| Titre : | Reconnaissant automatique des fruits `a partir d’images naturelles en utilisant l’apprentissage automatique |
| Auteurs : | Abdelatif Chamekh, Auteur ; Nadia Ben Seghier, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2020 |
| Format : | 1 vol. (77 p.) / ill. / 29 cm |
| Langues: | Français |
| Mots-clés: | reconnaissance des formes,Machine learning,reseaux de neurone convolutionnel. |
| Résumé : | Identi?er les formes quelles que soient leur type (visages, voitures, fruits, batiments) est une tache facile pour les humains.Est-ce Pareil pour une machine ?Cela nie le probleme de la reconnaissance automatique des formes, qui a donne lieu a de nombreuses recherches ces dernieres annees. Plusieurs techniques ont ete developpees pour la reconnaissance des fomes,Le but de ce memoire est de mettre en place une application de reconnaissance des formes(un type des formes speci?que qui est le fruit de datte)capable de reconnatre ce fruit et classi?e chacun a traver leur classe,en utilisant la technique des reseaux de neurone convolutionnel(CNN). Les resultats que nous avons obtenus sont tres encourageantes. |
| Sommaire : |
I Reconnaissance des formes 14
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 I.2 La reconnaissance des formes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 I.2.1 De?nition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 I.2.2 Historique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 I.3 Methodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 I.3.1 Methode de reconnaissance des formes . . . . . . . . . . . . . . . . . . . 17 I.4 La reconnaissance de plusieurs objects dans une image . . . . . . . . . . . . . . 18 I.5 Applications typiques de la reconnaissance des formes . . . . . . . . . . . . . . . 18 I.6 Schema general d'un systeme de reconnaissance des formes . . . . . . . . . . . . 19 I.6.1 Preparation des donnees . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 I.6.2 Apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 I.6.3 Classi?cation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 I.6.4 Post traitement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 I.7 Traitement d'image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 I.7.1 Preparation ou Traitement bas niveau . . . . . . . . . . . . . . . . . . . 22 I.7.1.1 De?nition d'image . . . . . . . . . . . . . . . . . . . . . . . . . 22 I.7.1.2 De?nition pixel . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 I.7.1.3 Image en niveu de gris . . . . . . . . . . . . . . . . . . . . . . . 24 I.8 Segmentation des images . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 I.8.1 Les principes de la segmentation . . . . . . . . . . . . . . . . . . . . . . . 25 I.9 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 II Machine learning 27 II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 II.2 Apprentissage machine . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 II.3 DiFerents types d'apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 II.3.1 Apprentissage supervise . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 II.3.2 Apprentissage non supervise . . . . . . . . . . . . . . . . . . . . . . . . . 30 II.3.3 Apprentissage semi-supervise . . . . . . . . . . . . . . . . . . . . . . . . 31 II.3.4 Apprentissage par renforcement . . . . . . . . . . . . . . . . . . . . . . . 33 II.4 Generalisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 II.4.1 Sur-apprentissage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 II.4.2 Regularisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 II.4.3 Malediction de la dimensionalite . . . . . . . . . . . . . . . . . . . . . . . 36 II.5 DiFerents types de mod?eles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 II.5.1 Modeles parametriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 II.5.2 Modeles non parametriques . . . . . . . . . . . . . . . . . . . . . . . . . 39 II.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 IIIReseaux de neurones arti?ciels 41 III.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 III.2 Reseau de neurone arti?ciel : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 III.2.1 Du neurone biologique vers neurone arti?ciel : . . . . . . . . . . . . . . . 42 III.2.2 Architecture de reseau de neurone arti?ciel : . . . . . . . . . . . . . . . . 44 III.2.3 Les fonctions d'activation : . . . . . . . . . . . . . . . . . . . . . . . . . . 45 III.2.4 L'apprentissage : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 III.2.5 Type des reseaux de neurones : . . . . . . . . . . . . . . . . . . . . . . . 47 III.2.5.1 Perceptron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 III.2.6 Perceptron multicouche : . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 III.2.7 Le reseau a fonction de base radiale : . . . . . . . . . . . . . . . . . . . . 49 III.3 Les reseaux de neurones convolutionnels . . . . . . . . . . . . . . . . . . . . . . 50 III.3.1 Pourquoi CNN? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 III.3.2 Les reseaux de neurones convolutionnels (CNN) : . . . . . . . . . . . . . 50 III.3.3 Couche de convolution : . . . . . . . . . . . . . . . . . . . . . . . . . . 51 III.3.4 Couche de sous-echantillonnage (Pooling) : . . . . . . . . . . . . . . . . 52 III.3.5 Couche entierement connect?ee : . . . . . . . . . . . . . . . . . . . . . . . 53 III.3.6 CNN Architectures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 III.3.6.1 AlexNet (2012) . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 III.3.6.2 GoogLeNet/Inception(2014) . . . . . . . . . . . . . . . . . . . . 54 III.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 IV Conception et Implementation 56 IV.1 Conception . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 IV.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 IV.1.2 systeme propose pour la reconnaissance des dattes . . . . . . . . . . . . . 57 IV.1.3 Architecture du systeme propose . . . . . . . . . . . . . . . . . . . . . . 58 IV.1.4 Back-end . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 IV.1.5 L'architecture de CNN propos?ee . . . . . . . . . . . . . . . . . . . . . . 65 IV.2 Implementation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 IV.2.1 Environnement de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 IV.2.2 Paquets et bibliotheques requis . . . . . . . . . . . . . . . . . . . . . . . 66 IV.2.3 importation des librairies . . . . . . . . . . . . . . . . . . . . . . . . . . . 70 IV.2.4 Importation de la base de donnees et pretraitement . . . . . . . . . . . . 70 IV.2.5 Architecture du CNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71 IV.2.6 Evaluation du model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 IV.3 Test et resultat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/548 | Mémoire master | bibliothèque sciences exactes | Consultable |
