrles et/ou redondantes. Cest pourquoi, nous appliquons le mme algorithme de slection des paramtres que prcdemment pour ne garder que les paramtres pertinents. La rduction de la dimension du vecteur caractristique peut tre effectue partir de deux ensembles de caractristiques : soit en utilisant un vecteur compos des cinq caractristiques statistiques slectionnes prcdemment et des soixante caractristiques de texture (65 caractristiques) ;
- 100 -
soit en reprenant le vecteur initial de trente caractristiques statistiques et en le compltant avec les soixante caractristiques de texture (90 caractristiques).
Les deux solutions tant envisageables, une ACP a t ralise dans les deux cas partir de la base de donnes Base_Couleur_1. La figure 3.28 illustre la courbe de dcroissance de linertie en fonction du nombre daxes considrs pour les deux vecteurs.
35
30
25
% d'inertie
20
15
10
10
20
30
40 50 Numro d'axe
60
70
80
90
Figure 3.28 : Courbe de dcroissance de linertie restitue par chaque axe (en rouge : 65 caractristiques, en bleu : 90 caractristiques) Le point dinflexion de la courbe de dcroissance apparat partir du sixime axe, et cela pour les deux ensembles de caractristiques tests. Dans les deux cas, six ou sept paramtres semblent utiles la discrimination des diffrentes couleurs. En appliquant lalgorithme de slection prcdemment utilis, nous pouvons reprsenter les valeurs dinertie de chaque paramtre (figure 3.29).
- 101 -
14
12 inertie moyenne du paramtre
10
(a)
10
20
30 40 numro du paramtre
50
60
14
12 inertie moyenne du paramtre
10
(b)
10
20
30
40 50 60 numro du paramtre
70
80
90
Figure 3.29 : Inertie moyenne de chaque paramtre pour la discrimination des classes (a : 65 caractristiques, b : 90 caractristiques) Le choix des paramtres utiles la discrimination des diffrentes classes se fait de la mme manire que prcdemment. Dans les deux cas prsents (figure 3.29), les mmes six paramtres (prvision de lACP) semblent tre discriminants pour les diffrentes classes de couleur. Les attributs composant le vecteur caractristique V4 (quation 3.28) sont slectionns ainsi que lattribut Ent L ,90 . Afin de valider ce choix, des tests de classification
- 102 -
ont t raliss de la mme manire que pour les attributs statistiques de la couleur. Le tableau 3.6 rsume les rsultats obtenus pour les vecteurs V4 et V7 (quation 3.35).
m1, L m1,a m 1,b V7 = homognitL homognith Ent L ,90
(3.35)
Tableau 3.6 : Taux de reconnaissance pour diffrents vecteurs caractristiques

Vecteurs caractristiques Taux de reconnaissance en apprentissage Taux de reconnaissance en gnralisation
V4
89.57% 84.37%
V7
89.99% 84.41%
Les taux de reconnaissance obtenus pour les deux vecteurs caractristiques ne montrent pas damlioration significative. Les gains de 0.42 en apprentissage et 0.04 en gnralisation ne prouvent pas la pertinence des paramtres supplmentaires. De plus, sachant que lvaluation des matrices de co-occurrence est trs gourmande en temps de traitement, nous proposons de garder le vecteur caractristique V4 .
3.3.
Conclusion
Pour prtendre effectuer un bon contrle qualit, il est important de dfinir au mieux le systme dacquisition ainsi que les caractristiques ncessaires la discrimination des classes de sortie. Ltude ralise sur le systme dacquisition et plus particulirement sur les sources de lumire a permis de rduire considrablement les perturbations pouvant influer la classification des couleurs. En revanche, il reste quelques variations non corriges qui peuvent tout de mme induire des imprcisions au niveau des mesures. Elles doivent donc tre prises en compte durant la phase de classification/dcision du systme de vision. Afin de discriminer au mieux les couleurs, nous avons tout dabord choisi comme univers de discours le repre colorimtrique CIE Lab. En effet, ce repre reproduit au mieux la perception des couleurs par lil humain. Il permet de minimiser linertie intraclasse et de maximiser linertie interclasse. Ensuite, les dcisions de notre capteur flou ne doivent pas intervenir lchelle du pixel. De ce fait, nous avons dfini les zones dintrt (ROI) dans lesquelles sont caractrises les couleurs, toujours en accord avec les desiderata des clients. Enfin, les mesures corriges, dlivres par le capteur, reprsentent, dans notre cas, une - 103 -
quantit dinformations trop importante pour effectuer la reconnaissance des couleurs du bois tout en respectant les contraintes temps-rel du systme de production. Il a donc fallu rduire la quantit et la complexit de ces mesures. La perception de la couleur tant lie une reprsentation statistique et une reprsentation spatiale, lextraction de plusieurs paramtres a t faite pour construire un vecteur caractristique constitu de 90 attributs. En analysant prcisment le pouvoir discriminant de chacun dentre eux sur la diffrenciation des classes de couleur, la dimension de ce vecteur a t rduite 5. Linformation spatiale ne se rvle pas discriminante dans les cas applicatifs de cette tude. Cependant, les bases que nous avons dveloppes pourront servir de futurs travaux concernant la classification davivs incluant des notions de texture (dosse, quartier, faux-quartier, cur). Dans le cadre du dveloppement dun capteur flou, linterprtabilit des paramtres extraits par un oprateur humain a t privilgie. Le vecteur caractristique est ainsi compos des premiers moments et des coefficients dhomognit des composantes colorimtriques du repre choisi. Les attributs associs chaque couleur dlimitent les diffrentes classes de couleur client dans un espace 5 dimensions. Les classes sont donc reprsentes par des hypersphres, des hypercubes, , selon le type de classification. Ces reprsentations gomtriques correspondent alors lunivers de discours du capteur flou (section 2.4.2). Nous dfinissons galement lunivers lexical, soit le vocabulaire pouvant tre utilis par les utilisateurs pour caractriser les couleurs identifier. Ce vocabulaire correspond donc la sortie du capteur flou. Dans le cas applicatif 1, le client a fait le choix de dfinir les couleurs du chne rouge par le vocabulaire suivant : Brun Fonc, Brun, Brun Clair, Rouge Fonc, Rouge, Rouge Clair. La figure 3.30 illustre ainsi le lien devant exister au sein dun capteur symbolique entre les deux univers de reprsentation cits. Le mme principe peut tre appliqu aux autres cas applicatifs.
Figure 3.30 : Reprsentation du lien entre lunivers de discours et lunivers lexical Caractrisation de la couleur
- 104 -
Comme nous venons de le montrer dans ce chapitre, les mesures brutes fournies par le capteur ne sont pas directement utilisables pour identifier les couleurs. Nous les avons analyses pour obtenir des mesures fonctionnelles qui sont, elles, exploitables pour le module classification/dcision du capteur flou. Cette tape sert ainsi dfinir le lien existant entre lunivers de discours et lunivers lexical (figure 3.30). Donc, pour finaliser le dveloppement de notre capteur flou, nous prsentons et validons, dans le chapitre 4, la mthode de classification FRC que nous avons choisie.
- 105 -
- 106 -
DES MESURES FONCTIONNELLES A LA DECISION : VERS UN CAPTEUR FLOU
CHAPITRE 4 : DES MESURES

FONCTIONNELLES A LA DECISION
- 107 -
4. Des mesures fonctionnelles la dcision : vers un capteur flou

Aprs avoir rduit la complexit du problme aux simples mesures fonctionnelles utiles la classification des couleurs (dfinition du vecteur caractristique), il faut dfinir le module de classification/dcision correspondant aux traitements de haut niveau de la chane de traitement dimages (figure 4.1). Dans le chapitre 3, nous avons identifi les deux premiers niveaux de traitement (bas niveau et niveau intermdiaire) suivant la structure du capteur intelligent. Le module classification/dcision qui permet de fournir la rponse du systme correspond naturellement linterprtation et la dcision qui peuvent tre effectues partir des descriptions des objets (mesures fonctionnelles). Travaillant partir de spcifications industrielles nonces en langage naturel et cherchant dvelopper notre systme sous la forme dun capteur flou, il est important de pouvoir conserver ces informations dans le systme de reconnaissance. De ce fait, il est donc judicieux de sintresser aux techniques de classification drivant de la thorie des ensembles flous, car elle dispose dune bonne capacit modliser et intgrer les informations exprimes sous une forme linguistique [DUBO-96b]. Cependant, lutilisation de termes linguistiques implique une prise en compte des imprcisions et incertitudes lies aux connaissances exprimes par les industriels (dfinition des classes de sortie, expertise lie au contrle qualit souhait). Il faut noter que ces imprcisions et incertitudes ne proviennent pas seulement de linterprtation qui peut tre faite des termes linguistiques employs. Elles apparaissent galement au niveau du procd dacquisition de donnes qui peut induire des imprcisions de mesure, comme cela a pu tre montr dans le chapitre 3. Afin de rpondre compltement aux problmes poss par cette tude, il est donc important de pouvoir spcifier une mthode de classification adapte aux besoins de lutilisateur et aux contraintes lies lenvironnement dutilisation.
- 108 -
Figure 4.1 : Parallle entre la chane de traitement dimages et la structure dun capteur intelligent Dans ce chapitre, une premire partie est consacre la spcification de la mthode, et plus particulirement aux concepts intervenant dans les systmes de reconnaissance base de rgles linguistiques floues. La deuxime section prsente ensuite une tude complte sur la mthode de classification retenue. Cette tude permet galement dexposer notre contribution lamlioration des phases de rglages du classificateur. Enfin, le cas applicatif 1 ncessitant une prise de dcision globale partir de rsultats fournis par plusieurs capteurs, le raisonnement de classification de chaque capteur est tendu lutilisation conjointe de
- 109 -
plusieurs capteurs dont nous fusionnons les rsultats pour fournir une information unique sous une forme floue.
4.1.
Systmes base de rgles linguistiques floues
Comme nous avons pu le voir dans le chapitre 2, il existe de nombreuses techniques de classification, bases chacune sur des thories diffrentes : thories probabilistes, statistiques, connexionnistes, possibilistes, des ensembles flous. Dans notre tude, il est ncessaire de se positionner afin de valider notre choix dutiliser une mthode de classification base de rgles linguistiques floues.
4.1.1. Imprcisions et incertitudes des donnes

Les imprcisions et les incertitudes, intervenant dans la classification des avivs selon des critres colorimtriques, sont essentiellement portes par deux domaines : le domaine symbolique, qui reprsente la connaissance exprime en langage naturel par les experts du domaine applicatif ; le domaine numrique, qui reprsente les donnes significatives fournies par lanalyse des images obtenues par le systme dacquisition.
Keller prcise que ces incertitudes et imprcisions saccumulent tout au long de la chane de traitement dimages, de la prise de mesure par le capteur la prise de dcision par la mthode de classification [KELL-97]. Pour simplifier les raisonnements suivre, ces deux notions peuvent donc tre rsumes par un mme terme : la connaissance imparfaite quelle soit numrique ou symbolique. Pour analyser et traiter cette dernire, diffrentes thories sont employes [BOUC-95] : La thorie des probabilits [FABI-96] : il sagit du premier recours apparu pour traiter les connaissances incertaines. Elle se base sur une apprciation quantitative de lincertitude soit par lanalyse de la frquence de ralisation dun vnement particulier pour une mme exprience rpte plusieurs fois, soit par lanalyse dun choix alatoire effectu sur un ensemble dvnements possibles. La thorie de lvidence (ou thorie des fonctions de croyance) [SHAF-76] : il sagit dune gnralisation de la thorie des probabilits. Cette thorie permet de reprsenter lignorance concernant un vnement partir des degrs de croyance et de plausibilit, qui sont caractristiques de la fiabilit dapparition dun vnement. La thorie des ensembles flous : il sagit dapprhender les incertitudes et imprcisions grce lutilisation de concepts plus vagues que les nombres prcis largement utiliss dans les thories des probabilits et de lvidence. Ces concepts ont t introduits par Zadeh en 1965 [ZADE-65] afin de traiter les informations de la mme manire que la pense humaine.
- 110 -
La thorie des possibilits : il sagit dune thorie facilitant lintgration dun raisonnement approximatif permettant de dfinir la diffrence entre deux tats de connaissances qui sont uniquement discernables par leur degr de confiance associ aux informations fournies [ZADE-78]. Cette thorie fait intervenir la notion de ncessit qui permet dvaluer la possibilit et la certitude dun vnement sans connaissance a priori sur la probabilit de ce mme vnement. Avec la thorie des ensembles flous,issue de la thorie de possibilits reprsente les bases de la logique floue [BOUC-95].
Caractres imprcis et incertains de ltude
En considrant le raisonnement humain qui intervient dans la classification des avivs selon leur couleur, il est relativement facile de dfinir les incertitudes et imprcisions des connaissances mises. Tout dabord lors de la dfinition des classes de sortie, il est difficile de quantifier exactement les objectifs de loprateur. En prenant pour exemple le cas applicatif 1, les couleurs ont t dfinies linguistiquement de manire graduelle : Rouge fonc , Rouge , Rouge clair , ... Les prcdentes tudes concernant le mme sujet [LU-97b] [HANB-02] ne tiennent pas compte de cette gradualit des couleurs, et pourtant cette notion est trs lie la perception des couleurs que peut avoir un expert. En effet, les termes linguistiques clair et fonc sont intrinsquement vague et imprcis. Il nexiste donc pas de frontires strictes entre les diffrentes couleurs classer. La figure 4.2 illustre le recouvrement quil peut exister entre les diffrentes classes couleur de chne rouge dfinies pour le cas applicatif 1.
- 111 -
Valeur moyenne de la composante a
Valeur moyenne de la composante b

60 65 70 75 80 85
9 8 7 6 5 4 3 Valeur moyenne de la composante L Brun Fonc Rouge Fonc Brun Rouge Brun Clair Rouge Clair
21 20 19 18 17 16 15 60 65 70 75 80 85 Valeur moyenne de la composante L Brun Fonc Rouge Fonc Brun Rouge Brun Clair Rouge Clair
Plan colorimtrique L-a

Valeur moyenne de la composante b 21 20 19 18 17 16 15 3 4 5 6 7
Plan colorimtrique L-b
Valeur moyenne de la composante a Brun Fonc Rouge Fonc Brun Rouge Brun Clair Rouge Clair
Plan colorimtrique a-b
Figure 4.2 : Reprsentations graphiques de la distribution des points de la base de donnes Base_Couleur_1 dans les diffrents plans du repre colorimtrique CIE Lab Un deuxime aspect li au produit peut introduire de limprcision dans les donnes. Il sagit de la prsence de transitions graduelles de couleur sur une mme pice de bois. La figure 4.3 illustre ce phnomne sur une planche qui a un aspect gnral Rouge , mais qui prsente un passage trs progressif de la couleur Rouge Clair la couleur Rouge . De plus, ces imprcisions peuvent tre accrues par la prsence dun veinage marqu. Un bois Rouge Clair peut paratre plus fonc si le grain du bois est dense et sombre. Le vecteur caractristique dfinissant la couleur doit tre le plus complet possible pour tenir compte de cette notion de texture inhrente la couleur (section 3.2.3.).
- 112 -
Rouge Clair
Rouge
Figure 4.3 : Image dune pice de bois prsentant un changement de couleur progressif Outre le manque de prcision dans les termes linguistiques utiliss par lexpert pour dfinir les couleurs identifier, le capteur lui-mme peut introduire des imprcisions et incertitudes de mesures, et cela, malgr limplmentation de modles de correction adapts aux diffrentes variabilits constates durant lanalyse du systme dacquisition expos dans le chapitre 3 (influence de la temprature, de la distance bois/capteur, vieillissement, ). Ces diffrents points plaident en faveur de lutilisation dun outil capable de manipuler et dintgrer des notions imprcises et incertaines. Nous avons choisi de nous placer dans le cadre de la thorie des ensembles flous et plus particulirement la logique floue pour concevoir la mthode de classification. Cette conclusion a galement un sens au niveau du dveloppement du systme sous la forme dun capteur flou. En effet, il aurait t possible de travailler uniquement partir des symboles (termes linguistiques dfinissant les classes de couleur) si ces derniers avaient t parfaitement disjoints, cest--dire que les frontires entre chacun dentre eux soient totalement binaire (section 2.3.2). La logique floue autorise une certaine flexibilit face de telles problmatiques car elle permet de dfinir des appartenances non strictes chacune des classes de sortie [ZADE-65]. Cet aspect est essentiel pour des couleurs situes sur les nombreuses zones de confusion pouvant exister entre les diffrentes classes (figure 4.2). Notre volont de rduire le foss smantique entre les dfinitions expertes vision et bois incite galement nous placer dans le cadre de la logique floue. En tenant compte de ces deux expertises (vocabulaire du mtier bois et vocabulaire du mtier vision), il existe une diffrence entre les langages employs par chaque expert (section 2.1.2.). Ainsi, la logique floue permet de dfinir un espace de reprsentation et de raisonnement dans lequel ce foss entre concepts symboliques et valeurs numriques extraites des images est rduit [HUDE-06].
Spcifications de la mthode de classification
Outre la prise en compte de limprcision et de lincertitude lies aux donnes, se pose le problme de la quantit dchantillons disponibles pour la phase dapprentissage. Le bois - 113 -
tant un produit naturel, il est difficile de disposer du mme nombre dchantillons pour chaque classe identifier. La figure 4.2 permet de constater la proportion de chaque couleur disponible pour le cas applicatif 1. Le tableau 4.1 reprend ces proportions par rapport un lot constitu davivs (de chne rouge) pralablement tiquets par un expert.
Tableau 4.1 : Proportion de chaque couleur sur une population de 943 chantillons de bois
Couleur Brun Fonc Brun Brun Clair Rouge Fonc Rouge Rouge Clair Proportion 8.91% 18.66% 27.47% 5.73% 20.89% 18.34%
De plus, en milieu industriel, il est trs difficile dobtenir de la part dun client un grand nombre de donnes relles afin dentraner le systme de reconnaissance. La confection du lot de donnes dapprentissage, qui ncessite gnralement la plus grande attention, est souvent assimile un travail fastidieux, synonyme de perte de temps et dargent. Il faut donc que la mthode de classification envisage soit la plus robuste possible partir dun entranement ralis sur un faible lot de donnes. Un dernier point reste intgrer dans la mthode de classification. Il concerne lexpertise des industriels proprement parler. En effet, dans des domaines hautement spcialiss, lexpert humain arrive prendre des dcisions, et cela quelque soit les conditions de travail. Le systme de vision qui doit permettre le contrle colorimtrique des avivs peut donc tre imagin sous la forme dun systme de dcision reproduisant les raisonnements de lexpert humain. DAquila et al. prconise mme lutilisation de moteurs dinfrences qui permettent, non seulement de travailler partir despace de reprsentation n dimensions, mais aussi de prendre en compte toutes formes dincertitude et imprcision pouvant intervenir au niveau des mesures, et du traitement [AQUI-02]. La figure 4.4 illustre les diffrentes imprcisions et incertitudes que la mthode dvelopper doit prendre en compte pour rpondre la problmatique vise.
- 114 -
Figure 4.4 : Imprcisions et incertitudes prendre en compte dans la mthode de classification colorimtriques des avivs
4.1.2. Variables linguistiques propositions floues rgles floues

Les diffrentes spcifications voques prcdemment permettent dopter pour une mthode de classification base sur lutilisation dun modle linguistique. Les systmes implmentant des modles linguistiques base de rgles servant la classification sont des techniques largement utilises dans le domaine de la vision assiste par ordinateur [KELL-96]. Elles se composent de trois grandes parties : un jeu de rgles de type SIALORS, une base de donnes, et un moteur dinfrences qui permet dinterprter les diffrentes rgles et fournir le rsultat final de la classification. Les mcanismes de fonctionnement de ces systmes reposent sur lutilisation de trois concepts faisant partie du raisonnement flou [BOUC-95] : les variables linguistiques, les propositions floues et les rgles floues.
Les variables linguistiques
Les variables linguistiques ont t introduites afin de dcrire de manire qualitative des phnomnes ntant pas caractrisables de manire quantitative car trop imprcise [ZADE-
- 115 -
75]. A la diffrence dune variable numrique qui fait rfrence des valeurs numriques prcises, la variable linguistique prend ces valeurs dans un espace compos de mots du langage naturel comprhensibles par des non spcialistes. De manire plus thorique, une variable linguistique est dfini par un triplet (V , X , TV ) [BOUC-95] o : V est la variable : dans la prsente tude, il sagit de chaque paramtre du vecteur caractristique prcdemment constitu ; X est lensemble de rfrence ou univers de discours de la variable V ;
Tv = { A1 , A2 ,...} est un ensemble, fini ou non, compos de sous-ensembles flous
caractrisant les valeurs de la variable V. Ces sous-ensembles permettent de caractriser linguistiquement les valeurs de la variable V laide dun vocabulaire pralablement dfini. Lutilisation du mot clair pour caractriser une intensit lumineuse reprsente une rduction de lunivers de discours de la composante colorimtrique L aux seules valeurs suprieures 60. Ainsi, sachant que les mesures de la composante colorimtrique L sont comprises entre 0 et 100, le terme clair sera associ lintervalle [60;100] , intervalle assimil un sous-ensemble flou AClair.
Les sous-ensembles flous dune variable V sont dfinis par des fonctions dappartenance (4.1).
Ai : X [ 0;1] x Ai ( x )
(4.1)
o Ai ( x ) correspond au degr dappartenance de x au sous-ensemble Ai .
Les propositions floues
Il existe deux types de propositions dans le cadre dun raisonnement flou : la proposition floue lmentaire et la proposition floue gnrale. Celles-ci permettent danalyser respectivement le cas dune seule variable linguistique, ou dune composition de plusieurs de ces variables. Daprs la dfinition de Bouchon-Meunier [BOUC-95], une proposition floue lmentaire permet de traduire dans le domaine symbolique des valeurs exprimes dans le domaine numrique. Elle fait cohabiter les deux domaines travers une qualification en phrase lmentaire de type V est A . V correspond ici une variable linguistique dfinie par le triplet (V , X , TV ) , et A correspond un mot du langage naturel appartenant lensemble Tv . Une fonction dappartenance A de A reprsente ensuite cette proposition, afin
- 116 -
DES MESURES FONCTIONNELLES A LA DECISION : VERS UN CAPTEUR FLOU de dfinir le degr dappartenance A ( x ) dun lment de X qui dcrit la vracit de la caractrisation de A par la valeur exacte de V. Une proposition gnrale floue permet une analyse conjointe de deux ou plusieurs propositions lmentaires floues V est A , W est B , , utilisant des variables V, W, , supposes non corrles. Lanalyse conjointe sexprime en gnral par une conjonction ( V est A ET W est B ) ou une disjonction ( V est A OU W est B ) de plusieurs propositions lmentaires floues. Les oprateurs de conjonction et disjonction, respectivement ET et OU, sont dans ce cas des connecteurs logiques implments par des T-normes et des Tconormes. Un cas particulier existe lorsque les variables linguistiques sont identiques. Dans ce cas, lanalyse conjointe se rduit de simples oprations dintersection et dunion respectivement implmentes par une T-norme et une T-conorme. De manire gnrale, pour deux variables linguistiques distinctes et deux propositions lmentaires floues associes, le rsultat dune composition conjointe (relation R) sera dfini de la manire suivante par une Tnorme dans le cas dune conjonction (4.2) et par une T-conorme dans le cas dune disjonction (4.3).
R ( x, y ) = T ( A ( x ) , A ( y ) ) = x est A ET y est B R ( x, y ) = ( A ( x ) , A ( y ) ) = x est A OU y est B
(4.2) (4.3)
Les rgles floues
Afin dlaborer les rgles floues, il est ncessaire de dfinir une fonction dimplication I (4.4) qui peut tre synonyme de lexpression Si A Alors B .
I :A B
(4.4)
Les rgles floues sont gnralement constitues partir des propositions floues dfinies prcdemment. La connexion de ces dernires est ralise grce aux oprateurs de conjonction ou de disjonction et peuvent se transcrire en langage naturel (4.5). Si V est A ET W et B Alors Z est C (4.5) o V, W et Z sont des variables linguistiques associes des fonctions dappartenance A (V ) , B (W ) , C ( Z ) .
Cette rgle peut tre dcompose en deux parties : la prmisse forme par le couple de variables linguistiques (V,W), et la conclusion forme de la seule variable linguistique Z. La vracit de lantcdent, dans ce cas, est value grce une fonction dappartenance note R (4.6).
R (V , W ) = T ( A (V ) , B (W ) )
(4.6)
- 117 -
Cette relation R peut ensuite tre rapproche de la conclusion partir dune implication floue, ce qui donne la rgle floue. Celle-ci est associe une valeur de vrit donne par une fonction dappartenance R . Dans le cas de lexemple (4.5), cette fonction dappartenance est dfinie comme suit (4.7).
R (V ,W , Z ) = I T ( A (V ) , B (W ) ) , C ( Z )
(4.7)
La fonction dappartenance ainsi dfinie pour une rgle correspond au lien existant entre lunivers de discours des attributs constituant le vecteur caractristique et lunivers lexical compos des mots du langage naturel attribus par lutilisateur chaque classe de couleur (figure 3.29). Le lien entre le domaine numrique et le domaine symbolique, cur de la structure dun capteur symbolique flou, est donc identifi. Daprs Dubois et Prade [DUBO-96a], ce type de rgles floues sont rparties en deux groupes : les rgles implicatives et les rgles conjonctives. Cette dichotomie est effectue partir de linformation qui sert construire les rgles. Dans le cas des rgles implicatives, il va sagir de restreindre au fur et mesure lespace de valeurs possibles des variables considres. Elles sont essentiellement issues de raisonnements bass sur la connaissance a priori des experts. Quant aux rgles conjonctives, elles correspondent plus une analyse de donnes et sont rgies par les donnes elles-mmes. En effet, en tenant compte de chaque association {valeur dentre/valeur de sortie} restitue par un lot de donnes dapprentissage, les rgles sont de plus en plus prcises en liminant toute ambigut. Les rgles floues sont gnralement rparties en quatre groupes, qui sont des sousgroupes des rgles conjonctives et implicatives. Il existe respectivement dune part, les rgles possibilit et les rgles anti-graduelles, et dautre part, les rgles certitude et les rgles graduelles. Les rgles possibilit permettent dvaluer la possibilit dun vnement en dterminant la proximit entre les valeurs associes cet vnement et les valeurs acquises sur un lot de donnes dapprentissage. Les rgles anti-graduelles permettent dvaluer la taille de lensemble des valeurs de sortie partir du degr dactivation de la rgle. Les rgles certitude permettent dvaluer la certitude dun vnement en dterminant la proximit entre les valeurs associes cet vnement et les valeurs acquises sur un lot de donnes dapprentissage. Les rgles graduelles permettent dvaluer la proximit entre les valeurs de lantcdent de la rgle et les valeurs des conclusions associes.
- 118 -
Gnralement, un raisonnement flou est bas sur lutilisation dune base de rgles note . Cette base regroupe N rgles qui sont actives en parallle par un mcanisme dinfrences. Chaque rgle dlivre ainsi une conclusion partielle qui est ensuite agrge aux autres, partir dun oprateur dintersection ou dunion, pour fournir une conclusion globale au systme. Cette agrgation peut sexprimer daprs les expressions (4.8) et (4.9) suivant le type de rgles utilises (respectivement implicatives ou conjonctives).
R = I ri
i =1 N
(4.8) (4.9)
R = U ri
i =1
o R reprsente la relation floue associe lagrgation des N relations floues ri associes chaque rgle de la base. Dans le cas des rgles conjonctives, lagrgation correspond limplmentation dun oprateur de disjonction (T-conorme). Dans le cas des rgles implicatives, elle correspond limplmentation dun oprateur de conjonction (T-norme) [UGHE-98]. Dans notre tude, plusieurs choix ont t effectus propos du mcanisme dinfrences et des rgles floues utilises. Evaluant les classes de sorties partir de donnes numriques, il est naturel dutiliser des rgles conjonctives possibilit. Dans ce cas, linfrence peut tre ralise par diffrents modles parmi lesquels nous citons celui de Mamdani, celui de Larsen ou encore celui de Sugeno. Nous ne retenons pas celui de Sugeno car notre systme doit fournir en sortie des rponses nominales et non des valeurs numriques [SUGE-85]. Le modle de Larsen est, dans notre cas, prfrable celui de Mamdani car loprateur Produit cartsien est plus adapt que loprateur Minimum pour la manipulation de plusieurs prmisses [BERT-03]. Linfrence est alors une pseudo implication reproduite par une composition des oprateurs Maximum et Produit. Lagrgation des conclusions partielles associes chaque rgle est ensuite ralise par lutilisation de loprateur disjonctif Maximum. Ce type de mcanisme possde un avantage majeur, car il permet dviter les redondances dans la base de rgles [DUBO-96a], et permet aussi dattribuer une classe de rejet un objet lorsque ce dernier ne rpond aucune rgle dcrite dans la base.
4.2.
Classificateur raisonnement flou
Le raisonnement flou mis en uvre pour lapplication vise est bas sur lintgration dun systme de rgles linguistiques floues. Ces dernires permettent dapprocher les domaines numrique (vecteur caractristique) et symbolique (lexique associ chaque attribut du vecteur caractristique). A partir de ce rapprochement, il est alors possible dinterprter les
- 119 -
connaissances mises par les experts vision et bois travers les rgles gnres. Il existe de nombreuses mthodes permettant dobtenir automatiquement ces rgles floues partir de lots de donnes [CORD-99] [BERT-03]. Cependant, notre choix sest port sur lalgorithme dvelopp par Ishibuchi et al. qui met en uvre un modle de Larsen [ISHI-92]. Cette technique a connu plusieurs volutions, mais la plus importante concerne le processus itratif dapprentissage qui permet dajuster et daffiner progressivement le jeu de rgles en fonction des donnes dentres partir dun coefficient de confiance CF affect chaque rgle [NOZA-97]. Le lecteur peut se rfrer lannexe B.1 qui dtaille lalgorithme. Dans une premire partie, le principe de fonctionnement de lalgorithme est prsent. Nous explicitons ensuite chaque tape de la mthode en insistant sur nos propositions en vue damliorer la classification. Ces propositions sont toujours valides partir de lots de donnes artificielles (base de donnes IRIS [UCI]) et relles (bases de donnes lies aux cas applicatifs). Enfin, nous validons les dveloppements en comparant nos rsultats un certain nombre dautres classificateurs de rfrence.
Prsentation des bases de donnes lies aux cas applicatifs
Lensemble des tests prsents dans la suite de ce chapitre fait rfrence 5 bases de donnes diffrentes. Leur composition, qui diffre suivant le cas applicatif, est dcrite cidessous. La base de donnes Base_Couleur_1 est issue du cas applicatif 1. Les 943 chantillons utiliss sont des avivs de chne rouge. Les classes de sortie sont au nombre de 6 : Brun Fonc, Brun, Brun Clair, Rouge Fonc, Rouge, Rouge Clair. La rpartition des chantillons dans les diffrentes classes de sortie se fait de la manire suivante : 84 chantillons Brun Fonc , 176 chantillons Brun , 259 chantillons Brun Clair , 54 chantillons Rouge Fonc , 197 chantillons Rouge et 173 chantillons Rouge Clair . La base de donnes Base_Couleur_2 est issue du cas applicatif 2. Les 627 chantillons utiliss sont des avivs drable. Les classes de sortie sont au nombre de 9 (du blanc jauntre au blanc ros suivant trois intensits lumineuses) que nous notons Grade 1, , Grade 9. La rpartition des chantillons dans les diffrentes classes de sortie se fait de la manire suivante : 78 chantillons Grade 1 , 49 chantillons Grade 2 , 68 chantillons Grade 3 , 87 chantillons Grade 4 , 109 chantillons Grade 5 , 79 chantillons Grade 6 , 91 chantillons Grade 7 , 49 chantillons Grade 8 et 17 chantillons Grade 9 . La base de donnes Base_Couleur_3 est issue du cas applicatif 3. Les 1834 chantillons utiliss sont des placages de htre. Les classes de sortie sont au nombre de 4 : Brun, Ros, Rouge, Blanc. La rpartition des chantillons dans les diffrentes classes de sortie se fait de la manire suivante : 522 chantillons Brun , 514 chantillons Ros , 475 chantillons Rouge et 323 chantillons Blanc .
- 120 -
La base de donnes Base_Couleur_Gauche est issue du cas applicatif 1. Il sagit des mmes chantillons que ceux de la base Base_Couleur_1. Ils correspondent ltiquetage des 943 rives gauches. Elle servira valider les travaux raliss sur la fusion de capteur. La base de donnes Base_Couleur_Droite est issue du cas applicatif 1. Les 943 chantillons utiliss correspondent ltiquetage des 943 rives droites des avivs de la base Base_Couleur_1. Les classes de sortie sont donc galement au nombre de 6 : Brun Fonc, Brun, Brun Clair, Rouge Fonc, Rouge, Rouge Clair. La rpartition des chantillons dans les diffrentes classes de sortie se fait de la manire suivante : 93 chantillons Brun Fonc , 188 chantillons Brun , 243 chantillons Brun Clair , 42 chantillons Rouge Fonc , 212 chantillons Rouge et 165 chantillons Rouge Clair . Il est noter quaucune de ces bases na t apure de ses points aberrants. En phase dexploitation, ltiquetage sera fait par un oprateur novice en vision, nayant pas les comptences pour effectuer ce filtrage de points.
4.2.1. Principe de la mthode

Lalgorithme de gnration des rgles se dcompose en deux phases : la fuzzyfication des attributs constituant les entres du systme, et la gnration des rgles pour dfinir les sorties du systme. A partir des rgles gnres, il est ensuite possible didentifier, lors de la phase dexploitation (aussi appele phase de gnralisation), tout objet non tiquet caractris de la mme manire que les objets composant le lot dapprentissage. La figure 4.5 illustre le principe de la mthode.
- 121 -
Figure 4.5 : Fonctionnement de lalgorithme durant les tapes dapprentissage et de gnralisation Lalgorithme expos dans la littrature [NOZA-97] propose une tape supplmentaire daffinage des frontires. Celle-ci permet daugmenter le degr de confiance CF de la rgle associe la classe dappartenance maximale et de diminuer celui de la rgle associe la classe dappartenance venant en deuxime position. Cette tape est ralise partir de chaque chantillon qui compose le lot de donnes dapprentissage. A lextrme, le dcoupage de lespace de reprsentation des donnes correspond parfaitement aux donnes dapprentissage, et le systme de reconnaissance peut souffrir dune restriction trop forte durant la phase dexploitation. En dautres termes, il ne permet pas de prendre en compte la gradualit des rponses fournies par la mthode de classification. En fait, ce dcoupage devient binaire, conduit un taux de reconnaissance de 100% en mmorisation sur les lots dapprentissage, mais pose problme en gnralisation. Dans notre tude, nous voulons conserver la flexibilit du modle dfini par le jeu de rgles afin de conserver son potentiel de gnralisation. Nous nutilisons donc pas cette tape dans notre tude. Enfin, il existe une grande diffrence entre nos travaux et ceux raliss dans le cadre du contrle flou. En effet, les systmes de contrle flou fournissent des valeurs numriques en sortie alors que nous voulons, dans notre cas, fournir des rsultats sous une forme symbolique (classes de couleur). Ce passage de la dimension symbolique la dimension numrique est aussi appel dfuzzyfication. Cette tape nest donc pas prsente dans notre tude.
- 122 -
4.2.2. Fuzzyfication des attributs du vecteur caractristique

Ltape de fuzzyfication consiste dcomposer les univers de discours des variables linguistiques. Pour une variable linguistique dfinie par son triplet (V , X , TV ) , le vocabulaire
Tv reprsente les diffrents sous-ensembles flous de lunivers de discours X partir de fonctions dappartenance. Gnralement le vocabulaire associ une variable est celui employ par lexpert du domaine. Dans le cas de la couleur, et plus particulirement lintensit lumineuse, lespace Tv peut tre structur autour des mots clair , moyen et fonc . Il est mme possible dutiliser le mot trs pour obtenir cinq catgorisations (ajout des termes trs clair et trs fonc ). La figure 4.6 illustre une fuzzyfication quirpartie en cinq termes pour la variable L reprsentant lintensit lumineuse dune couleur. Il existe cependant diffrentes mthodes pour choisir le nombre de dcompositions : la fuzzyfication quirpartie, la fuzzyfication adapte et la fuzzyfication automatique. Ces mthodes sont explicites dans la suite de cette section.
Figure 4.6 : Exemple de fuzzyfication en cinq termes Outre le nombre de termes de fuzzyfication, la forme des fonctions dappartenance peut avoir un impact sur les taux de reconnaissance. Il existe trois formes de base pour les fonctions dappartenance : triangulaire, trapzodale, gaussienne. Mais il est possible de trouver des compositions de ces dernires (triangulaire/trapzodale, gaussienne/trapzodale). Ltude des diffrentes manires pour choisir le nombre de dcompositions prsente ici a pour but de spcifier la mthode de fuzzyfication rpondant au mieux aux critres imposs par notre tude.
- 123 -
Fuzzyfication quirpartie
La fuzzyfication quirpartie est obtenue de manire empirique. Dans ce cas, lunivers de discours est dcoup en termes rgulirement rpartis. Leur nombre est choisi uniquement partir dexprimentation sur des donnes dentres lies au domaine dapplication. Gnralement, ce nombre est choisi impair et le plus petit possible afin de limiter le nombre de rgles. Afin de choisir la meilleure reprsentation des sous-ensembles flous partir des fonctions dappartenance, des tests de classification ont t raliss avec la base de donnes Base_Couleur_1. Le tableau 4.2 rsume les rsultats obtenus partir dune fuzzyfication quirpartie en fonction du nombre de termes et en fonction de la forme de courbes de fuzzyfication. Notons que lunivers de discours de chaque paramtre est dcompos suivant le mme nombre de termes. La mthode de classification choisie pour ces tests est celle dveloppe dans cette tude. Mais il faut noter que des rsultats similaires ont t obtenus avec dautres mthodes.
Tableau 4.2 : Taux de reconnaissance obtenus pour diffrentes formes de fonctions dappartenance dans le cas dune fuzzyfication quirpartie
Nombre de termes de fuzzyfication 2 3 5 7 9 11 Courbes triangulaires 45.30% 76.56% 81.82% 83.25% 78.47% 73.52% Courbes trapzodales 47.21% 77.03% 82.14% 83.89% 78.31% 73.84% Courbes gaussiennes 41.95% 56.14% 78.47% 78.63% 73.21% 72.89% Courbes triangulaires trapzodales 47.21% 77.35% 82.78% 84.37% 79.90% 75.28% Courbes gaussiennes trapzodales 44.98% 64.27% 79.11% 79.90% 74.48% 73.05%
Pour chaque forme de courbes de fuzzyfication, nous notons que les meilleurs rsultats de classification sont obtenus pour un dcoupage des paramtres en 7 termes. Une dcroissance apparat ensuite pour des dcoupages plus importants. Dans ce cas, le dcoupage est trop fin pour tre reprsentatif des classes identifier. Les sous-espaces ainsi dfinis ne correspondent quaux sorties apprises partir du lot dapprentissage. En fonction du nombre de termes, il est alors possible dvaluer le nombre de rgles Nb_R gnres dans le modle de reconnaissance (4.10). Celui-ci est fonction du nombres de termes k et du nombre de paramtres n constituant le vecteur caractristique (ici n est gal 5).
Nb _ R = k n
(4.10)
- 124 -
A partir de ces tests, nous avons pu valider le choix des courbes de fuzzyfication pour lensemble de notre tude. En effet, les courbes triangulaires/trapzodales fournissent le meilleur taux de reconnaissance (84.37%), et cela quelque soit la dcomposition envisage. Le nombre total de rgles gnres dans ce cas est gal 16807. Les mmes tests ont t effectus sur la base de donnes Base_Couleur_2. Les rsultats obtenus sont similaires ceux du tableau 4.2. En effet, partir dune fuzzyfication quirpartie en 7 termes suivant des courbes triangulaires/trapzodales, nous obtenons le meilleur taux de reconnaissance en gnralisation de 85.76%. Les rsultats prsents dans la suite de ce mmoire sont ceux obtenus partir des courbes triangulaires/trapzodales.
Fuzzyfication adapte
La fuzzyfication adapte est classiquement lie lexpertise. Dans ce cas, le choix du nombre de dcompositions se fait par linterprtation des connaissances des experts. Le positionnement des termes est ensuite effectu partir des donnes composant le lot dapprentissage. Pour rsumer la connaissance des experts, un modle de connaissances a t labor partir de la mthode de formalisation NIAM (Natural language Information Analysis Method) introduite par Nijssen et Halpin en 1989 [NIJS-89]. Elle permet dexprimer les connaissances en langage naturel [BOMB-07]. En reprenant les connaissances concernant le cas applicatif 1 et plus particulirement les classes de couleur prsentes dans le base de donnes Base_Couleur_1, deux modles distincts ont t proposs pour dfinir respectivement la connaissance de lexpert bois (figure 4.7) et la connaissance de lexpert vision (paramtres extraits des images pour qualifier les couleurs identifier). En regroupant les modles ainsi gnrs (figure 4.8), il est alors possible dextraire une fuzzyfication adapte aux connaissances exprimes par les experts. Il est noter que cette tude sur ces modles contribue faire le lien entre les domaines Bois et Vision, et ainsi rduire le foss smantique. A partir de ces modles, nous sommes capables de dfinir une dcomposition des univers de discours des diffrents paramtres du vecteur caractristique. En prenant lexemple de la valeur moyenne de la composante colorimtrique L, il semble naturel de dcomposer son espace de variations suivant trois termes distincts pour reprsenter les trois nuances de luminosit qui sont dfinies : claire, moyenne, fonce. En suivant le mme raisonnement pour les autres paramtres du vecteur caractristique (section 3.2.3. : moyennes des composantes L, a et b, homognit des composantes L et h), nous obtenons une dcomposition adapte aux connaissances (tableau 4.3).
- 125 -
{ 'claire', 'moyenne', 'fonce' } { 'brun fonc', 'brun moyen', 'brun clair', 'rouge fonc', 'rouge moyen', 'rouge clair' } Couleur (id_couleur) est caractrise par caractrise Luminance (id_luminance)
{ 'brun', 'rouge' } est caractrise par caractrise Teinte (id_teinte) { 'homogne', 'htr ogne' } est caractrise par caractrise Homognit (id_hom ognit)
Figure 4.7 : Modle de lexpert bois associ la base de donnes Base_Couleur_1
{ 'claire', 'moyenne', 'fonce' } est caractrise par { 'brun fonc', 'brun moyen', 'brun clair', 'rouge fonc', 'rouge moyen', 'rouge clair' } Couleur (id_couleur) est caractrise par caractrise caractrise Luminance (id_luminance) est caractrise par caractrise Compos ante moy enne L
{ 'brun', 'rouge' } Teinte (id_teinte)
est caractrise par
caractrise
Compos ante moy enne a
est caractrise par
caractrise
Compos ante moy enne b
{ 'homogne', 'htr ogne' } est caractrise par caractrise Homognit (id_hom ognit)
est caractrise par
caractrise
Homognit de la composante L
est caractrise par
caractrise
Homognit de la composante h
Figure 4.8 : Modle gnral des deux domaines dexpertise associ la base de donnes Base_Couleur_1
- 126 -
Tableau 4.3 : Nombre de sous-espaces obtenus pour chaque paramtre partir de la connaissance des experts dans le cas de la base de donnes Base_Couleur_1
Paramtre Nombre de termes Composante moyenne L 3 Composante moyenne a 2 Composante moyenne b 2 Homognit de la composante L 2 Homognit de la composante h 2
Tout comme pour la fuzzyfication quirpartie, il est possible de dterminer le nombre de rgles qui sont gnres dans le modle didentification (4.11).
Nb _ R = ki
i =1 n
(4.11)
o n est le nombre de paramtres composant le vecteur caractristique, et ki est le nombre de termes pour le ime paramtre. Dans le cas du tableau 4.3, nous obtenons 48 rgles. Les taux de reconnaissance obtenus pour ce type de fuzzyfication sont repris dans le tableau 4.4.
Tableau 4.4 : Taux de reconnaissances en gnralisation pour une fuzzyfication adapte

Base de donnes Base_Couleur_1 Base_Couleur_2 Taux de reconnaissance 83.25% 84.46% Nombres de rgles gnres 48 108
En comparant directement ces rsultats ceux obtenus partir dune fuzzyfication quirpartie, nous constatons une diminution de lordre de 1% des taux de reconnaissance pour les deux bases de donnes. Cependant, le nombre de rgles gnres est considrablement diminu (jusqu 350 fois moins de rgles lorsque nous adaptons la fuzzyfication aux connaissances des experts). De plus, ces rgles sont directement interprtables et traductibles en langage naturel [BOMB-07]. Elles permettent alors de confronter les rsultats obtenus lors de la classification aux connaissances des experts et ainsi de valider les modles de reconnaissance.
Fuzzyfication automatique
La fuzzyfication automatique est lie directement lanalyse des donnes du lot dapprentissage. Dans ce cas, seules les donnes numriques sont ncessaires afin dvaluer la meilleure dcomposition de lunivers de discours des paramtres du vecteur caractristique.
- 127 -
Lavantage dune telle fuzzyfication rside dans sa facilit de mise en uvre. En effet, les utilisateurs des systmes de classification ne sont pas des experts et prfrent donc configurer rapidement le module de reconnaissance. Cest pourquoi, ils dfinissent la plupart du temps une fuzzyfication quirpartie mme si elle nest pas adapte au problme (le dcoupage peut ne pas correspondre aux lots de donnes et les termes ainsi dfinis peuvent tre inappropris). Il existe aujourdhui plusieurs techniques afin de raliser la dcomposition des espaces de variation. Elles sont classiquement bases sur des mthodes de clustering [KEMP-06] [CARV-07] ou encore des algorithmes gntiques [ISHI-94] [OH-03] [CORD-04]. Cependant, en considrant les algorithmes gntiques, il est trs difficile dobtenir des rsultats corrects par rapport aux lots de donnes dont nous disposons dans notre tude. En effet, tout comme les rseaux de neurones, ces techniques sont connues pour tre gourmandes en nombre de points dapprentissage. Notre proposition fait suite une tude de Forest et al. en 2006 sur la gnration de prototypes flous partir de lanalyse des scores de typicalits de diffrentes classes [FORE06]. Pour obtenir une fuzzyfication automatiquement adapte aux lots de donnes, il est important que ces donnes soient typiques des sous-espaces gnrs et des classes de sortie. Pour valuer cette proposition, une analyse des scores de typicalits pour chaque paramtre du vecteur caractristique est faite. Ces scores T (4.12) sont calculs partir des dissimilarits externes D (4.13) et des ressemblances internes R (4.14) de chaque chantillon par rapport aux diffrentes classes de sortie.
T (Vau ) = R.D R.D + (1 R ) . (1 D )
(4.12)
D (Vau ) =
1 d
i =1
1 Vau , Vaei
(4.13)
R (Vau ) =
d
i =1
1 V , Vafi
u a
(4.14)
o Vau est la valeur dun paramtre a pour un chantillon u

Vafi est la valeur dun paramtre a pour un chantillon f appartenant la mme classe que lchantillon u Vaei est la valeur dun paramtre a pour un chantillon e nappartenant pas la mme classe que lchantillon u
- 128 -

d ( x, y ) est la distance euclidienne entre un chantillon x et un chantillon y
n est le nombre dchantillons appartenant la classe de lchantillon u m est le nombre dchantillons nappartenant pas la classe de lchantillon u R et D correspondent respectivement R (Vau ) et D (Vau ) .
La figure 4.9 illustre les scores de typicalits de chaque chantillon composant la base de donnes Base_Couleur_1, et cela pour chaque paramtre du vecteur caractristique.
- 129 -
1 0.95 0.9 0.85 score de typicalit 0.8 0.75 0.7 0.65 0.6 0.55 0.5
1 0.95 0.9
Brun
score de typicalit
0.85
Rouge Clair Rouge Fonc Rouge
0.8 0.75 0.7 0.65 0.6 0.55 0.5
Brun Fonc
Brun Clair
0.1
0.2
0.3
0.4 0.5 0.6 paramtre mL
0.7
0.8
0.9
0.1
0.2
0.3
0.4 0.5 0.6 paramtre ma
0.7
0.8
0.9
1 0.95 0.9 0.85 score de typicalit 0.8 0.75 0.7 0.65 0.6 0.55 0.5 score de typicalit 0 0.1 0.2 0.3 0.4 0.5 0.6 paramtre mb 0.7 0.8 0.9 1
1 0.95 0.9 0.85 0.8 0.75 0.7 0.65 0.6 0.55 0.5
0.1
0.2
0.3
0.4 0.5 0.6 0.7 paramtre homogeneiteL
0.8
0.9
1 0.95 0.9 0.85 score de typicalit 0.8 0.75 0.7 0.65 0.6 0.55 0.5
0.1
0.2
0.3
0.4 0.5 0.6 0.7 paramtre homogeneiteh
0.8
0.9
Figure 4.9 : Scores de typicalit pour les chantillons de la base de donnes Base_Couleur_1 pour les diffrents paramtres constituant le vecteur caractristique A partir des graphiques prsents, il est facile de constater que les scores de typicalits forment des courbes qui se chevauchent plus ou moins pour les diffrentes classes de sortie.
- 130 -
Pour le paramtre mL, nous constatons que les classes Brun et Rouge sont quasiment superpose alors que les classes Brun Fonc et Brun Clair sont bien distinctes. Il est donc intressant dvaluer une donne permettant de qualifier ce recouvrement. Pour ce faire, nous avons calcul en parallle les coefficients de corrlation r (4.15) des scores de typicalit de chaque classe ainsi que les coefficients de cross corrlation rcross (4.16) de ces mmes scores pour toutes les classes deux deux. De ces coefficients, nous avons calcul le rapport corr / xcorr (4.17) entre les diffrents coefficients. Il permet de caractriser la fois la similarit et le recouvrement quil peut exister entre les diffrentes classes.
r ( X ,Y ) =
( X
i =1
X ) . (Yi Y )
2
( X
i =1 n i =1
X) .
(Y Y )
i =1 i
(4.15)
2
k cross
( X ,Y ) =
( X ( X
i =1 n i
X ) . (Yi + k Y )
2
X) .
(Y Y )
i =1 i
(4.16)
2
corr / xcorr ( X , Y ) =
k max ( rcross ( X , Y ) ) k
r ( X ,Y )
(4.17)
o r ( X , Y ) est le coefficient de corrlation entre les deux populations X et Y constitues chacune de n individus
k rcross ( X , Y ) est le coefficient de corrlation croise entre les deux populations X et Y
linstant k. Le tableau 4.5 prsente les valeurs du coefficient corr / xcorr pour chaque couple de classe de sortie pour le paramtre reprsentant la moyenne de la composante L. Les valeurs ngatives obtenues montrent alors les classes nayant aucune similarit. Dans le cas des valeurs positives, plus les valeurs sont grandes, plus les classes considres se recouvrent.
- 131 -
DES MESURES FONCTIONNELLES A LA DECISION : VERS UN CAPTEUR FLOU Tableau 4.5 : Evaluation du coefficient corr / xcorr pour la composante L et les diffrentes classes prsentes dans la base de donnes Base_Couleur_1
Classes de sortie Brun Fonc Brun Brun Clair Rouge Fonc Rouge Rouge Clair Brun Fonc 8,07 -0,6 -0,77 -0,89 -0,66 -0,72 Brun -0,6 2,81 -0,12 -0,73 1,54 0,35 Brun Clair -0,77 -0,12 2,15 -0,78 -0,54 0,87 Rouge Fonc -0,89 -0,73 -0,78 10,14 -0,64 -0,65 Rouge -0,66 1,54 -0,54 -0,64 2,46 -0,33 Rouge Clair -0,72 0,35 0,87 -0,65 -0,33 2,97
En nous basant sur ltude de la variation du rapport corr / xcorr , nous avons labor une mthode de fuzzyfication automatique. En fait, le nombre de termes de fuzzyfication est dtermin partir de la valeur maximale des coefficients corr / xcorr . Si deux classes sont successives (tri croissant de leur valeur moyenne) et si le coefficient corr / xcorr associes ces deux mmes classes correspond la valeur maximale, ces deux classes sont reprsentes par le mme terme. Pour mieux apprhender la logique de ce traitement, lalgorithme est prsent ci-dessous.
Algorithme : 1) Calculs des rapports corr / xcorr pour toutes les classes de sorties
2) Tri croissant des classes de sortie en fonction de leur valeur moyenne pour le paramtre tudi Dans lexemple du tableau 4.5, le tri croissant est le suivant :
Brun Fonc Classe C1 Rouge Fonc Classe C2 Rouge Classe C3 Brun Classe C4 Rouge Clair Classe C5 Brun Clair Classe C6
3) POUR i = C1 CK, SI
corr/xcorr ( Ci , Ci +1 ) = max corr/xcorr ( Ci , C j ) | j [1, K ] , j i, corr/xcorr ( Ci , C j ) 0
(4.18)
- 132 -
ALORS Ci et Ci+1 sont reprsents par le mme terme SINON le terme en cours ne reprsente que la classe Ci, et un autre terme est cr pour la classe Ci+1.
En appliquant cette dmarche lexemple concernant le paramtre mL (tableau 4.5), lunivers de discours de ce paramtre est divis en quatre termes : le premier terme reprsentant la classe Brun Fonc ; le deuxime terme reprsentant la classe Rouge Fonc ; le troisime terme reprsentant les classes Rouge et Brun ; le quatrime terme reprsentant les classes Rouge Clair et Brun Clair.
Le tableau 4.6 illustre la fuzzyfication de chaque paramtre du vecteur caractristique pour la base de donnes Base_Couleur_1. Nous obtenons partir de lexpression (4.11) un total de 720 rgles gnres.
Tableau 4.6 : Nombre de sous-espaces obtenus pour chaque paramtre partir de la fuzzyfication automatique dans le cas de la base de donnes Base_Couleur_1
Paramtre Nombre de termes Composante moyenne L 4 Composante moyenne a 3 Composante moyenne b 5 Homognit de la composante L 3 Homognit de la composante h 4
Pour valider notre proposition, nous avons compar les rsultats de classification obtenus partir de notre technique ceux obtenus partir des techniques plus classiques de clustering [KEMP-06] [CARV-07] ou dalgorithmes gntiques [ISHI-94] [CORD-04]. Le tableau 4.7 rsume ces taux de reconnaissance pour les bases de donnes Base_Couleur_1 et Base_Couleur_2.
- 133 -
Tableau 4.7 : Comparaison des taux de reconnaissance obtenus partir de diffrentes mthodes de fuzzyfication
Mthode de clustering Base de donnes (k-moyennes floues) Taux de reconnaissance Base_Couleur_1 Base_Couleur_2 85.17% 85.96% Nombre de rgles 1200 1920 Algorithme gntique Taux de reconnaissance 84.37% 84.85% Nombre de rgles 960 1350 Analyse des scores de typicalit Taux de reconnaissance 85.65% 86.92% Nombre de rgles 720 1280
En reprenant lensemble des rsultats obtenus partir des diffrentes manires deffectuer la fuzzyfication, deux amliorations ressortent dans cette tude : celle concernant le taux de reconnaissance et celle concernant le nombre de rgles floues gnres. Tout dabord, en comparant globalement les techniques de fuzzyfication automatique aux fuzzyfications quirpartie et adapte, nous notons une amlioration moyenne des taux de reconnaissance de lordre de 1 2%. En regardant de plus prs les mthodes automatiques, notre proposition amliore les taux de reconnaissance denviron 1%. De plus, notre mthode se sert des classes de sorties pour effectuer la fuzzyfication automatique alors que les autres techniques cites se basent uniquement sur lanalyse des lots de donnes dentre (vecteurs caractristiques). Les termes obtenus sont donc adapts la reprsentation des sorties qui sont dfinies par le client. Enfin, nous notons une diminution du nombre de rgles gnres par rapport celui obtenu partir dune fuzzyfication quirpartie. Toutefois, le nombre de rgles gnres (720 pour la Base_Couleur_1 et 1280 pour la Base_Couleur_2) reste suprieur au nombre atteint dans le cas adapt (48 pour la Base_Couleur_1 et 108 pour la Base_Couleur_2). La base de rgle est donc plus difficilement interprtable dans notre cas, mais rpond mieux aux attentes du client en terme de bonne classification et en terme de simplicit dutilisation du module de classification. Notre mthode a t applique avec succs sur une autre application industrielle dans le domaine de la reconnaissance de dfauts sur du textile (Annexe B.3). Nanmoins, elle ne sapplique actuellement quaux classes de sortie de formes convexes qui peuvent tre reprsentes par un terme unique.
4.2.3. Gnration des rgles linguistiques

Ltape de fuzzyfication dfinit les variables linguistiques manipules par les rgles. Il est maintenant ncessaire de se focaliser sur la gnration mme des rgles qui constitue le cur du mcanisme de reconnaissance. Cette deuxime phase permet de gnrer des rgles de type SI ALORS qui dcrivent la perception que le systme a des couleurs. Si nous considrons deux paramtres en
- 134 -
entre, nots x1 et x2, et une couleur en sortie note y1, la forme gnrale des rgles suit lexpression : SI x1 est Ai ET SI x2 est Aj ALORS y1 est de la couleur Cn avec x1 et x2 les donnes dentre ; y1 la donne de sortie ; Ai et Aj les sous ensembles flous ; Cn la classe de la nime couleur. Lalgorithme prsent est bas sur un mcanisme dinfrences qui suit un modle de Larsen (loi de composition de type maximum/produit). Dans notre exemple, la conjonction ET est calcule partir de la T-norme associe au Produit cartsien des deux donnes dentre (4.19).
T ( x1 , x2 ) = x1.x2
(4.19)
Le connecteur ALORS est ensuite reprsent par loprateur de disjonction Maximum. Enfin, chaque rgle fournit une conclusion partielle, qui est agrge aux autres par un oprateur disjonctif. Dans notre cas, cet oprateur est la T-conorme Maximum dfinie par Zadeh [BOUC-95]. Nous avons valid le choix du modle de Larsen partir dessais raliss sur trois bases de donnes, les bases Base_Couleur_1, Base_Couleur_2 et Base_Couleur_3. Le tableau 4.8 illustre la comparaison entre le modle de Larsen et celui de Mamdani. Pour effectuer ces tests, nous avons modifi lalgorithme dIshibuchi et al..
Tableau 4.8 : Comparaison des taux de reconnaissance obtenus partir des modles de Larsen et de Mamdani
Modle de Larsen Base_Couleur_1 Base_Couleur_2 Base_Couleur_3 85.65% 86.92% 83.10% Modles de Mamdani 84.69% 85.53% 81.29%
Comme nous pouvons le constater, les rsultats obtenus ne prsentent pas une trs grande diffrence entre les deux modles (le modle de Larsen propose des taux de reconnaissance suprieur de 1% 2% environ ceux fournis par le modle de Mamdani). Cependant, la
- 135 -
moindre amlioration de la classification peut tre synonyme de profits pour des utilisateurs industriels. Lalgorithme dvelopp dispose dune phase dajustement du modle. Elle correspond la partie itrative de la mthode. Elle consiste ajuster le dcoupage de lunivers de discours des paramtres dentre. Cet ajustement dpend dun certain nombre de paramtres : nombre ditrations, seuil de reconnaissance, constantes dapprentissage 1 et 2. Le lecteur peut se rfrer lannexe B.1 qui prsente lalgorithme de gnration et ajustement des rgles. Lensemble des rsultats dj prsents a t obtenu pour les meilleures valeurs de ces paramtres dont le choix a t fait empiriquement. Cette tude sur limportance des constantes dapprentissage est expose en annexe B.4. Les valeurs de rglage retenues sont :
1 = 0.4 , 2 = 0.004 , nombre ditrations = 500, seuil de classification = 92%

Le processus dajustement des rgles est effectu de la manire suivante (figure 4.10) : gnration dun premier modle numrique partir du lot dapprentissage ; comparaison du taux de reconnaissance obtenu par rapport un seuil pralablement fix (92%) ; ajustement des coefficients de chaque rgle durant la partie itrative pour atteindre ce seuil partir de lensemble des points dapprentissage.
Figure 4.10 : Processus dajustement des rgles
- 136 -
Enfin, il faut noter quil existe de nombreuses techniques automatiques de gnration de rgles linguistiques. Alcala et al. recensent un certain nombres dentre elles [ALCA-07]. Les algorithmes gntiques sont largement utiliss durant cette tape [CORD-99] [CORD-01] [ISHI-03]. Cependant, ces techniques permettent en gnral de raliser ltape de fuzzyfication (ajustement des fonctions dappartenance) et ltape de gnration des rgles comme pour lalgorithme CHC [ESHE-91]. Dautres mthodes sont galement employes parmi lesquelles nous citerons : lalgorithme de Wang et Mendel [WANG-92], un algorithme bas sur un moyennage pondr suivant les sorties apprises [ALCA-07], un algorithme gntique mixte bas sur une combinaison de lalgorithme de Wang et Mendel et dun algorithme de partitionnement flou de lespace de variation des paramtres dentres [ALCA07]. Nos dveloppements se basant sur un algorithme datant des annes 90, il a sembl judicieux de comparer les mthodes automatiques de gnration de rgles afin de confirmer notre choix pour lalgorithme dIshibuchi et al. [ISHI-92]. Les rsultats prsents dans le tableau 4.9 ont t obtenus sur les lots de gnralisation des trois bases de donnes prcdentes.
Tableau 4.9 : Comparaison des taux de reconnaissance obtenus partir de diffrentes mthodes automatiques de gnrations de rgles linguistiques
Algorithme dIshibuchi et al. [ISHI-92] Base_Couleur_1 Base_Couleur_2 Base_Couleur_3 85.65% 86.92% 83.10% Algorithme de Wang et Mendel [WANG-92] 81.02% 82.30% 79.74% Moyennage pondr des sorties [ALCA-07] 80.06% 81.18% 78.31% Algorithme gntique mixte [ALCA-07] 83,73% 84,85% 80,38%
Les taux de reconnaissance obtenus montrent un lger avantage pour lalgorithme dIshibuchi et al. par rapport aux autres techniques de gnration des rgles. Les rsultats obtenus avec les algorithmes prsents par Alcala et al., moyennage pondr et algorithme gntique mixte, souffrent respectivement de deux problmes : le premier est trs performant lorsque les classes de sortie sont bien distinctes, le deuxime ncessite quant lui des lots de donnes dapprentissage consquent. Il faut noter quune mthode similaire lalgorithme d Ishibuchi et al. a t introduite par Tsekouras et al. [TSEK-03]. Celle-ci fait intervenir un partitionnement de lespace des variables dentre et une gnration de rgles partir de lalgorithme des k plus proches voisins. Les rsultats obtenus partir de celle-ci sont alors similaires ceux que proposent nos dveloppements.
- 137 -
4.2.4. Rsultats comparatifs de classification

Aprs avoir valid chaque tape constituant la mthode de classification floue propose, il est intressant de positionner celle-ci par rapport aux techniques gnralement cites dans la littrature : classificateur baysien, algorithme des k plus proches voisins flou ou non, rseaux de neurones, algorithmes gntiques, algorithmes SVM, La comparaison de ces diffrentes mthodes est ralise de plusieurs manires afin de valider diffrentes proprits. Dans un premier temps, il sagit de positionner nos travaux en utilisant la base de donnes IRIS classiquement rfrence dans le domaine de la reconnaissance de formes [UCI]. Ensuite, pour confirmer le pouvoir de gnralisation de la mthode, nous prsentons une tude concernant linfluence de la taille du lot dapprentissage sur les taux de reconnaissance. Enfin, nous proposons des rsultats de classification obtenus sur les trois bases de donnes issues des cas applicatifs (Base_Couleur_1, Base_Couleur_2, Base_Couleur_3). Il faut rappeler que ces bases nont pas t filtres. En effet, les chantillons constituant les diffrentes bases peuvent contenir des points aberrants lis la subjectivit des oprateurs effectuant manuellement ltiquetage.
Base de donnes IRIS
Cette base de donnes est gnralement employe pour positionner un classificateur par rapport lexistant. Le lot de donnes est compos de 150 chantillons. Ces derniers sont quirpartis suivant trois classes de sorties. Le vecteur caractristique est constitu de quatre paramtres de taille (longueur des spales, largeur des spales, longueur des ptales, largeur des ptales). Pour garder le mme protocole de tests que pour les essais prcdemment exposs, cette base de donnes a t divise en deux sous-groupes : le premier constituant le lot dapprentissage (20 chantillons par classe) et le second constituant le lot de gnralisation (30 chantillons par classe). La figure 4.11 prsente les rsultats en gnralisation obtenus partir de diffrentes techniques de classification : classificateur baysien (Bayes), k plus proches voisins (kppv), k plus proches voisins flous (kppv flou), rseaux de neurones (RdN), algorithme gntique (GA), support vecteur machine (SVM), FRC (Fuzzy Reasoning Classifier Mthode dveloppe).
- 138 -
Taux de reconnaissance
GA kppv flou RdN SVM kppv Bayes FRC 95,50% 96,00% 96,50% 96,70% 96,70% 97,00% 97,50% 98,00% 98,50% 97,80% 97,80%
98,90% 98,90% 98,90%
99,00%
99,50%
Figure 4.11 : Taux de reconnaissance en gnralisation sur la base de donnes IRIS Paramtrages des mthodes compares au FRC : kppv : kppv flou : RdN : GA : recherche des 3 plus proches voisins - distance euclidienne recherche des 3 plus proches voisins 4 neurone en entres, 3 neurones en sortie, 3 couches caches de 20 neurones chacune, 750 itrations, algorithme de Levenberg-Marquardt taux de reproduction = 0.3, probabilit de mutation = 0.1, 1000 itrations, nombre de bits dfinissant chaque individu = 8, slection des individus par ordonnancement Noyau RBF gaussien, cart-type du noyau = 0.1, C = 50 (erreur de rgularisation), pas = 5, tolrance = 10-5
SVM :
Les rsultats obtenus montrent des taux de reconnaissance trs similaires pour les diffrentes mthodes prsentes (taux suprieurs 96% dans lensemble). Il faut noter que la mthode floue dveloppe se positionne parmi les techniques les moins performantes sur cette base de donnes. Ces tests permettent de positionner la mthode mais aucun cas de conclure quant son efficacit. En revanche, si ltape daffinage tait active, nous obtiendrions un taux de reconnaissance avoisinant les 100%. La base de donnes IRIS tant, relativement simple, il est intressant de valider notre mthode sur les bases de donnes industrielles qui sont nettement plus complexes.
- 139 -
Pouvoir de gnralisation de la mthode face des lots dapprentissage rduit
La potentialit apprendre partir de peu dchantillons est un des points forts de notre mthode. Plusieurs tests ont t mens partir dun lot de donnes industrielles compos de 943 chantillons rpartis suivant six classes de couleur. Afin dvaluer et comparer les diffrents classificateurs, et notamment ceux ncessitant des lots dapprentissage consquents, des points ont t gnrs alatoirement en bruitant les donnes relles partir dun bruit blanc gaussien. Au final, la base de donnes (Base_Couleur_Etendue) servant aux tests est compose de 5000 points par classe pour lapprentissage et 5000 points par classe pour la gnralisation. La figure 4.12 reprsente lvolution des taux de reconnaissance en phase de gnralisation en fonction du nombre de points dapprentissage par classe de sortie. Les rsultats prsents ci-dessous correspondent un moyennage des rsultats obtenus aprs plusieurs rptitions des tests (100 tirages alatoires des points dapprentissage sans doublon).
- 140 -
90 80 70 Taux de reconnaissance 60 50 40 30 20 10 Bayes kppv RdN FRC kppv flou GA SVM
(a)
500
1000
1500 2000 2500 3000 3500 Nombre d'chantillons par classe
4000
4500
5000
90 80 70 Taux de reconnaissance 60 50 40 30 20 10 Bayes kppv RdN FRC kppv flou GA SVM
(b)
10
20
30 40 50 60 70 Nombre d'chantillons par classe
80
90
100
Figure 4.12 : Taux de reconnaissance en gnralisation sur la base de donnes Base_Couleur_Etendue
- 141 -
Sur la figure 4.12, nous constatons que le taux de reconnaissance augmente en fonction du nombre de points en apprentissage, et cela quelque soit la mthode de classification choisie. Une asymptote horizontale apparat mme vers : 71,5% pour le classificateur baysien (maximum a posteriori); 76% pour les k plus proches voisins (k=5) ; 80,2% pour les k plus proches voisins flous (k=5) ; 83,4% pour les rseaux de neurones (5 neurones dentres, 3 couches caches de 20 neurones, 6 neurones de sorties, 1500 itrations) ; 84,4% pour notre classificateur flou (FRC) ; 85,4% pour un algorithme gntique ; 85,5% pour les SVM. Nous pouvons constater que le FRC se situe parmi les mthodes les plus efficaces. Cependant, une grande diffrence existe quant la vitesse de convergence vers ces maxima. Typiquement, les rseaux de neurones, les algorithmes gntiques et les SVM utilisent beaucoup dchantillons en apprentissage pour tre efficaces en gnralisation. Pour des performances quivalentes, ces algorithmes ont besoin de 100 fois plus (RdN et GA) et 25 fois plus (SVM) de points pour que le taux de reconnaissance soit comparable celui obtenu avec notre mthode. Cet aspect est donc trs important, car il nest pas ais dobtenir de grands lots de donnes dans un environnement industriel. De plus, dans notre contexte applicatif, il est possible que certaines classes de sortie ne soient reprsentes que par dix ou vingt chantillons (voire moins). Les mthodes ncessitant des lots consquents sont donc viter.
Comparaison des classificateurs sur les bases de donnes industrielles
Aprs avoir mis en vidence la potentialit de notre mthode en gnralisation, il est intressant de faire une comparaison similaire mais sur les bases de donnes industrielles non tendues et non filtres : Base_Couleur_1, Base_Couleur_2 et Base_Couleur_3. La figure 4.13 prsente les taux de reconnaissance obtenus en gnralisation pour les diffrentes mthodes de classification.
- 142 -
Taux de reconnaissance RdN Base_Couleur_3 GA Bayes kppv (k=5) SVM kppv flou (k=5) FRC GA x RdN Bayes kppv (k=5) kppv flou (k=5) SVM FRC RdN x GA Bayes kppv (k=5) SVM kppv flou (k=5) FRC
0,00% 10,00% 20,00% 30,00% 40,00% 50,00% 60,00% 70,00% 80,00%
70,97% 72,25% 74,32% 79,90% 81,02% 81,02% 83,10% 73,84% 74,64% 77,03% 82,62% 83,41% 83,89% 86,92% 72,73% 73,21% 76,56% 81,66% 81,98% 82,78% 85,65%
90,00% 100,00%
Paramtrages des mthodes compares au FRC : kppv : kppv flou : RdN : recherche des 5 plus proches voisins - distance euclidienne recherche des 5 plus proches voisins 5 neurone en entres, neurones en sortie : 6 pour Base_Couleur_1, 9 pour Base_Couleur_1 et 4 pour Base_Couleur_3 , 3 couches caches de
Base_Couleur_1
Base_Couleur_2
Figure 4.13 : Taux de reconnaissance en gnralisation sur les trois bases de donnes industrielles
- 143 -
30 neurones chacune, 1500 itrations, algorithme de LevenbergMarquardt GA : taux de reproduction = 0.4, probabilit de mutation = 0.2, 2000 itrations, nombre de bits dfinissant chaque individu = 8, slection des individus par ordonnancement Noyau RBF gaussien, cart-type du noyau = 0.01, C = 200 (erreur de rgularisation), pas = 5, tolrance = 10-10
SVM :
Nous pouvons constater quune certaine logique se dgage des diffrents essais. En effet, lefficacit des diffrents classificateurs est toujours la mme. Logiquement, les taux les plus faibles (infrieurs 75% sur les trois bases de donnes) sont obtenus avec deux mthodes par compilation, efficaces pour des lots de donnes consquents (RdN et GA). Les mthodes statistiques, paramtriques ou non, fournissent quant elles des rsultats acceptables avec des taux de reconnaissance allant jusqu 80% environ. Les meilleurs rsultats sont obtenus avec les mthodes floues (kppv flou et FRC). Nous pouvons aussi noter le bon comportement des SVM qui sont des classificateurs performants dont nous nous servons comme rfrence pour situer notre mthode. Quelque soit la base de donnes industrielles, les taux de reconnaissance proposs par notre mthode sont les meilleurs et valident donc bien nos prcdents choix (83.10% pour la Base_Couleur_1, 86.92% pour la Base_Couleur_2 et 85.65% pour la Base_Couleur_3). Les bases de donnes utilises pour valider notre mthode ntant pas filtres des points aberrants pouvant tre tiquets par loprateur humain, les rsultats montrent une certaine robustesse de notre algorithme face ce type de donnes. Dun point de vue industriel, notre tude se basant sur le dveloppement dun nouveau produit pour la socit LuxScan Technologies, il a fallu rpondre rapidement aux attentes des clients. En effet, pour permettre une industrialisation rapide (associe au cas applicatif 1), la technique de classification implmente sur site a volu au cours du temps. Dans un premier temps, un classificateur baysien bas sur la recherche du maximum a posteriori a t utilis. Avec des objectifs commerciaux trs stricts, et une simplicit dimplmentation lenvironnement logiciel de la socit, lalgorithme des k plus proches voisins a t instanci en C++ permettant ainsi une augmentation des taux de reconnaissance de lordre de 8%. A lheure actuelle les systmes en place fonctionnent tous sur ce principe, lindustrialisation de la mthode floue de classification tant plus longue. Il faut noter que notre mthode est dj implmente larchitecture logicielle de la socit, mais uniquement pour effectuer la reconnaissance de singularits [MAZA-07b].
4.3.
Utilisation conjointe de deux capteurs flous
La mthode de classification prsente sapplique chaque capteur dun systme de vision, et fournit donc une sortie nominale quant la couleur des avivs. Comme nous avons - 144 -
pu le voir, la dcision du classificateur flou mis en uvre repose sur lattribution dune classe de sortie associe un degr de confiance CF. Dans le cas applicatif 1, le systme de vision compos de deux capteurs flous couleurs doit tre intgr une ligne de trononnage. La reconnaissance des couleurs seffectuant sur les rives, une difficult supplmentaire intervient car les deux cts ne sont pas forcment de la mme couleur. De plus, lors de ltiquetage des avivs, il subsiste une forte subjectivit lie au jugement des oprateurs. En effet, ces derniers peuvent se servir des faces pour prendre leur dcision, alors que, pour des raisons matrielles, nous ne disposons que de capteurs couleurs sur les rives. Pour le cas applicatif 1, il sagit donc de combiner des informations extraites de diffrents objets (chaque rive des avivs correspondant un unique objet) provenant de plusieurs capteurs. Ensuite, au vu des enjeux industriels, il est inconcevable dignorer la dcision dun capteur. En effet, les produits finaux (les lisses) ne peuvent prsenter une htrognit de couleur entre leurs rives. La dcision finale du systme doit donc satisfaire lensemble des dcisions de chaque capteur. Nous parlons alors de fusions de donnes [BOUC-98]. La figure 4.14 illustre la prise de dcision sur les avivs du cas industriel cit.
Figure 4.14 : Application de la fusion dinformations au cas applicatif 1 Dans une premire partie, nous dressons un bref tat de lart concernant les techniques de fusion de donnes en insistant sur notre choix. Enfin, nous exposons des rsultats comparatifs directement lis au cas applicatif 1.
- 145 -
4.3.1. Choix de loprateur de fusion

Les problmes de fusion de donnes ou de combinaison dinformations ne possdent pas de solution unique. Dans notre cas, la combinaison des dcisions mono capteur doit permettre de prendre en compte les ventuelles incertitudes [DUBO-04]. Ces incertitudes peuvent tre values travers les degrs de confiance associs chaque dcision. Dans [FAGI-99], lauteur dresse un tat de lart des diffrentes techniques permettant de combiner des informations floues provenant de plusieurs systmes. Il assimile la combinaison des informations des requtes pouvant tre effectues dans des bases de donnes. En prenant pour exemple notre cas applicatif, ses propositions de requte sont de la forme suivante :
(Couleur Rive droite = " rouge ") (Couleur Rive gauche = " rouge clair ")
A partir de cette requte, il faut ensuite dfinir les oprateurs de combinaison des deux informations qui sont considres chacune dans des sous-espaces flous. Fagin recense alors les normes triangulaires (T-normes) pouvant permettre deffectuer cette combinaison dinformations. Dans le cadre des ensembles flous, chaque dcision est modlise par un degr dappartenance une classe partir des fonctions dappartenance. Pour combiner ce type dinformation, les oprateurs T-normes sadaptent mieux aux incertitudes lies aux dcisions. Classiquement, la dcision est prise par la valeur maximale dappartenance. Dans notre processus didentification de la couleur des avivs, plusieurs voies sont envisageables. La combinaison dinformations peut considrer uniquement linformation symbolique fournie par chaque capteur (classe de sortie dcrite de manire nominale) [MAUR-98], ou bien au contraire par linformation floue fournie par le systme. Dans le cas dune fusion de donnes symboliques base uniquement sur les sorties nominales fournies par chaque capteur flou couleur, il est possible de dresser un tableau reprenant lensemble des rgles pouvant tre exprimes directement par lutilisateur du systme (tableau 4.10). Cette mthode de fusion de donnes est celle actuellement mise en uvre pour le cas applicatif 1. Le tableau 4.10 reprsente les rgles de fusions dfinies par lexpert bois.
- 146 -
Tableau 4.10 : Table de fusion de donnes symboliques associe au cas applicatif 1

Brun Fonc Brun Fonc Brun Brun Clair Rouge Fonc Rouge Rouge Clair Inconnu Brun Fonc Brun Rejet Rejet Rejet Rejet Rejet Brun Brun Brun Rejet Rejet Rejet Rejet Rejet Brun Clair Rejet Rejet Brun Clair Rejet Rejet Rejet Rejet Rouge Fonc Rejet Rejet Rejet Rouge Fonc Rouge Rejet Rejet Rouge Rejet Rejet Rejet Rouge Rouge Rejet Rejet Rouge Clair Rejet Rejet Rejet Rejet Rejet Rouge Clair Rejet Inconnu Rejet Rejet Rejet Rejet Rejet Rejet Rejet
Un grand nombre de cas prsents dans le tableau 4.10 fournissent une dcision pnalisante en terme de production. En effet, la classe de rejet est trs majoritaire et ne laisse aucune ambigut quant aux rponses de chaque capteur. Elles sont toutes considres comme parfaitement sres. Or, les rgles dcrites par lexpert bois (tableau 4.10) peuvent prsenter des incertitudes lies la subjectivit de la dfinition des classes de couleur. Il nest pas toujours simple de faire la diffrence entre les couleurs du bois. Il est donc plus judicieux dintgrer les rsultats flous de chaque capteur flou, et cela pour rduire la quantit de produits rejets et ainsi pour mieux valoriser la production des clients. Bloch propose une classification des oprateurs de fusion dinformations (nots F) suivant les trois catgories suivantes [BLOC-96], o x et y correspondent aux degrs dappartenance associes deux dcisions floues. Les oprateurs svres : F est alors un oprateur conjonctif si F ( x, y ) min ( x, y ) . Les oprateurs indulgents : F est alors un oprateur disjonctif si F ( x, y ) max ( x, y ) . Les oprateurs prudents : F est alors dfini afin de satisfaire les proprits x F ( x, y ) y si x y suivantes . y F ( x, y ) x sinon
En gardant lesprit les enjeux industriels en terme de production, il semble judicieux de sorienter vers un oprateur prudent qui reprsente un bon compromis entre les imprcisions des dcisions mono capteur et le cot ventuel derreur de classification. Loprateur choisi
- 147 -
est celui dvelopp dans notre quipe par Perez-Oramas [PERE-00] (4.20). Dans la suite, la lettre F correspond toujours cet oprateur.
min ( x, y ) 2 F ( x, y ) = min 1, 1 min ( x, y ) avec ( x, y ) [ 0,1]
(4.20)
Cependant, il existe un cas dans notre problme pour lequel loprateur de fusion dinformations ne peut fournir une rponse mme errone. Si les deux degrs dappartenance sont suprieurs un seuil prdfini not S, un oprateur indulgent permet dviter les erreurs de classification. Il en rsulte alors trois cas possibles (4.21-4.23). x F ( x, y ) = min 1, si x < y < S ou x < S < y 1 x y F ( x, y ) = min 1, si y < x < S ou y < S < x 1 y
F ( x, y ) = 1 si x S et y S
(4.21)
(4.22) (4.23)
La figure 4.15 illustre lvolution des valeurs prises par loprateur F pour les diffrents cas cits pour un seuil S=1/2.
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figure 4.15 : Comportement de loprateur F
4.3.2. Rsultats comparatifs de classification rive/rive

Afin de valider notre choix doprateur de fusion de donnes, nous avons valu les rsultats de classification lis au cas applicatif 1.
- 148 -
Deux bases de donnes ont t dfinies suivant les spcifications de lindustriel : la base de donnes Base_Couleur_Gauche qui correspond aux donnes acquises sur la rive gauche des avivs ; la base de donnes Base_Couleur_Droite qui correspond aux donnes acquises sur la rive droite des avivs.
Ces deux bases sont constitues chacune de 316 chantillons pour la phase dapprentissage des modles de couleurs et de 627 chantillons pour la phase de gnralisation. Les couleurs apprises sont celles voques dans le tableau 4.10 : Brun Fonc, Brun, Brun Clair, Rouge Fonc, Rouge et Rouge Clair. Les taux de reconnaissance obtenus pour chaque base de donnes sont les suivants : 85.65% de bonne classification pour la Base_Couleur_Gauche et 86.12% de bonne classification pour la Base_Couleur_Droite. Lavantage de lutilisation dune fusion dinformations floues plutt que symboliques peut tre illustr par un exemple concret.
Exemple dapplications de loprateur de fusion
Considrons deux dcisions mono capteur (rive gauche et rive droite) prises sur un mme aviv. Le systme de reconnaissance fournit pour chacune dentre elles le coefficient dappartenance chaque classe de sortie apprise. Comme nous avons pu le voir prcdemment, la qualification de la couleur dune rive dun aviv correspond alors la classe de sortie proposant le degr dappartenance maximum. Dans le cas applicatif 1, nous disposons donc de 7 degrs dappartenance par rive (tableau 4.11).
Tableau 4.11 : Dcisions prises par chaque capteur et fusion de donnes

Rive gauche Classes de sortie Brun Fonc Brun Brun Clair Rouge Fonc Rouge Rouge Clair Inconnu Degrs dappartenance 0.0000 0.0000 0.0004 0.0000 0.0027 0.0334 0.0000 Rive droite Classes de sortie Brun Fonc Brun Brun Clair Rouge Fonc Rouge Rouge Clair Inconnu Degrs dappartenance 0.0000 0.0000 0.0288 0.0000 0.0002 0.0104 0.0000 Couleur de laviv aprs fusion des dcisions mono capteur Classes de sortie Brun Fonc Brun Brun Clair Rouge Fonc Rouge Rouge Clair Inconnu Rsultats obtenus pour loprateur F 0.0000 0.0000 0.0004 0.0000 0.0002 0.0105 0.0000
- 149 -
Lchantillon prsent par cet exemple est tiquet Rouge Clair par loprateur humain. Or, en utilisant uniquement les rponses maximales obtenues sur chaque rive et la fusion purement symbolique du tableau 4.10, laviv en question est identifi comme un produit rejet . Cette dcision est donc en dsaccord avec lexpertise bois . Au contraire, en appliquant loprateur de fusion de donnes cit, la valeur maximale est obtenue pour la classe Rouge Clair qui confirme ltiquetage manuel.
Rsultats comparatifs
Dans cette partie, nous prsentons les rsultats de classification des avivs suivant leur couleur en fusionnant les dcisions de chaque capteur. La figure 4.16 illustre les taux de reconnaissance obtenus pour diffrents oprateurs de fusion de donnes (oprateur F mis en place, et T-Normes) en comparaison avec une fusion purement symbolique. Les expressions mathmatiques des T-Normes utilises dans la comparaison sont reprises dans le tableau 4.12.
Taux de reconnaissance
Oprateur F Hamacher Zadeh T-Normes x Yager Lukasiewicz Probabiliste Fusion Symbolique 80,06% 79,90% 81,82% 84,21% 87,56%
90,27% 89,15%
74,00% 76,00% 78,00% 80,00% 82,00% 84,00% 86,00% 88,00% 90,00% 92,00%
Figure 4.16 : Taux de reconnaissance aprs fusion des informations mono capteur Cas applicatif 1
- 150 -
Tableau 4.12 : Dfinition mathmatique des T-Normes duales tudies

Nom Zadeh Probabiliste Lukasiewicz Hamacher T-Norme
min ( u , v )
u.v
max ( u + v 1, 0 ) u.v ( u + v u.v )
Yager (p>0)
p p max 1 (1 u ) + (1 v )
,0
Les rsultats montrent que la simple utilisation dune T-Norme pour effectuer la fusion des donnes de chaque capteur flou amliore les taux de reconnaissance par rapport une simple fusion symbolique. En se focalisant uniquement sur les oprateurs de fusion, nous constatons une nette amlioration des performances du systme de dcision partir de limplmentation de notre oprateur F (taux de reconnaissance suprieur 90%).
4.4.
Conclusion
Dans ce chapitre, nous avons expos le module classification/dcision composant notre capteur flou. Dans un premier temps, nous avons dmontr lintrt de la logique floue afin de prendre en compte les incertitudes et les imprcisions dans la classification des couleurs. Pour ce faire, nous avons propos la mthode FRC base sur lalgorithme dIshibuchi et al. qui met en uvre un mcanisme de rgles linguistiques floue sous leur forme conjonctive. Cette mthode permet alors de fournir des rponses nominales lutilisateur, faisant ainsi le lien entre lunivers de discours et lunivers lexical introduit dans le fonctionnement du capteur flou (figure 4.17).
- 151 -
Figure 4.17 : Reprsentation du lien entre lunivers de discours et lunivers lexical Classification/Dcision Dans un deuxime temps, en exposant le classificateur dvelopp, nous avons prsent notre contribution la simplification de ltape de paramtrage, et plus particulirement ltape de fuzzyfication des entres du systme de reconnaissance, soit les composantes du vecteur caractristique. Ainsi, nous avons montr que notre proposition permet de travailler partir de lexpertise des professionnels du bois (dfinition des classes de couleur par le client partir dun lot de donnes dapprentissage). Une comparaison des rsultats a t ralise entre les mthodes classiquement utilises (mthode de clustering et algorithmes gntiques) qui a montr une amlioration des taux de reconnaissance ainsi quune diminution du nombre de rgles linguistiques gnres. Par ailleurs, partir de faibles lots de donnes dapprentissage, les taux de reconnaissance de notre mthode convergent rapidement vers un maximum. Nous avons galement compar notre mthode de classification par rapport des classificateurs de rfrence en reconnaissance de formes (SVM, rseaux de neurones, ). Les rsultats montrent, quelque soit le lot de donnes choisis, une amlioration des taux de reconnaissance avec un net avantage pour notre mthode concernant son aptitude en gnralisation. Enfin, outre les traitements effectus sur chaque capteur flou couleur, le cas applicatif 1 de notre tude ncessite une tape supplmentaire de fusion de donnes afin de fournir au systme une dcision globale concernant la couleur des avivs. Actuellement bas sur une fusion purement symbolique, les rsultats proposent une forte quantit de produits rejets qui nest pas acceptable par le client. Loprateur de fusion prsent dans la dernire partie se dmarque largement des normes triangulaires classiquement utilises pour des problmes comparables et nous permet dattendre un taux de classification de 10% suprieur la fusion symbolique.
- 152 -
CONCLUSION ET PERSPECTIVES
CHAPITRE 5 : CONCLUSION ET PERSPECTIVES
- 153 -
5. Conclusion et perspectives
5.1.
Conclusion
Dans cette tude, nous avons abord le dveloppement dun systme de vision adapt lidentification de couleurs. Ce systme labor en lien avec la socit LuxScan Technologies permet la classification davivs partir de leur couleur. La perception des couleurs est une notion trs subjective dans le type denvironnement considr. Dans le domaine du bois, nous avons pu noter quelle nest pas universelle car fortement lie aux chantillons utiliss et aux conditions danalyse des avivs. Classiquement ralise par des oprateurs humains, cette analyse doit tre automatise pour permettre aux industriels de se positionner sur un march plus que concurrentiel. Afin de rpondre cette problmatique, nous avons donc choisi de dvelopper un systme automatique de vision suivant la structure dun capteur flou. Lintrt majeur de ce type de capteur intelligent rside dans lintgration des connaissances a priori sur le problme et linterprtabilit des rsultats obtenus. Le traitement des images, la reconnaissance de formes et les mthodes de classification sont les principaux thmes abords dans ce travail de thse. Dans la premire partie, nous avons dress un tat de lart sur les systmes de vision et de reconnaissances de formes dans un contexte de contrle qualit. Ainsi, en examinant le champ applicatif de ces travaux, nous avons montr que les techniques existantes nintgrent pas ou peu de connaissance pour effectuer lidentification de formes. Un tat de lart concernant les techniques de traitement dimages et de reconnaissance de formes a t prsent afin de positionner notre travail. LHomme dispose galement dune grande capacit dadaptation de par les nombreux traitements quil peut raliser. De ce fait, nous avons orient nos travaux vers le dveloppement dun capteur flou en intgrant des notions smantiques aux donnes numriques. Ceci doit permettre de rduire le foss smantique pouvant exister entre les domaines dexpertise bois et vision. Dans la deuxime partie, nous avons prsent le systme dacquisition ainsi que lextraction des mesures fonctionnelles en identifiant chaque lment suivant la structure du capteur flou. Tout comme ltre humain, le systme dacquisition est soumis des - 154 -
perturbations externes : variation de lumire, changement de temprature, positionnement du capteur, Ces paramtres perturbent tous plus ou moins la reconnaissance des couleurs. Ainsi, aprs des tudes de chaque facteur influant, nous avons mis en place des outils de corrections visant rduire au maximum leurs effets. Cependant, la correction des mesures effectues par le capteur ne suffit pas fournir au systme de classification des donnes fonctionnelles adaptes au problme vis. Toujours par souci dinterprtabilit et de reproduction de la perception des couleurs par lil humain, nous avons valid ici le choix du repre colorimtrique CIE Lab permettant la meilleure discrimination des classes de couleurs. Nous avons construit un vecteur caractristique pertinent, constitu de cinq paramtres en nous appuyant sur la finalit de notre tude, le taux de reconnaissance. Ainsi, partir dune mthode de slection de paramtres base sur lutilisation des Supports Vecteurs Machines (SVM), nous avons pu obtenir le vecteur caractristique optimum pour notre problmatique. Dans la troisime partie, les mesures fonctionnelles tant disponibles, nous avons explicit nos travaux concernant llaboration dune mthode de classification base sur lutilisation de rgles linguistiques floues. Ce type de raisonnement semble naturel pour des traitements lis des expertises humaines. Ils autorisent, entre autre, la prise en compte des imprcisions et des incertitudes pouvant subsister provenant soit de la dfinition mme des classes de couleur reconnatre, soit des mesures malgr la correction qui peut tre faite. Un autre intrt lutilisation de rgles linguistiques floues rside dans la possibilit de pouvoir crer un modle couleur, directement partir de lexpertise mtier. Il serait alors possible de reconnatre des couleurs sans acquisition ni chantillons. Bien que ntant pas utilise dans ces travaux, cette ide reste trs envisageable. Dans un souci de simplification de lutilisation de notre systme, nous avons propos une mthode originale de paramtrage de loutil de classification, notamment pour la phase de fuzzyfication. Celle-ci est base sur lexploitation de donnes client . Ainsi, lanalyse des scores de typicalits de chaque paramtre a permis de mettre en avant les ressemblances et recouvrements pouvant exister entre les diffrentes classes de sortie. Enfin, nos travaux ont abord la partie dcision du capteur flou. Nous avons montr que notre mthode permet une amlioration des taux de reconnaissance par rapport aux techniques classiquement employes en reconnaissance de formes (SVM, algorithmes gntiques, rseaux de neurones, ). De plus, avec un fort pouvoir de gnralisation de par son aptitude fonctionner avec peu dchantillons en apprentissage, lintgration du classificateur FRC en milieu industriel sen trouve facilite. Dans ce cas, le concept de capteur flou prsente plusieurs avantages. Premirement, la logique utilise permet de prendre en compte la gradualit des classes de sortie dfinies par lutilisateur. Deuximement, mme si nous avons implment des modles de correction dans notre capteur, il semble ncessaire de faire attention aux conditions dacquisitions. Sans un systme stable et robuste dans le temps, les modles couleur risque de driver. Il tait donc important de dvelopper un systme flexible, fiable et efficace. De plus, les donnes fournies par les capteurs sont reprsentes en termes linguistiques et sont ainsi interprtables par les utilisateurs dans la phase de calibration ou dutilisation du systme.
- 155 -
Nous avons galement montr lintrt du dveloppement dun capteur flou dans la fusion dinformations multi-capteur. En effet, dans ce type de processus, les dcisions humaines tiennent compte des reprsentations linguistiques des couleurs du bois, et se font partir de rgles nonces en langage naturel. Limplmentation dun oprateur mathmatique permet de rendre plus souples ces dcisions. Les rsultats obtenus montrent une rduction de la proportion davivs rejets et ainsi des cots dexploitation minors. Les dveloppements raliss durant cette thse se sont organiss autour dun projet industriel. De ce fait, il a fallu rpondre en temps voulu aux contraintes du client (chancier). Nous avons ax ce mmoire vers le capteur flou mais nous avons d proposer plusieurs solutions intermdiaires et temporaires lindustriel. En effet, actuellement, le classificateur FRC nest pas encore implment sur site, contrairement nos propositions sur les corrections des perturbations environnementales. La figure 5.1 illustre les points cls de nos dveloppements durant les quatre annes de ltude.
- 156 -
Figure 5.1 : Evolution du projet de dveloppement du capteur flou couleur
- 157 -
La figure 5.2 illustre lvolution du taux de reconnaissance en fonction des diffrents points cls noncs sur la figure 5.1. En prenant pour exemple le cas applicatif 1, nous constatons plusieurs volutions concernant le taux de reconnaissance. Aprs lutilisation dun classificateur baysien fournissant des taux de reconnaissance de lordre de 70%, limplmentation des k plus proches voisins a permis une amlioration de 5% de ces taux. Suite aux adaptations et aux corrections environnementales, les rsultats ont atteint 80%. Ces rsultats concernent les rsultats pour un seul capteur. Une volution similaire est galement observe pour les rsultats multi-capteurs.
Evolution des taux de reconnaissance pour les cas applicatifs
95%
Classificateur 1 plus proche voisin Fusion symbolique
90%
85% Taux de reconnaissance
Classificateur 1 plus proche voisin Fusion symbolique
80%
Classificateur FRC Fusion par oprateur numriqu Capteur flou
75%
Classificateur 1 plus proche voisin Fusion symbolique Changement du systme d'acquisition
70%
Classificateur Baysien Fusion symbolique
65%
60% mars-04
sept-04
mars-05
sept-05 Date
mars-06
sept-06
mars-07
sept-07
Cas Applicatif 1 - Mono capteur
Cas Applicatif 1 - Multi capteur
Cas Applicatif 2
Figure 5.2 : Evolution du taux de reconnaissance pour le cas applicatif 1 durant les travaux de thse La figure 5.2 montre une amlioration des taux de reconnaissance tout au long de la collaboration avec la socit LuxScan Technologies. Limplmentation sur site du classificateur FRC permettrait encore damliorer le taux de reconnaissance de 5% dans le cas mono-capteur et de 10% en utilisant la fusion dinformation floue, dans le cas multi-capteur.
- 158 -
5.2.
Perspectives
Nos travaux ont abouti plusieurs rsultats exploitables. Nanmoins, les perspectives directes ou indirectes sont nombreuses. Tout dabord, elles peuvent concerner lamlioration des techniques proposes : classification et fusion de donnes. Dun point de vue du paramtrage du module de classification, la fuzzyfication automatique des paramtres dentre semble tre prometteuse mais limite au cas des classes de sortie convexe. En tendant notre mthode aux classes prsentant plusieurs modalits, il serait alors envisageable dattribuer plusieurs termes de fuzzyfication une mme classe. Dans un souci de simplification du systme, nous pouvons imaginer un couplage de notre mthode de fuzzyfication automatique une technique de slection de paramtres afin dautomatiser la rduction de la dimension du vecteur caractristique. Une premire tude a dj t effectue en collaboration avec le laboratoire LORIA de Nancy, sur une problmatique de classification de dfauts textiles. Concernant la partie classification de donnes, nous pouvons essentiellement nous orienter vers une amlioration de la phase de gnration automatique des rgles floues. Les rgles gnres favorisent actuellement la classe fournissant la rponse maximale. Une pondration diffrente pour chaque classe durant la phase itrative dajustement des rgles permettrait de prendre plus en compte les classes fournissant les deuximes rponses maximales. De plus, en analysant plus en dtail les rgles gnres, nous pouvons envisager de rduire leur nombre en supprimant celles qui ne sont pas indispensables la reconnaissance. Linterprtation des rgles pourrait galement tre amliore en dveloppant un outil de synthse partir des matrices numriques fournit par notre mthode. Cela permettrait de traduire les donnes numriques en rgles linguistiques comprhensibles de tous. Ensuite, nos travaux ont permis dapprhender la notion de texture dans la caractrisation des couleurs. En effet, mme si elle est inutile pour les cas applicatifs prsents, elle peut avoir un impact sur la perception des couleurs (grain serr, grain pais, grain sombre, ). De plus, une demande existe pour la classification davivs selon lorientation de leur grain : dosse, quartier, faux-quartier, cur. Lutilisation des mmes principes de classification peut alors rendre simple lintgration dun capteur flou adapt lidentification des couleurs et des textures sur des avivs. Par ailleurs, dans un cadre plus gnral, les techniques dveloppes durant ces travaux peuvent tre appliqus dautres domaines dexpertise dans lesquels nous disposons de deux types dinformations symboliques (avis des experts mtier et vision) et dinformations numriques issues directement du capteur. Nous pouvons citer le domaine du textile pour la dtection de dfauts de tissage. En couplant les trois types dinformations, soient celles provenant de la vue numrique du produit, de la vue symbolique vis vis du capteur (connaissance vision) et de la vue symbolique vis vis du produit (connaissance mtier), les besoins mtiers peuvent se traduire en termes de vision afin dtre couples aux donnes numriques (figure 5.3). La prise en compte des informations smantiques permettrait alors de
- 159 -
spcifier les traitements dimages appliquer au problme donn. Ces travaux permettraient de rduire le foss smantique entre les domaines vision et mtier. Enfin, une autre voie explorer concerne le lien entre le capteur et le systme dinformation de lentreprise. Durant la phase de dcision, nous pourrions prendre en compte des contraintes de plus haut niveau. Par exemple, si un lot davivs est vu comme rouge ou rouge fonc , nous pouvons exploiter cette incertitude en la couplant avec les contraintes de production du client. Si une commande ncessitant des avivs rouge fonc est prvue, un lot davivs colorimtriquement proche pourrait alors tre utilis. Cette perspective entre dans le cadre de la gestion de linformation floue au sein mme du systme dinformations de lentreprise.
Figure 5.3 : Principe dintgration des connaissances expertes permettant la spcialisation des traitements dimages Application Bois
- 160 -
ANNEXES
ANNEXES
- 161 -
ANNEXES
Annexes A
Annexe A.1 : Lil humain et la perception des couleurs

La perception de la couleur a t dfinie comme un procd difficile apprhender de part la complexit de la vision humaine [WRIG-69]. Pour reproduire les capacits de lil humain au sein dun systme automatis de vision, il est ncessaire de prciser quelques caractristiques de cette perception. Cependant, le champs dtude tant trs vaste, seuls les aspects utiles aux travaux prsents seront abords, cest--dire la structure de lil et son fonctionnement, et la perception des couleurs.
il humain et vision humaine
Lil est lorgane central de la vision humaine. Il est compos de plusieurs lments (figure A.1) permettant de capturer la lumire incidente, de former les images acquises et deffectuer les pr-traitements sur une partie des informations obtenues. Certaines parties constituant lil requiert quelques explications [CADI-04] : liris et la pupille qui sont assimilables un diaphragme permettant un dosage de la lumire absorbe par lil lors dune prise de vue ; le cristallin qui est assimilable une lentille dont la focale est variable en fonction de la position des scnes observes ; la rtine qui permet dobtenir une reprsentation sous forme dimages de la scne ; le nerf optique qui permet le transfert au cerveau des images acquises en vue de leur analyse et leurs traitements.
- 162 -
ANNEXES
Figure A.1 : Coupe dun il humain [KOLB-00] Les phnomnes visuels attachs lil humain interviennent plusieurs niveaux : lacquisition des images sous forme de stimuli, leur transmission vers les organes de traitements via les connexions neuronales, linterprtation lie aux caractristiques psychophysiques. La partie essentielle qui permet de gnrer les images dans un il est la rtine. La formation dimages se ralise par labsorption de la lumire. La pupille souvre et se ferme pour que la quantit de lumire soit toujours constante au niveau de la rtine. Pour comprendre les mcanismes de formation des images, il faut analyser la composition de la rtine au niveau de sa structure. En effet, cette partie est constitue dun grand nombre de rcepteurs et neurones permettant de transfrer linformation lumineuse acquise vers le cerveau qui traitera alors les informations optiques. Il existe diffrents types de rcepteur : les btonnets et les cnes. Les btonnets sont des photorcepteurs trs sensibles la lumire et sont totalement saturs dans un environnement trs lumineux. Ce sont eux qui interviennent dans la vision nocturne. Les cnes, quant eux, sont parfaitement adapts la vision en pleine journe et sont les seuls responsables de la perception des couleurs. Cette tude portant essentiellement sur les aspects colorimtriques de la vision, seul la comprhension du fonctionnement des cnes est utile dans les mcanismes de la perception des couleurs. Il existe trois types de cnes sensibles diffrentes longueurs donde : les cnes rouges, les cnes verts et les cnes bleus. La rponse associe aux diffrents stimuli des cnes permet la composition de linformation couleur dcrite dans la scne observe. Les mcanismes neuronaux, qui interviennent dans les phnomnes de vision humaine, ne reprsentant pas le cur de cette tude, le lecteur a la possibilit de sinformer de leurs fonctionnements travers des crits plus spcialiss traitant de ce domaine trs complexe [FAUG-76] [MARR-76] [LEVI-85] [PALM-02]. - 163 -
ANNEXES
La perception humaine de la couleur
La couleur dune scne dpend essentiellement des proprits de la lumire incidente et des proprits physiques des lments qui composent cette scne [KLUM-94]. Cette lumire est recueillie par lil humain et plus particulirement par les cnes de sensibilits colorimtriques diffrentes (figure A.2).
Figure A.2 : Courbes dabsorption des diffrents photorcepteurs de lil humain en fonction de la longueur donde Chaque type de cnes possde sa propre absorption maximale. De nombreuses tudes ont t menes sur la perception des couleurs prouvant ainsi quelle possde une dimension infinie fonction de la longueur donde. A partir de ces travaux, il a t montr que la plupart des couleurs peuvent tre caractrises par la combinaison des trois couleurs primaires dfinies par les cnes de la rtine [GERS-84]. Dans le cas de la vision humaine, la notion de synthse additive des primaires rouge, verte et bleue est souvent employe (figure A.3/a). Il existe une autre manire de synthtiser les couleurs ; il sagit de la synthse soustractive base sur les primitives cyan, magenta et jaune (figure A.3/b). Ces mcanismes de composition des couleurs se retrouvent trs souvent dans les applications industrielles.
(a)
(b)
Figure A.3 : Diagrammes des synthses additive (a) et soustractive (b) - 164 -
ANNEXES
De nombreux modles mathmatiques ont t dvelopps pour caractriser les similarits des couleurs perceptibles par lil. Ces modles reposent tous sur la thorie trichromatique de la couleur qui stipule que toute couleur peut tre gnre partir de trois couleurs primaires. Ainsi, les synthses additives et soustractives sy retrouvent rsumes. Cette thorie a t introduite par la Commission Internationale de lEclairage (CIE) en 1931 et fait suite de nombreux tests prouvant que la vision humaine est bien sensible aux primitives rouge, verte et bleue [CIE-74]. La CIE a normalis ce systme colorimtrique sous le nom CIE RGB 1931 (figure A.4). Linconvnient de ce systme de reprsentation concerne les valeurs ngatives pouvant tre prises par les primaires. La CIE a donc valu la sensibilit relative de la perception humaine des couleurs. Cette tude a permis de dfinir le repre colorimtrique XYZ dans lequel il est possible de caractriser des zones de couleur non discernables par lil humain (figure A.5). Il sagit dun repre caractrisant la notion de chrominance.
Figure A.4 : Diagramme de sensibilit des primaires ncessaire la composition des couleurs Chaque ellipse prsente sur le diagramme de la figure A.5 correspond des couleurs que lhomme ne peut diffrencier [SILB-45]. De nombreux repres colorimtriques ont t dfinis par la CIE dans le but de pouvoir discriminer au mieux les couleurs discernables par un tre humain : CIE Lab, CIE Luv, TLS (Teinte, Luminance, Saturation), ... Des tudes trs prcises
- 165 -
ANNEXES
ont t menes sur la perception des couleurs par ltre humain [ALLE-99]. Le lecteur peut y faire rfrence pour obtenir plus de dtails sur le domaine.
Figure A.5 : Diagrammes de chromaticit de lil humain et ellipses de MacAdam
Annexe A.2 : Recomposition des images couleurs

La camra mono CCD linaire couleur utilise est constitue dune dalle dacquisition compose de deux canaux : le premier regroupant les photosites associs la composante verte, le second regroupant alternativement les photosites des composantes rouge et bleue (figure A.6).
V1 V2
V899 V900
R1 B2 R3 B4
R897 B898 R899 B900
Figure A.6 : Rpartition des photosites sur la camra couleur utilise Pour traiter les donnes acquises, chaque pixel des images doit tre caractris par un triplet {R,V,B}. Ne disposant que de 450 pixels rouges et 450 pixels bleus contre 900 pixels - 166 -
ANNEXES
verts, la socit LuxScan Technologies a mis en place un algorithme de recomposition des images couleurs partir des quations suivantes. Nous distinguons les deux canaux en les nommant C0 le canal compos des photosites verts et C1 le canal compos des photosites rouges et bleus.
Triplet {R,V,B} du premier pixel dune ligne
R1 = C1 (1) V1 = C0 (1) B1 = C1 ( 2 )
(A.1) (A.2) (A.3)
Triplet {R,V,B} du dernier pixel dune ligne

R900 = C1 ( 899 ) V900 = C0 ( 900 ) B900 = C1 ( 900 )
(A.4) (A.5) (A.6)
Triplet {R,V,B} pour le iime pixel dune ligne

C1 ( i 1) C0 ( i 1) + C1 ( i + 1) C0 ( i + 1) Valeur ( i ) = C0 ( i ) + 2
(A.7)
Si i est impair, le triplet {R,V,B} sera

Ri = C1 ( i ) Vi = C0 ( i ) Bi = Valeur ( i )
(A.8) (A.9) (A.10)
Si i est pair, le triplet {R,V,B} sera

Ri = Valeur ( i ) Vi = C0 ( i )
(A.11) (A.12)
- 167 -
ANNEXES
Bi = C1 ( i )
(A.13)
Le schma de recomposition des images couleurs est bas sur le principe dinterpolation du repre Yuv en faisant comme hypothse que la composante verte est assimilable la composante Y reprsentant laxe achromatique de luminance. Dans ce repre, la composante u reprsente le signal chromatique bleu, et la composante v reprsente le signal chromatique rouge. Classiquement ces trois composantes sont dfinies daprs les quations A.14 A.16 suivantes.
Y = 0.3R + 0.6V + 0.1B
(A.14) (A.15)
u=
B Y 2
v=
R Y 2
(A.16)
Lapproximation faite sur le composante Y peut induire des aberrations chromatiques qui seront cependant compenses par la balance de blanc effectue sur le capteur (section 3.1.1).
- 168 -
ANNEXES
Annexes B
Annexe B.1 : Algorithme dIshibuchi et al.

Pour prsenter lalgorithme dIshibuchi et al. [ISHI-92][ISHI-94][NOZA-97], nous considrons un problme de classification dans un espace deux dimensions dans lesquels les valeurs sont comprises entre 0 et 1. Il est suppos que m chantillons x p = ( x p1 , x p 2 ) , p = 1, 2, , m sont fournis comme donnes dapprentissage partir de M classes (C1, C2, , CM). Le but de lalgorithme est de gnrer des rgles floues partir de ces donnes numriques dapprentissage. La figure B.1 montre un exemple de problme de classification avec M = 2 et m = 32).
Figure B.1 : Exemple de problme de classification deux classes Lalgorithme de classification se dcompose en trois tapes : la fuzzyfication des paramtres dentres, la gnration des rgles et la reconnaissance dun chantillon.
- 169 -
ANNEXES
Etape 1 : Fuzzyfication des entres
Supposons que chaque axe de lespace de reprsentation est divis en K sousK ensembles { A1K , A2K ,..., AK } . Pour chaque AiK , nous supposons ici une fonction dappartenance de forme triangulaire dfinie comme :
iK ( x) = max min 2 2 x aiK / b K ,1 , 0 ,
{ {
} }
i = 1, 2, , K i = 1, 2, , K
(B.1) (B.2) (B.3)
o et
aiK = ( i 1) / ( K 1) , b K = 1/ ( K 1)
Divisons laxe du premier attribut (axe horizontal x1) en I sous-ensembles flous { A , A2I ,..., AII } et laxe du second attribut (axe vertical x2) en J sous-espaces { A1J , A2J ,..., AJJ } .
I 1
Lespace de reprsentation est alors partitionn en IxJ sous-espaces flous { AiI AjJ : i = 1, 2,..., I ; j = 1, 2,..., J } . Pour simplifier la comprhension, nous considrons une dcomposition quirpartie de chaque axe en deux et trois sous-ensembles flous (I = 2 ; J = 3). Lespace de reprsentation est alors partitionn en six sous-espaces flous, comme illustr IJ par la figure B.2 (ltiquette Rij associe chaque sous-espace flou est explique dans ltape de gnration des rgles floues).
23 R13
23 R23
23 R12
23 R22
A12
2 A2
Figure B.2 : Exemple de construction de sous-espaces flous
- 170 -
A13
23 R11
23 R21
3 A2
A33
ANNEXES
Etape 2 : Gnration des rgles floues
Une rgle floue RijIJ pour un problme de classification deux dimensions peut tre formule comme suit : Rgle RijIJ : si x p1 est AiI et x p 2 est AJ alors ( x p1 , x p 2 ) appartient la classe CijIJ j avec le degr CF = CFijIJ avec et o i=1, 2, , I ; I=1, 2, , Imax ; j=1, 2, , J ; J=1, 2, , Jmax
IJ IJ Cij est une des M classes et CFijIJ le degr de certitude accord la rgle floue Rij
IJ La classe Cij et le degr de certitude CFijIJ rsultants de la rgle sont dtermins par la procdure suivante :
1) Calculer CT pour T = 1, 2, , M comme
CT =
x p CT
iI ( x p1 ) J ( x p 2 ) j
(B.4)
2) Trouver la classe X (CX) telle que
CX = max {C1 , C 2 ,..., CM }
(B.5)
IJ Si deux classes ou plus prennent la valeur maximale, le Cij rsultant de la rgle floue IJ Rij correspondant au sous-espace flou AiI AJ ne peut tre dtermin de manire unique. Dans j
ce cas, CijIJ est vide pour montrer que la rgle RijIJ est inactive. Si une seule classe prend la
IJ valeur maximale, le Cij rsultant de la rgle est dtermin comme tant la classe X (CX). Dans
le cas dune seule classe, le coefficient CFijIJ rsultant est dtermin comme suit : CFijIJ = ( CX ) / CT
T =1 M
(B.6)
o =
T =1 CT CX
CT / ( M 1)
(B.7)
- 171 -
ANNEXES
possde la plus forte somme de iI ( x p1 ) J ( x p 2 ) parmi les M classes. Les rgles floues avec j une partie rsultante vide sont des rgles inactives qui nont aucun effet sur linfrence floue pour classer un nouvel chantillon. Si il ny a aucun chantillon dans le sous-espace flou AiI AJ , une rgle inactive est gnre par cette procdure pour ce sous-espace flou. j La dfinition du degr de certitude CFijIJ est plus comprhensible en considrant un
IJ problme deux classes. Supposons que C1 > C 2 pour la rgle floue Rij . La classe rsultante IJ Cij est donc la classe C1 et le degr de certitude CFijIJ est ( C1 C 2 ) / ( C1 + C 2 ) . Dans le
Dans cette procdure, le CijIJ rsultant est dtermin comme tant la classe X (CX) qui
cas o il ny a pas dchantillon de la classe C2 dans le sous-espace flou AiI AJ , il en rsulte j que C1 > C 2 (o C 2 = 0 ) et CFijIJ = 1 (certitude maximale). Dautre part, si le nombre dchantillons de la classe C1 et de la classe C2 est similaire dans le sous-espace considr, il en rsulte que C1 C 2 et CFijIJ = 0 (certitude minimale).
La gnration des rgles floues dispose dun mcanisme dajustement de ces rgles. IJ Celui-ci consiste en lajustement du degr de certitude CFijIJ de la rgle floue Rij en fonction de la bonne ou mauvaise classification dun chantillon du lot dapprentissage. Quand xp est correctement class par la rgle RijIJ , lajustement du degr de certitude de la rgle seffectue par :
CFijIJ = CFijIJ + 1 (1 CFijIJ )
(B.10)
1 est une constante dapprentissage
IJ Au contraire, lorsque xp nest pas correctement class par la rgle Rij , lajustement du degr de certitude seffectue par :
CFijIJ = CFijIJ ( 2 CFijIJ )
(B.11)
2 est une constante dapprentissage
Il sagit l de la partie itrative de lalgorithme dont linfluence des diffrents critres (constantes dapprentissage 1 et 2 , nombre ditrations et seuil de classification) a t tudie (Annexe B.2).
Etape 3 : Classification dun chantillon
Afin de classer un chantillon inconnu partir de la base de rgles gnre S, deux tapes sont ncessaires.
- 172 -
ANNEXES
1) Calculer CT pour T = 1, 2, , M comme
CT = max iI ( x p1 ) J ( x p 2 ) CFijIJ : CijIJ = Class T and RijIJ S j
(B.8)
2) Trouver la classe X (CX) telle que
CX = max { C1 , C 2 ,..., CM }
(B.9)
telle que iI ( x p1 ) J ( x p 2 ) CFijIJ > 0 , lchantillon xp ne peut tre class. j
Si deux classes ou plus prennent la valeur maximum alors la classification de xp est rejete (xp est considre comme inclassable), sinon xp est assign la classe X (CX). La classe infre est alors le rsultat de la rgle floue qui possde la valeur maximale de iI ( x p1 ) J ( x p 2 ) CFijIJ parmi toutes les rgles floues de S. Si il ny a aucune rgle floue j
Annexe B.2 : Validation des choix de paramtres pertinents partir dun classificateur kppv
Les rsultats prsents dans cette annexe concernent la validation du choix des paramtres pertinents partir des taux de reconnaissance obtenus pour lalgorithme des k plus proches voisins. Comme nous lavons indiqu dans la section 3.2.3., lanalyse de la base Base_Couleur_1 a permis de construire 6 vecteurs caractristiques (B.10-B.15) que nous avons ensuite tests partir du classificateur FRC.
m1, L V2 = m1, a homognit L
m1, L m1, a V4 = m1,b homognitL homognit h
m1, L V1 = homognitL
(B.10)
(B.11)
m1, L m1,a V3 = m 1,b homognit L
(B.12)
(B.13)
- 173 -
ANNEXES
m1, L m1, a m V5 = 1,b homognitL homognith homognit C
(B.14)
m1, L V6 = m1,a m 1,b
(B.15)
Afin de valider le choix expos dans le mmoire, nous avons effectu les mmes tests de classification partir de lalgorithme des k plus proches voisins. Nous ne prsentons, dans le tableau B.1, que les rsultats obtenus en gnralisation. En effet, en apprentissage, les taux sont tous gaux 100% pour 1 plus proche voisin (k=1).
Tableau B.1 : Taux de reconnaissance pour diffrents vecteurs caractristiques Algorithme des k plus proches voisins
Vecteurs caractristiques Nombre de voisins (k) Taux de reconnaissance en gnralisation
V1
7 54.55%
V2
7 79.74%
V3
5 80.54%
V4
5 81.66%
V5
5 80.38%
V6
5 78.63%
Les rsultats obtenus montrent bien que le vecteur V4 (B.13) permet de mieux discriminer les classes de sortie identifier.
Annexe B.3 : Validation de la mthode de fuzzyfication automatique pour un autre domaine dapplications
Les rsultats prsents dans cette annexe concernent les taux de reconnaissance obtenus pour la dtection de dfauts sur du textile, dans le cadre dun projet industriel. Nous avons appliqus notre mthode de fuzzyfication automatique afin de rgler le classificateur FRC. Pour des raisons de confidentialit, nous ne prsentons pas en dtails les lots de donnes et les tapes du paramtrage du classificateur FRC. Nous travaillons sur deux lots de donnes, un pour lapprentissage constitu de 570 chantillons, et lautre pour la gnralisation constitu de 618 chantillons. Le vecteur caractristique est compos de 9 paramtres. Les classes de sortie sont au nombre de 6.
- 174 -
ANNEXES
Les rsultats prsents dans le tableau B.2 illustrent lamlioration des taux de reconnaissance partir dun paramtrage automatique par rapport une fuzzyfication quirpartie des paramtres du vecteur caractristique. Nous notons galement une diminution de rgles linguistiques floues gnres. Tableau B.2 : Taux de reconnaissance pour diffrents types de fuzzyfication Lot textile
Fuzzyfication quirpartie (7 termes) Nombre de rgles gnres Taux de reconnaissance en apprentissage Taux de reconnaissance en gnralisation 5967 96.14% 88.06% Fuzzyfication automatique 3739 98.94% 90.13%
Annexe B.4 : Etudes des constantes dapprentissage de lalgorithme dIshibuchi et al.

Le paramtrage de lalgorithme dIshibuchi et al. se rsume essentiellement la partie fuzzyfication et la partie ajustement du modle. Dans le chapitre 4, nous avons montr limportance de la partie fuzzyfication sur les taux de reconnaissance. Elle nest donc pas reprise dans cette annexe. Nous nous intressons uniquement aux paramtres (constantes dapprentissage, nombre ditrations, seuil de classification) dont les rglages peuvent avoir une influence sur lajustement des rgles et le taux de reconnaissance. Afin de choisir les valeurs de constantes dapprentissage, nous avons valu le taux de reconnaissance en gnralisation pour diffrentes valeurs de constantes en fixant le nombre ditrations et le seuil de classification. Afin de valider ce choix, nous avons ralis ce test sur deux bases de donnes diffrentes afin de valider les valeurs. Nous avons utilis comme critres darrt le seuil de classification 92% et le nombre ditrations 2000. Les figures B.3 et B.4 illustrent les taux de reconnaissance obtenus pour diffrentes valeurs des constantes dapprentissage 1 et 2 . Nous avons valu ces taux pour des valeurs de 1 et 2 comprises entre 10-5 et 1.
- 175 -
ANNEXES
Evolution du taux de reconnaissance en fonction des valeurs de eta1 73.5
73 taux de reconnaissance (%)
72.5
72
71.5 eta2=10-3 eta2=10-2 eta2=10-1 eta2=1 10

-3
71
70.5 -4 10
10 eta1
-2
10
-1
10
Evolution du taux de reconnaissance en fonction des valeurs de eta2 73.5
73 taux de reconnaissance (%)
72.5
72
71.5 eta1=10-3 eta1=10-2 eta1=10-1 eta1=1 10

-3
71
70.5 -4 10
10 eta2
-2
10
-1
10
Figure B.3 : Evolution des taux de reconnaissance en gnralisation en fonction des valeurs des constantes dapprentissage 1 et 2 - Base_Couleur_1
- 176 -
ANNEXES
Evolution du taux de reconnaissance en fonction des valeurs de eta1 84.8 84.6 84.4 taux de reconnaissance (%) 84.2 84 83.8 83.6 83.4 83.2 83 82.8 -4 10 eta2=10-3 eta2=10-2 eta2=10-1 eta2=1 10
-3
10 eta1
-2
10
-1
10
Evolution du taux de reconnaissance en fonction des valeurs de eta2 85
84.5 taux de reconnaissance (%)
84
83.5
83 eta1=10-3 eta1=10-2 eta1=10-1 eta1=1 10

-3
82.5
82 -4 10
10 eta2
-2
10
-1
10
Figure B.4 : Evolution des taux de reconnaissance en gnralisation en fonction des valeurs des constantes dapprentissage 1 et 2 - Base_Couleur_2 Aprs avoir analys lensemble des rsultats obtenus, nous avons pu dterminer les valeurs optimales des constantes dapprentissage. En effet, les taux de reconnaissance en gnralisation sont maximaux pour 1 = 0.4 et 2 0.004 . Sur lensemble de ces tests, nous avons galement pu constater que le nombre ditrations utiles pour faire converger le taux de reconnaissance vers le seuil de classification est denviron 100.
- 177 -
ANNEXES
Afin dvaluer le dernier paramtres pouvant avoir une influence sur les modles gnrs, savoir le seuil de classification, nous avons fix les trois prcdents paramtres aux valeurs suivantes : 1 = 0.4 , 2 = 0.004 et nombre ditrations = 500. Lespace de variation du seuil de classification tudi correspond aux taux de reconnaissance en apprentissage suprieurs 80%. Les figures B.5 et B.6 reprsentent lvolution du taux de reconnaissance en gnralisation sur les bases de donnes Base_Couleur_1 et Base_Couleur_2 en fonction du seuil de classification.
Evolution du taux de reconnaissance en gnralisation en fonction du seuil de classification 74 73 72 Taux de reconnaissance (%) 71 70 69 68 67 66 65 80
82
84
86
88 90 92 Seuil de classification
94
96
98
Figure B.5 : Evolution du taux de reconnaissance en gnralisation en fonction du seuil de classification - Base_Couleur_1
- 178 -
ANNEXES
Evolution du taux de reconnaissance en gnralisation en fonction du seuil de classification 85 84 83 Taux de reconnaissance (%) 82 81 80 79 78 77 76 80
82
84
86
88 90 92 Seuil de classification
94
96
98
Figure B.6 : Evolution du taux de reconnaissance en gnralisation en fonction du seuil de classification - Base_Couleur_2 Au vu des rsultats prsents sur les figures B.5 et B.6, nous avons dcid de fixer le seuil de classification 92%. En effet, si nous augmentons ce seuil, le taux de reconnaissance en gnralisation diminue. Ceci sexplique simplement par la spcification du modle face aux donnes dapprentissage. Le modle gnr nest donc pas assez gnralisable du problme vis. Cest un modle appris par cur. Le paramtrage du classificateur FRC est donc le suivant pour lensemble de ce mmoire :
1 = 0.4 , 2 = 0.004 , nombre ditrations = 500, seuil de classification = 92%.
- 179 -
ANNEXES
- 180 -
REFERENCES BIBLIOGRAPHIQUES
- 181 -
Rfrences bibliographiques
[ACQU-02] DACQUILA, R.O., C. CRESPO, J.L. MATE, et J. PAZOS, An inference engine based on fuzzy logic for uncertain and imprecise expert reasoning. , Fuzzy Sets and Systems, Vol. 129, pp. 187-202, 2002. ALBUS, J.S., Outline for a theory of intelligence , IEEE Trans. On SMC, Vol. 21, pp. 473-509, 1991. ALCALA, R., J. ALCALA-FDEZ, F. HERRERA, et J. OTERO, Genetic learning of accurate and compact fuzzy rule based systems based on the 2tuples linguistic representation. , International Journal of Approximate Reasoning, Vol. 44, pp. 45-64, 2007. ALLEYSON, D., Le traitement du signal chromatique dans la rtine : un modle de base pour la perception humaine des couleurs , Thse de doctorat, Universit Joseph Fournier, Grenoble, France, 1999. ANDREADIS, I., Modelling and evaluating colour information for robot vision. , Mechatronics, Vol. 9, pp. 429-446, 1999. ANTONELLI, A., M. COCCHI, P. FAVA, G. FOCA, G.C. FRANCHINI, D. MANZINI, et A. ULRICI, Automated evaluation of food colour by means of multivariate image analysis coupled to a wavelet-based classification algorithm , Analytica Chimica Acta, Vol. 515, No. 1, pp. 3-13, 2004. ARIVAZHAGAN, S., et L. GANESAN, Texture classification using wavelet transform. , Pattern Recognition Letters, Vol. 24, pp. 1513-1521, 2003. BARNARD, K., V. CARDEI, et B. FUNT, A comparison of Computational Color Constancy Algorithms Part I: Methodology and Experiments With Synthesized Data. , IEEE Transactions on Image Processing, Vol. 11, No. 9, pp. 972-983, 2002. BENBOUDJEMA, D., et W. PIECZYNSKI, Segmentation non supervise dimages non stationnaires avec champs de Markov videntiels , 20me colloque GRETSI, Louvain-la-Neuve, Belgique, 2005.
[ALBU-91] [ALCA-07]
[ALLE-99]
[ANDR-99] [ANTO-04]
[ARIV-03] [BARN-02]
[BENB-05]
- 182 -
[BENO-91]
BENOIT, E., et L. FOULLOY, Symbolic sensors: one solution to the numerical-symbolic interface , Proc. Of the IMAVS DSS&QR workshop, Toulouse, France, pp. 321-326, 1991. BENOIT, E., et L. FOULLOY, High functionalities for intelligent sensors, application to fuzzy colour sensor , Measurement, Vol. 30, pp. 161-170, 2001. BERTHOLD, M.R., Mixed fuzzy rule formation. , Fuzzy Sets and Systems, Vol. 32, pp. 67-84, 2003. BHARATI, M.H., J.J. LIU, et J.F. MACGREGOR, Image texture analysis: methods and comparisons. , Chemometrics and Intelligent laboratory systems, Vol. 72, pp. 413-428, 1990. BLOCH, I., Information Combination Operators for Data Fusion: A comparative Review with classification. , IEEE Transaction On Systems, Man. And Cybernetics Part A: Systems and Human, Vol. 26, pp. 1341-1387, 1996.
[BENO-01] [BERT-03] [BHAR-04]
[BLOC-96]
[BOMB-07] BOMBARDIER, V., C. MAZAUD, P. LHOSTE, et R. VOGRIG, Contribution of fuzzy reasoning method to knowledge integration in a defect recognition system , Computers in Industry, Vol. 58, pp. 355-366, 2007. [BOUC-95] [BOUC-98] [BROC-02] BOUCHON-MEUNIER, B., La logique floue et ses applications. , Edition Addison-Wesley, France, 257 pages, 1995. BOUCHON-MEUNIER, B., Aggregation and Fusion of Imperfect Information. , Physica-Verlag, New York, 278 pages, 1998. BROCHARD, J., et M. KHOUDEIR, Histogram Characterization of Colored Textures Using One-Dimensional Moments and Chromaticity Diagram , IAPR International Conference on Vision Interface, Calgary, Canada, 2002. BRUNNER, C.C., G.B. SHAW, D.A. BUTLER, et J.W. FUNCK, Using color in machine vision systems for wood processing. , Wood and Fiber Science, Vol. 22, No. 4, pp. 57-71, 2004. BURD, N.C., et A.P. DOREY, Intelligence transducers , Journal of Microcomputers Applications, Vol. 7, pp. 87-97, 1984. CADIK, M., Human Perception and Computer Graphics , Postgraduate Study Report, Czech Technical University, Prague, Rpublique tchque, 2004. DE CARVALHO, F.A.T., Fuzzy c-means clustering methods for symbolic interval data. , Pattern Recognition Letters, Vol. 28, pp. 423-437, 2007. CIAME AFCET, Livre blanc : Les capteurs intelligents rflexions des utilisateurs , 169 pages, 1987. CIE Colorimetry Committee, Journal of the Optical Society of America, Vol. 64, 1974.
[BRUN-90]
[BURD-84] [CADI-04] [CARV-07] [CIAM-87] [CIE-74]
- 183 -
[CHAM-92] CHAMBEROD, E., et C. POUPOT, Intelligence locale et processeur de signal , Capteurs intelligents et microactionneurs intgrs, LASSS-CNRS, Cpadus Editions, 1992. [CHO-91] CHO, T.H., R.W. CONNERS, et P.A. ARAMAN, A comparison of rulebased, K-nearest neighbour and neural net classifiers for automated industrial inspection , Proc. Of the IEEE/ACM International Conference on Developing and Managing Expert Systems Programs, Washington, Etats-Unis, pp. 202209, 1991. CLARYSSE, P., F. FROUIN, M. GARREAU, A. LALANDE, J. ROUSSEAU, D. SARRUT, and C. VASSEUR, Intgration de connaissances et modlisation en imagerie mdicale , ITBN-RBM, Vol. 25, pp. 139-149, 2004. COCQUEREZ, J.P., et S. PHILIPP, Analyse dimages : filtrage et segmentation , Edition Masson, Paris, 1995. CONNERS, R.W., T.C. CHO, C.T. NG, et T.H. DRAYER, A machine vision system for automatically grading hardwood lumber , Industrial Metrology, Vol. 2, pp. 317-342, 1992. CORDON, O., M.J. DEL JESUS, et F. HERRERA, A proposal on reasoning methods in fuzzy rule-based classification systems. , International Journal Of Approximate Reasoning, Vol. 20, pp. 21-45, 1999. CORDON, O., F. HERRERA, et P. VILLAR, Generating the knowledge base of a fuzzy rule-based system by the genetic learning of the data base. , IEEE Transaction of Fuzzy Systems, Vol. 9, No. 4, pp. 667-674, 2001. CORDON, O., F. GOMIDE, F. HERRERA, F. HOFFMANN, et L. MAGDALENA, Ten years of genetic fuzzy systems: current framework and new trends , Fuzzy Sets and Systems, Vol. 141, pp. 5-31, 2004. DAI, M., P. BALYOU, L. HUMBERT, et M. NAJIM, Image segmentation by a dynamic thresholding using edge detection based on cascaded uniform filters , Signal Processing, Vol. 52, pp. 49-63, 1996. DAUL, C., R. ROSCH, et B. CLAUS, Building a color classification system for textured and hue homogeneous surfaces : system calibration and algorithm , Machine Vision and Applications, Vol. 12, pp. 137-148, 2000. DERUYVER, A., et Y. HODE, Constraint satisfaction problem with bilevel constraint: application to interpretation of over-segmented images , Artificial intelligence, Vol. 93, pp. 321-335, 1997.
[CLAR-04]
[COCQ-95] [CONN-92]
[CORD-99]
[CORD-01]
[CORD-04]
[DAI-96]
[DAUL-00]
[DERU-97]
[DUBO-96a] DUBOIS, D., et H. PRADE, What are fuzzy rules and how to use them. , Fuzzy Sets and Systems, Vol. 84, pp. 169-185, 1996. [DUBO-96b] DUBOIS, D., H. PRADE, et R.R. YAGER, A Manifesto: Fuzzy Information Engineering. , dans Fuzzy Information Engineering: A Guided Tour of Applications (Hardcover), Wiley Publishers, 712 pages, 1996. - 184 -
[DUBO-97a] DUBOIS, D., et H. PRADE, The three semantics of fuzzy sets , Fuzzy Sets and Systems, Vol. 90, pp. 141-150, 1997. [DUBO-97b] DUBOIS, D., H. PRADE, et R.R. YAGER., A manifesto fuzzy information engineering , in the book Information Engineering, 1997. [DUBO-04] DUBOIS, D., et H. PRADE, On the use of aggregation operations in information fusion processes. , Fuzzy Sets and Systems, Vol. 142, pp. 143161, 2004. DUBUISSON, B., Diagnostic et reconnaissance de formes , Edition Herms, 1990.
[DUBU-90]
[DUDA-73] DUDA, R.O., et P.E. HART, Pattern Classification and Scene Analysis. , John Wiley & Sons, New York, 482 pages, 1973. [ESHE-91] ESHELMAN, L., The chc adaptative search algorithm: how to have safe search when engaging in non-traditional genetic recombination. , dans Foundations of Genetic Algorithms, Vol. 1, Ed. G. Rawlin, pp. 265-283, 1991. ESTEVEZ, P.A., C.A. PEREZ, et E. GOLES, Genetic input selection to a neural classifier for defect classification of radiata pine boards , Forest Products Journal, Vol. 53, No. 7, pp. 87-94, 2003. FABIANI, P, Stratgie de prise dinformation pour un systme autonome muni de capteurs. , Thse de doctorat, ENSEA, Toulouse, France, 1996. FAGIN, R., Combining Fuzzy Information from Multiple Systems. , Journal of Computer and System Sciences, Vol. 58, pp. 83-99, 1999. FAUGERAS, O.D., Digital color image processing and psychophysics within the framework of a human visual model , PH. D. Dissertation, University of Utah, Etats-Unis, 1976. FINKELSTEIN, L., Representation by symbol systems as an extension of the concept of measurement , Kybernetes, Vol. 4, pp. 215-223, 1975. FOREST, J., M. RIFQI, et B. BOUCHON-MEUNIER, Segmentation de classes pour lamlioration de la construction de prototypes flous : visualisation et caractrisation de classes non homognes. , Actes des Rencontres Francophones sur la Logique Floue et ses Applications (LFA 2006), Toulouse, pp. 29-36, 2006. FUNCK, J.W., Y. ZHONG, D.A. BUTLER, C.C. BRUNNER, et J.B. FORRER, Image segmentation algorithms applied to wood defect detection , Computers and electronics in agriculture, Vol. 41, pp. 157-179, 2003. GERSHON, R., Survey on color: Aspect of perception and computation , Technical Report, University of Toronto, Canada, 1984.
[ESTE-03]
[FABI-96] [FAGI-99] [FAUG-76]
[FINK-75] [FORE-06]
[FUNC-03]
[GERS-84]
- 185 -
[GEVE-99] [GONZ-02] [GRAB-96]
GEVERS, T., et A.W.M. SMEULDERS, Color-based object recognition , O Pattern Recognition, Vol. 32, pp. 453-464, 1999. GONZALEZ, R.C., et R.E. WOODS, Digital Image Processing 2nd Edition , Prentice Hall, 793 pages, 2002. GRRABISH, M., et F. HUET, Texture recognition by Choquet integral filters. , 6th Int. Conf. On Information Processing and Management of Uncertainty in Knowledge-Based Systems (IMPU), pp. 1325-1330, Grenade, Espagne, 1996. GRANDVALET, Y., et S. CANU, Adaptative Scaling for Feature Selection in SVMs , Neural Information Processing System, 2002. GRLUND, U., Quality improvements in forest products industry , Rapport interne, Lulea University of Technology, Sude, 1995. HANBURY, A., et F. GARDEUX, A quantitative description of wood texture , Proc. Of the International Conference on Quality Control by Artificial Vision, Cpadus-Editions, pp. 200-205, 2001. HANBURY, A., Morphologie Mathmatique sur le Cercle Unit avec applications aux teintes et aux textures orientes , Thse de doctorat, Ecole Nationale Suprieure des Mines de Paris, Fontainebleau, 2002. HAUTA-KASARI, M., J. PARKKINEN, T. JAASKELAINEN, et R. LENZ, Multi-spectral Texture Segmentation Based on the Spectral Cooccurrence Matrix. , Pattern Analysis and Applications, Vol. 2, pp. 275284, 1999. HEALEY, G.E., S.A. SHAFER, et L.B. WOLFF, Color, physics-based vision, principles and practice , Jones and Bartlett Publishers, 1992. HUDELOT, C., J. ATIF, et I. BLOCH, Ontologie de relations spatiales floues pour linterprtation dimages. , Rencontres Francophones sur la Logique Floue et ses Applications LFA 2006, Toulouse, France, pp.363-370, 2006. ISHIBUCHI, H., K. NOZAKI, et H. TANAKA, Distributed representation of fuzzy rules and its application to pattern classification. , Fuzzy Sets and Systems, Vol. 52, pp. 21-32, 1992. ISHIBUCHI, H., K. NOZAKI, N. YAMAMOTO et H. TANAKA, Construction of fuzzy classification systems with rectangular fuzzy rules using genetic algorithms. , Fuzzy Sets and Systems, Vol. 65, pp. 237-253, 1994. ISHIBUCHI, H., et T. YAMAMOTO, Effects of three-objective genetic rule selection on the generalization ability of fuzzy rule-based systems. , Second International Conference on Evolutionary Multi-Criterion Optimization EMO03, Faro, Portugal, pp.608-622, 2003.
[GRAN-02] [GRL-95] [HANB-01]
[HANB-02]
[HAUT-99]
[HEAL-92] [HUDE-06]
[ISHI-92]
[ISHI-94]
[ISHI-03]
- 186 -
[ISHI-05]
ISHIKAWA-NAGAI, S., K. ISHIBASHI, O. TSURATA, et H.P. WEBER, Reproducibility of tooth color gradation using a computer color-matching technique applied to ceramic restorations , The Journal of Prosthetic Dentistry, Vol. 93, No. 2, pp. 129-137, 2005. JOLION, J.M., et A. MINTANVERT, The adaptative pyramid: a framework for 2D image analysis , Computer Vision Graphics Image Processing, Vol. 55, No. 3, pp. 339-348, 1992. KABIR, M.F., D.L. SCHMOLDT, et M.E. SCHAFER, Detection of defects in red oak deskboards by ultrasonic scanning , Proc. Of IPSW 2000 the 4th International Conference on Image processing and Scanning of Wood, Mountain Lake, Etats-Unis, pp 89-96, 2000. KAUPPINEN, H., H. RAUTIO, et O. SILVEN, Non-segmenting defect detection and SOM based classification for surface inspection using color vision , Conference on Polarization and Color Techniques in Industrial Inspection, SPIE 3826, Munich, Allemagne, pp. 270-280, 1999. KELLER, J.M., R. KRISHNAPURAM, P.D. GADER, et Y.S. CHOI, Fuzzy Reul-Based Models in Computer Vision. , dans Fuzzy Modelling : Paradigms and Practice, Kluwer Academic Publishers, Dordrecht, pp. 353-371, 1996. KELLER, J.M., Fuzzy set theory in computer vision: A prospectus. , Fuzzy Sets and Systems, Vol. 90, pp. 177-182, 1997. KEMPOWSKY, T., A. SUBIAS, et J. AGUILAR-MARTI, Process situation assessment: From a fuzzy partition to a finite state machine. , Engineering Applications of Artificial Intelligence, Vol. 19, pp. 461-477, 2006. KIM, C.W., et A.J. KOIVO, Hierarchical classification of surface defects on dusty wood boards , Pattern Recognition letters, Vol. 15, pp. 713-721, 1994. KLEYNEN, O., V. LEEMANS, et M.F. DESTAIN, Development of a multispectral vision system for the detection of defects on apples , Journal of Food Engineering, Vol. 69, pp. 41-49, 2005. KLINE, D.E., R.W. CONNERS, et P.A. ARAMAN, Technology to Sort Lumber by Color and Grain for Furniture Parts , Quality Lumber Drying in the Pacific Northwest, Seattle, Etats-Unis, pp. 67-73, 1999. KLINE, D.E., C. SURAK, et P.A. ARAMAN, Automated hardwood lumber grading a multiple sensor machine vision technology , Computers and electronic in agriculture, Vol. 41, pp. 139-155, 2003.
[JOLI-92]
[KABI-00]
[KAUP-99]
[KELL-96]
[KELL-97] [KEMP-06]
[KIM-94] [KLEY-05]
[KLIN-99]
[KLIN-03]
[KLUM-94] KLUMPERS, J., Le dterminisme de la couleur du Bois de Chne. Etude sur les relations entre la couleur et les proprits physiques, chimiques et anatomiques ainsi que des caractristiques de croissante , Thse de doctorat, Ecole du Gnie Rural, des Eaux et des forts, Nancy, France, 1994. [KOLB-00] KOLB, H., E. FERNANDEZ, et R. NELSON, Webvision the organization of the vertebrate retina , http://webvision.med.utah.edu/ , 2000. - 187 -
[KUC-86]
KUC, R., et Y.D. DI, Intelligent sensor approach to differentiating sonar reflection from corners and planes , Proc. Of Intelligent Autonomous Systems, Amsterdam, pp.329-333, 1986. LATIF-AMET, A., A. ERTZN, et A. ERCIL, An efficient method for texture defect detection: sub-band domain co-occurrence matrices. , Image and Vision Computing, Vol. 18, pp. 543-553, 2000. LEE, P.S. et A.L. DEXTER, A fuzzy sensor for measuring the mixed air temperature in air-handling units , Measurement, Vol. 37, pp. 83-93, 2005. LEVINE, M.D., Vision in Man and Machine , Ed. McGraw Hill Series in Electrical and Computer Engineering, New-York, 574 pages, 1985. LIU, J., et T. FURUNO, The fractal estimation of wood color variation by the triangular prism surface area method , Wood Science and Technology, Springer-Verlag, Vol. 36, pp. 385-397, 2002. LU, Q., S. SRIKANTERSWARA, W. KING, T. DRAYER, R. CONNERS, E. KLINE, et P. ARAMAN, Machine Vision System for Color Sorting Wood Edge-Glued Panel Parts , Proc. If 23rd International Conference on Industrial Electronics, Control and Instrumentation, Vol. 3, pp. 1460-1464, 1997. LU, Q., A Real-Time System for Color Sorting Edge-Glued Panel Parts , Thesis of the Virginia Polytechnic Institute and State University, Blacksburg, Virginia, 1997. LUZEAUX, D., Normalizing symbolic reasoning , Proc. Of the IMAVS DSS&QR workshop, Toulouse, France, pp. 321-326, 1991.
[LATI-00]
[LEE-05] [LEVI-85] [LIU-02]
[LU-97a]
[LU-97b]
[LUZE-91]
[MAEN-03] MAENPAA, T., J. VIERTOLA, et M. PIETIKAINEN, Optimising Colour and Texture Features for Real-time Visual Inspection , Pattern Analysis Applications, Vol. 6, pp. 169-175, 2003. [MAEN-04] MAENPAA, T., et M. PIETIKAINEN, Classification with color and texture: jointly or separately ? , Pattern recognition, Vol. 37, pp. 1629-1640, 2004. [MALA-03] MALAMAS, E.N., E.G.M. PETRAKIS, M. ZERVAKIS, L. PETIT, et J.A. LEGAT, A survey on industrial vision systems, applications and tools , Image and Vision Computing, Vol. 21, pp. 171-188, 2003. [MALO-86] MALONEY, L.T., et B.A. WANDELL, Color constancy: a method for recovering surface spectral reflectance. , Journal of the Optical Society of America A, Vol. 3, No. 1, pp. 29-33, 1986. [MARR-76] MARR, D., Early processing of visual information , Philosophical Transaction Royal Society of London, Vol. 275, pp. 483-519, 1976. [MARS-96] MARSZALEC, E., et M. PIETIKAINEN, Some aspects of RGB vision and its applications to industry. , International Journal of Pattern Recognition and Artificial Intelligence, Vol. 10, pp. 55-72, 1996.
- 188 -
[MAUR-92] MAURIS, G., Capteurs ultrasonores intelligents : Application la reprsentation symbolique de mesure de distance par codage flou , Thse de doctorat, Universit de Savoie, 1992. [MAUR-98] MAURIS, G., E. BENOIT, et L. FOULLOY, Fuzzy Linguistic Methods for the Aggregation of Complementary Sensor Information. , dans Aggregation and Fusion of Imperfect Information, Physica-Verlag, New York, pp. 214-230, 1998. [MAZA-07a] MAZAUD, C., J. RENDEK, V. BOMBARDIER, et L. WENDLING, A feature selection method based on Choquet integral and Typicality analysis. , Proc of the 16th International Conference on Fuzzy Systems (FUZZIEEE07), Londres, Angleterre, papier accept, 2007. [MAZA-07b] MAZAUD, C., Contribution lintgration de connaissances quantitatives et qualitatives au sein dun systme de vision : application la reconnaissance de dfauts du bois., Thse de doctorat, Universit Henri Poincar, Nancy, 2007. [MEHL-04] MEHL, P.M., Y.R.CHEN, M.S. KIM, et D.E. CHAN, Development of hyperspectral imaging technique for the detection of apple surface defects and contaminations , Journal of Food Engineering, Vol. 61, pp. 67-81, 2004. MILGRAM, M., Reconnaissance des formes : Mthodes numriques et connexionnistes , Socit des Nouvelles Editions Ligeoises, Armand Colin Editeurs, 1993. MINGOTI, S.A., et J.O. LIMA, Comparing SOM neural network with Fuzzy c-means, K-means and traditional hierarchical clustering algorithms , European Journal of Operational Research, Vol. 174, pp. 1742-1759, 2006. MOSLEMI, A.A., Quantitative Color Measurement for Black Walnut Wood , Southern Forest Experiment Station Library, 17 pages, 1967.
[MILG-93]
[MING-06]
[MOSL-67]
[NAKO-95] NAKOULA, Y., S. GALICHET, et L. FOULLOY, Learning of a fuzzy symbolic rule base , Proc. Of 3rd European Congress on Intelligent Techniques and Soft Computing, Aachen, Allemagne, 1995. [NCS] Natural Color System, URL: http://www.nscolour.com. [NEWM-95] NEWMAN, T.S., and A.K. JAIN, A Survey of Automated Visual Inspection , Computer Vision and Image Understanding, Vol. 61, No. 2, pp. 231-262, 1995. [NIJS-89] NIJSSEN, G.M. et T.A. HALPIN, Conceptual schema and relational database design: a fact oriented approach. , Prentice Hall, France, 356 pages, 1989. NOZAKI, K., H. ISHIBUCHI, et H. TANAKA, A simple but powerful heuristic method for generating fuzzy rules from numerical data. , Fuzzy Sets and Systems, Vol. 86, pp. 251-270, 1997.
[NOZA-97]
- 189 -
[OH-03] [PALM-02] [PERE-00]
OH, S.K., W. PEDRYCZ, et H.S. PARK, Hybrid identification in fuzzy neural-networks. , Fuzzy Sets and Systems, Vol. 138, pp. 399-426, 2003. PALMER, S.E., Vision science photons to phenomenology , The MIT Press, Cambridge, 3rd Edition, 2002. PEREZ ORAMAS, O., Contribution une mthodologie dintgration de connaissances pour le traitement dimages. Application la dtection de contours par rgles linguistiques floues , Thse de doctorat, Universit Henri Poincar, Nancy, 2000.
[PHAM-01] PHAM, D.T., et S. SAGIROGLU, Training multilayered perceptrons for pattern recognition: a comparative study of four training algorithms , International Journal of Machine Tools & Manufacture, Vol. 41, pp. 419-430, 2001. [PIET-96] PIETIKAINEN, M.K., S. NIEMINEN, E. MARSZALEC, et T. OJALA, Accurate color discrimination with classification based on feature distributions , 13th International Conference for Pattern Recognition, Vienne, Autriche, pp.883-836, 1996. [POIN-81] [POYN-97] [ROSE-01] POINTER, M.R., A comparison of the CIE 1976 colour spaces. , COLOR Research and Application, Vol. 6, No. 2, pp. 108-118, 1981. POYNTON, C., Frequently Asked Questions about Color , URL : http://www.poynton.com/ColorFAQ.html, 1997. ROSENFELD, A., From Image Analysis to Computer Vision: An Annotated Bibliography, 1955-1979 , Computer Vision and Image Understanding, Vol. 84, pp. 298-324, 2001. RUZ, G.A., P.A. ESTEVEZ, et C.A. PEREZ, A neurofuzzy color image segmentation method for wood surface defect detection , Forest Products Journal, Vol. 55, No. 4, pp. 52-58, 2005. SALARI, E., et W. LI, A fast quadtree motion segmentation for image sequence coding , Signal Processing: Image Communication, Vol. 14, pp. 811-816, 1999. SANGWINE, S.J., et R.E.N. HORNE, The colour image Handbook , Ed. Chapman and Hall, 1998. SATHYANATH, S., et F. SAHIN, An AIS approach to a color image classification problem in a realtime industrial application , International Conference on Systems, Man and Cybernetics, Vol. 4, No. 4, pp. 2285-2290, 2001. SCHMOLDT, D.L., Neural networks classifiers to grade parts based on surface defects with spatial dependencies , Review of Progress in Quantitative Nondestructive Evaluation, Vol. 14, Edition D.O. Thompson and D.E. Chimenti, Plenum Press, New York, pp. 795-802, 1995.
[RUZ-05]
[SALA-99]
[SANG-98] [SATH-01]
[SCHM-95]
- 190 -
[SHAF-76] [SHIH-95]
SHAFER, G., A Mathematical Theory of Evidence. , Princeton University Press, Princeton, 312 pages, 1976. SHIH, T.-Y., The reversibility of six geometric color spaces. , Photogrammetric Engineering and Remote Sensing, Vol. 61, No. 10, pp. 12231232, 1995. SILBERSTEIN, L., et D.L. MACADAM, The distribution of color matching around a color center , Journal of Optical Society of America, Vol. 25, No. 1, pp. 32-39, 1945. SIVIK, L., et C. TAFT, Color naming a mapping in the NCS of common color terms. , Scandinavian Journal of Psychology, Vol. 35, No. 2, pp. 144164, 1994.
[SILB-45]
[SIVI-94]
[SPRO-01a] SPROULL, R.C., Color matching in dentistry. Part I. The three-dimensional nature of color , The Journal of Prosthetic Dentistry, Vol. 86, No. 5, pp. 453457, 2001. [SPRO-01b] SPROULL, R.C., Color matching in dentistry. Part II. Practical applications of the organization of color , The Journal of Prosthetic Dentistry, Vol. 86, No. 5, pp. 458-464, 2001. [SRIK-97] SRIKANTESWARA, S., Q. LU, W. KING, T. DRAYER, R. CONNERS, E. KLINE, et P. ARAMAN, Real-time implementation of a color sorting system , Proc. Of SPIE Machine Vision Applications, Architectures and Systems Integration, Pittsburgh, Etats-Unis, Vol. 3205, pp. 170-179, 1997. SUGENO, M., An introductory survey of fuzzy control, Information Sciences, Vol. 36, pp. 59-83, 1985. SVM and Kernel Methods Matlab Toolbox, Insa de Rouen, URL : http://asi.insa-rouen.fr/~arakotom/toolbox/index.html. SWAIN, M.J., et D.H. BALLARD, Color indexing , Int. Journal Computer Vision, Vol. 7, No. 1, pp. 11-32, 1991. TAKAHASHI, K., et S. NOZAKI, From intelligent sensors to fuzzy sensors , Sensors and Actuators, Vol. 40, No. 2, pp. 89-91, 1994. TAN, T.S.C., et J. KITTLER, Colour texture classification using features from colour histograms , 8th Scandinavian Conference on Image Analysis, Norvge, pp. 807-813, 1993. TSEKOURAS, G., H. SARIMVEIS, et G. BAFAS, A simple algorithm for training fuzzy systems using input-output. , Advances in Engineering Software, Vol. 34, pp. 247-259, 2003. TURCOTTE, M., Mthode base sur la texture pour ltiquetage des images , Rapport dobtention du grade Matre s Sciences, Universit de Sherbrooke, Qubec, Canada, 2000.
[SUGE-85] [SVM] [SWAI-91] [TAKA-94] [TAN-93]
[TSEK-03]
[TURC-00]
- 191 -
[UCI] [UGHE-98]
UCI Repositery Of Machine Learning Databases and Domain Theories, ftp anonyme, URL: http://ftp.ics.uci.edu/pub/machine-learning-databases/. UGHETTO, L., Les systmes base de rgles floues. Vrification de la cohrence et mthodes dinfrence. , Thse de doctorat, Universit Paul Sabatier, IRIT, Toulouse, 1998.
[WANG-92] WANG, L., et J. MENDEL, Generating fuzzy rules by learning from examples. , IEEE Transactions on Systems, Man, and Cybernetics, Vol. 22, No. 6, pp. 1414-1427, 1992. [WANG-07] WANG, Y.G., J. YANG, Y. ZHOU, et Y.Z. WANG, Region partition and feature matching based color recognition of tongue image , Pattern Recognition Letters, Vol. 28, No. 1, pp. 11-19, 2007. [WRIG-69] [ZADE-65] [ZADE-73] WRIGHT, W.D., The measurement of Colour , Hilger, Bristol, 4th Edition, 1969. ZADEH, L.A., Fuzzy sets , Information and Controls, pp. 338-353, 1965. ZADEH, L.A., Outline of a new approach to the analysis of complex systems and decision processes , IEEE Trans. On Systems, Man and Cybernetics, Vol. SMC3, pp. 28-44, 1973. ZADEH, L.A., The concept of a linguistic variable and its application to approximate reasoning , Information Sciences, Part 1, Vol. 8, No. 3, pp. 199249, Part 2, Vol. 8, No. 4, pp. 301-357, Part 3, Vol. 9, No. 1, pp. 43-80, 1975. ZADEH, L.A., Fuzzy sets as a basis for a theory of possibility , Fuzzy Sets and Systems, Vol. 1, pp. 3-28, 1978. ZELLER, C., Calibration projective, affine et euclidienne et vision par ordinateur et application la perception tridimensionnelle , Thse de doctorat, Ecole Polytechnique, Paris, France, 1996. ZHANG, M., L.L. LUDAS, M.T. MORGAN, G.W. KRUTZ, et C.J. PRECETTI, Applications of Color Machine Vision in the Agricultural and Food Industries , Conference on Precision Agriculture and Biological Quality, Boston, Etats-Unis, pp. 208-219, 1998. ZINGALES, G., et C. NARDUZZI, The role of the artificial intelligence in measurement , 8th International Symposium on Artificial Intelligence based Measurement and Control (AIMaC91), Ritsumeikan University, Kyoto, Japon, pp. 3-12, 1991.
[ZADE-75]
[ZADE-78] [ZELL-96]
[ZHAN-98]
[ZING-91]
- 192 -
Rsum :
Nos travaux portent sur ltude dun capteur flou adapt lidentification couleur davivs. La mthode propose a pour objectif notamment de prendre en compte la subjectivit de la perception des couleurs par ltre humain et de dlivrer ses rsultats dans le vocabulaire de lutilisateur. Le domaine dapplications (industrie du bois) impose certaines contraintes. En effet, les classes de couleurs ne sont pas disjointes (frontires non strictes) et sont reprsentes par peu dchantillons. Il en rsulte alors des imprcisions et incertitudes dans la dfinition des classes de sortie. Aprs un tat de lart sur les techniques de traitement dimages, de reconnaissance de formes et sur la structure des capteurs intelligents, nos travaux sont exposs suivant deux axes : du capteur aux mesures, et des mesures la dcision. Tout dabord, nous avons valu et corrig les perturbations li lenvironnement ambiant du capteur (temprature, vieillissement, ). Ensuite, nous avons dtermin lespace colorimtrique le plus discriminant,et labor le vecteur caractristique compos dattributs interprtables permettant didentifier les couleurs. A partir de ces donnes, nous avons dvelopp le Fuzzy Reasoning Classifier bas sur un mcanisme de rgles linguistiques floues agrgeant des rgles conjonctives suivant le modle de Larsen. Enfin, un oprateur flou de fusion de donnes est utilis pour des systmes multi-capteurs. Lexploitation de ce capteur flou a montr le bon comportement du systme face aux contraintes temps-rel industrielles ainsi quune amlioration des taux de reconnaissance denviron 10%.
Mots Cls : Capteur flou, Classification couleur, Reconnaissance de formes, Rgles linguistiques floues, Traitement dimages. Abstract:
Our works concern the study of a fuzzy sensor adapted to the color identification on wooden boards. The proposed method aims particularly to take into account the human subjectivity concerning the color perception and to provide results in the user vocabulary. The application field (timber industry) imposes certain constraints. Indeed, the color classes are not separated (non-strict boundaries) and are represented with few samples. Then, it results from it, imprecisions and uncertainties in the output class definition. After a state of the art on the techniques of image processing, of pattern recognition, and on the structure of intelligent sensors, our works are exposed along two axes: from the sensors to the measurements, and from the measurements to the decision. Firstly, we have evaluated and corrected the perturbations linked to the environment of the sensor (temperature, ageing, ). Then, we have determined the most discriminating colorimetric space, and generated the characteristic vector composed of interpretable attributes allowing to identify the colors. From these data, we have developed the Fuzzy Reasoning Classifier based on a fuzzy linguistic rule mechanism aggregating conjunctive rules according to the Larsen model. Finally, for the multi-sensor systems, a fuzzy operator of data merging is used. The use of this fuzzy sensor has shown the good behaviour of the system compared to the real-time industrial constraints, and an improvement of 10% of the recognition rates.
Keywords: Fuzzy sensor, Color classification, Pattern recognition, Fuzzy linguistic rules, Image processing.

Memoire These Emmanuel SCHMITT V2

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Memoire These Emmanuel SCHMITT V2

Загружено:

Авторское право:

Доступные форматы

FACULTE DES SCIENCES & TECHNIQUES

Docteur de lUniversit Henri Poincar, Nancy - I

TABLES DES MATIERES

Tables des matires

TABLES DES MATIERES

2.3.2. 2.3.3. 2.4. 3.

TABLES DES MATIERES

ANNEXE B.3 : VALIDATION DE LA METHODE DE FUZZYFICATION AUTOMATIQUE POUR UN AUTRE DOMAINE

LISTE DES FIGURES

Liste des figures

LISTE DES FIGURES

LISTE DES FIGURES

FIGURE 4.5 : FONCTIONNEMENT DE LALGORITHME DURANT LES ETAPES DAPPRENTISSAGE ET DE

LISTE DES FIGURES

- BASE_COULEUR_1 ........................................................... - 176 -

- BASE_COULEUR_2 ........................................................... - 177 -

FIGURE B.5 : EVOLUTION DU TAUX DE RECONNAISSANCE EN GENERALISATION EN FONCTION DU SEUIL DE

FIGURE B.6 : EVOLUTION DU TAUX DE RECONNAISSANCE EN GENERALISATION EN FONCTION DU SEUIL DE

LISTE DES TABLEAUX

Listes des tableaux

POUR LA COMPOSANTE L ET LES DIFFERENTES CLASSES

PRESENTES DANS LA BASE DE DONNEES BASE_COULEUR_1

LISTE DES TABLEAUX

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

CHAPITRE 2 : CONTROLE QUALITE PAR

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

Figure 2.3 : Taxinomie des contrles appliqus au bois et positionnement de ltude

2.1.1. La reconnaissance des singularits

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

Figure 2.4 : Singularits du bois

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

Tableau 2.2 : Contrle surfacique du produit bois Technologies employes et applications

Capteurs ultrasons Camras couleurs Camras monochromes

[ESTE-03] [FUNC-03] [KLIN-03]

[FUEN-05] [RUZ-05] [BOMB-07] [MAZA-07b]

Capteurs micro-ondes Camras couleurs Camras monochromes Sources lasers

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

les applications lies ltiquetage de singularits [PHAM-01] [BOMB-07] [MAZA-07b].

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

2.1.2. La reconnaissance des couleurs et du grain

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

Tableau 2.3 : Classification de couleurs et de grains sur un produit bois

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

Dosse Faux-Quartier Quartier

Figure 2.7 : Origine des textures du bois

2.1.3. Le besoin de systmes industriels de vision

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

Inspection par reconnaissance de formes

2.2.1. Linspection visuelle automatise

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

un contrle oprationnel qui permet de valider le produit face ces spcifications.

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

Les traitements de bas niveau

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES

Figure 2.11 : Principe de reconnaissance de formes

CONTROLE QUALITE PAR SYSTEME DE VISION ET RECONNAISSANCE DE FORMES

CONTROLE QUALITE PAR SYSEME DE VISION ET RECONNAISSANCE DE FORMES