Définition et mise en place d'un outil temps réel d'analyse des caractéristiques physiques des semences sèches / Vincent Muracciole ; sous la dir. de Dominique Bertrand

Date :

Editeur / Publisher : [S.l.] : [s.n.] , 2009

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Traitement d'images

Vision artificielle (robotique)

Algorithmes

Bertrand, Dominique (1983-....) (Directeur de thèse / thesis advisor)

Université d'Angers (1972-....) (Organisme de soutenance / degree-grantor)

Relation : Définition et mise en place d'un outil temps réel d'analyse des caractéristiques physiques des semences sèches [Ressource électronique] / Vincent Muracciole ; sous la dir. de Dominique Bertrand / [S.l.] : [s.n.] , 2009

Résumé / Abstract : L'objectif de la présente thèse est d'étudier, de définir et de mettre en place un système de vision artificielle permettant de discriminer la nature et la variété de semences à partir de leurs images numériques. Une première étude a porté sur l'étude d'un dispositif mono-caméra destiné au contrôle de la qualité de lots de semences dans l'optique de leur certification. Il est apparu qu'un système mono-caméra ne permettait pas d'identifier les semences dont les faces présentent une disparité de couleur. Ainsi, les semences endommagées ne peuvent pas être correctement détectées avec un tel dispositif. Une deuxième étude a porté sur l'étude et la réalisation d'un nouveau système d'acquisition, muni de trois caméras, et capable de prendre plusieurs images de plusieurs faces d'un même objet. Un prototype a été construit, reposant sur une nouvelle architecture optique et électronique. A l'aide de ce prototype, une collection d'images de semences et de contaminants a été acquise. Sur cette collection, des algorithmes de traitement d'images et de discrimination ont été testés. Les semences composant cette collection ont été caractérisées par plusieurs centaines de variables quantitatives, portant sur leur morphologie, leur couleur et leur texture. Plusieurs méthodes de discrimination ont été étudiées : l'analyse discriminante linéaire (ADL), l'analyse factorielle discriminante, l'analyse discriminante PLS et une méthode de réseau de neurones probabilistes à ajustement adaptatif de poids. Dans tous les cas, les variables ont été sélectionnées préalablement par ADL avec introduction successive des variables les plus discriminantes. L'existence de trois images numériques pour chaque objet étudié offre des possibilités nouvelles en ce qui concerne la prise de décision. Plusieurs heuristiques ont été testées. Nous avons comparé les résultats obtenus en concaténant les tableaux de caractéristiques acquises à l'aide des trois caméras ou en mettant en jeu une stratégie de vote, majoritaire ou unanime. Quelle que soit la stratégie de décision, le réseau de neurones probabilistes donne les résultats les meilleurs, légèrement supérieurs à ceux obtenus par l'ADL. Nous avons conclu que, en considérant la simplicité de l'analyse discriminante linéaire, cette méthode était la plus appropriée pour la réalisation d'un automate fonctionnant en temps réel et capable de répondre aux contraintes de la certification des lots de semences.

Résumé / Abstract : The goal of this PhD Thesis is to study and design an automated artificial vision system to discriminate the nature and the variety of seeds from their numerical image. A first study has been done on a mono-camera acquisition system to determine the ability of such a system to certify seed lots. This study has shown that a mono-camera is not able to discriminate damaged or multicolor seeds in one pass. A second study has been done on the study and the design of a new acquisition system, with three cameras, able to acquire three different seed faces images simultanously. A prototype has been designed based on a new electronic and optical arrangement. A collection of seed images has been collected thanks to this system. On this collection, image processing and pattern classifier algorithms have been tested. The seeds are numerically characterised by their morphology, their color and their texture and stored in a dataset. These features are used as input of pattern classifiers. Some pattern classifiers have been tested (Linear Discriminant Analysis, Factorial Discriminant Analysis, PLS Discriminant Analysis, Probabilistic Neural Network) on a reduced dataset on which features were selected by their discriminative power with a forward LDA algorithm. The three cameras used offer the possibility of multiple classifications, either by combining pattern classifiers and use majority or unanimity vote, or by concatenating features to design single classifiers. The comparison test shows that in all conditions the PNN classifier is more accurate than the others. However, the LDA results are close to the PNN. For sake of simplicity, the LDA classifiers seem to be the best compromise for a real time automated system able to certify seed lots.