Extraction et la sélection de paramètres pertinents dans les systèmes de vision
Les systèmes de vision sont de plus en plus complexes et souvent il est difficile de connaître l'impact d'un ou des attributs sur la sortie du système. Le thème de cette journée est sur "l'extraction et la sélection de paramètres pertinents dans les systèmes de vision".
En effet l'extraction et la sélection d'attributs pertinents sont des étapes primordiales de tout système de vision. Comment sélectionner ces attributs, comment évaluer la pertinence de ceux-ci, comment mesurer l'impact qu'ils ont sur la sortie du système. L'objectif de cette journée est de faire un bilan des différentes méthodes qui existent et celles qui sont mises en oeuvre dans des applications industrielles.
10h00-11h00: Sélection de paramètres pertinents (FRIFS) et illustrations sur plusieurs applications industrielles - Vincent BOMBARDIER, Laurent WENDLING (CRAN Nancy)
11h00-11h30: Combinaison dynamique d'attributs d'image à partir d'un critère de précision. - Sébastien DESBOUCHAGES (SIC, Poitiers)
12h00-14h00: Pause déjeuner
14h00-14h30 : Sélection automatique d'attributs pour la classification supervisée de textures couleurs - Alice POREBSKI (LAGIS, Lille)
14h30-15h00 : Extraction d'attributs pour la classification des textures du fond des lettrines - Giap NGUYEN (L3i, La Rochelle)
15h00-15h30 : Sélection des attributs dans un système de fusion d'information - Abdellah LAMALLEM (LISTIC, Chambery)
15h30-16h00 : Discussion et perspectives.
Résumé:
Nous présentons une méthode itérative de sélection de paramètres pertinents (FRIFS). Elle s’intègre dans un contexte de réduction de complexité de systèmes de reconnaissance de formes dans un contexte industriel. Ce dernier induit de nombreuses contraintes, comme la nécessité de travailler avec des lots de données réduits (il est possible qu’il n’y ait qu’un ou deux échantillons pour une classe de défaut). Ce qui rend difficile l’utilisation de méthodes utilisant des techniques telles que les réseaux de neurones ou les algorithmes génétiques. Une autre difficulté tient dans le respect des contraintes « temps réel » du système de production. Ainsi, la complexité du modèle de reconnaissance de formes doit être aussi réduite que possible. Ce travail se place donc dans un domaine à « échelle réduite », notamment en raison du faible nombre de caractéristiques utilisées.
La méthode de sélection FRIFS combine deux approches qui ont prouvé expérimentalement leur efficacité dans les conditions précédemment décrites. La méthode de sélection de paramètres, fondée sur l’intégrale de Choquet fournit les paramètres jugés les plus pertinents à un classificateur à base de règles linguistiques floues (F.R.C.), utilisé pour la reconnaissance. Ce couplage est itératif et vise à déterminer le sous ensemble de paramètres le plus pertinent en fonction d’un taux de reconnaissance désiré.
L’efficacité de la méthode est éprouvée sur plusieurs applications industrielles de produits fibreux dans le domaine du bois ou du textile.
Résumé: Cette présentation traitera de l'intérêt de l'ajout d'une mesure de précision des attributs pour la classification d'image. Actuellement, nous nous contentons de produire des attributs à partir d'une image sans prendre en compte le niveau de représentation de ces informations par rapport à l'image source. Dans un premier temps, nous montrerons la manière d'exprimer ce critère de précision à partir de descripteurs de formes. Puis, dans le cadre de la théorie de l'évidence appliquée à la combinaison de données hétérogènes, nous inclurons dynamiquement cette nouvelle mesure aux fonctions de croyance pour enfin obtenir des décisions prouvant une amélioration des résultats de classification. Sous un autre point de vue, cette approche permet la sélection dynamique de couple attributs/classifieurs dans une chaîne de traitement d'image.
Résumé: Dans le cadre du contrôle qualité de décors verriers par analyse d'image, nous proposons une méthodologie originale de classification supervisée de textures couleur pour identifier les défauts d'aspect présents sur les décors. Cette méthodologie consiste à construire un espace d'attributs de texture couleur discriminant de dimension réduite lors d'un apprentissage hors ligne afin d'y représenter les textures à classer en ligne. Afin de satisfaire aux contraintes exigées par une application industrielle en termes de qualité de résultats et de temps de calcul, l'originalité de notre approche consiste à sélectionner automatiquement un nombre réduit d'attributs qui, d'une part sont évalués à partir d'images codées dans plusieurs espaces couleur exploitant des propriétés différentes et d'autre part, tiennent compte des relations spatiales intra et inter-composantes existant au sein de ces espaces. Nous montrons alors que les indices d'Haralick extraits des matrices de co-occurrences chromatiques sont des attributs répondant à ces objectifs lorsque le nombre de couleurs de l'image est réduit grâce à une sous-quantification des composantes couleur et qu'un voisinage isotropique est utilisé. L'approche proposée est d'abord appliquée à trois bases d'images de textures couleur de référence afin de montrer l'apport de l'approche multi-espaces couleur et le bénéfice que présente la sélection d'attributs, avant d'être appliquée au contrôle qualité des décors verriers. Pour répondre au problème de sous-représentativité des prototypes lié à cette application, nous introduisons une approche originale basée sur la génération d'images de synthèse présentant les défauts à détecter.
Résumé:
Nous nous concentrons sur des traits du fond qui peuvent représenter des textures différentes.
Après la séparation des traits, les trois caractéristiques de traits sont
extraites : la largeur, l'orientation et la courbure. Basé sur ces
caractéristiques, nous classifions des traits, les traits voisins de
même classe vont être fusionnés dans une région (une texture). Les
caractéristiques d'une texture sont la moyenne de quelques uns de ses
traits. Ces caractéristiques sont ensuite utilisées pour classifier
différentes textures.
Résumé: La fusion d'information est de plus en plus utilisée dans les applications complexes dans lesquelles il y a un besoin réel de prendre en considération plusieurs genres d'information simultanément. Les systèmes de fusion sont complexes parce qu'ils regroupent tous les blocs d'une chaîne de traitement (depuis l'extraction jusqu'à la décision). Une évaluation globale du résultat ne permet pas aux utilisateurs d'ajuster les nombreux paramètres de cette chaîne de traitement et nuit à l'interactivé avec les utilisateurs. Nous proposons dans cet exposé une approche locale qui permet d'évaluer chaque bloc du système par rapport à une mission qui lui est associé. Une mesure liée à l'accomplissement de cette mission permet de mesurer sa réalisation selon l'objectif donné, indépendamment de la méthode employée. Cette approche est illustrée sur le bloc extraction d'un système coopératif de fusion d'information. Nous montrons qu'il est alors possible de sélectionner les attributs d'entrée et de régler les paramètres de la méthode utilisée lors de l'extraction de ceux-ci.