Tri des déchets par un système de reconnaissance
d’image
DARBAL Ali
GMS-G18
Table of Contents
Introduction :.........................................................................................................................................5
Principe de base :...............................................................................................................................5
Les réseaux neuronaux :.....................................................................................................................5
Etapes de la reconnaissance image :......................................................................................................6
Acquisition de l'image :......................................................................................................................6
Prétraitement de l'image :..................................................................................................................6
Extraction des caractéristiques :.........................................................................................................6
Apprentissage du modèle :.................................................................................................................6
Classification ou détection :...............................................................................................................6
Évaluation et amélioration :...............................................................................................................7
Résumé du flux d’information préliminaire :..........................................................................................7
Table de figure
Figure 1: Modèle simplifié d'un réseau neural.......................................................................................5
Figure 2: Exemple conventionnelle de code Python pour l'entrainement du modèle............................6
Figure 3: Exemple de reconnaissance image basé sur la dataset "Taco"................................................7
Introduction :
Principe de base :
Le principe de base de la reconnaissance d'image repose sur l'utilisation de l'intelligence artificielle et
de techniques d'apprentissage automatique pour analyser et interpréter les informations visuelles
contenues dans une image.
Les réseaux neuronaux :
Les réseaux neuronaux, ou réseaux neuronaux artificiels, sont des modèles informatiques dérivés des
réseaux neuronaux biologiques, qui sont composés d'un grand nombre de neurones denses. Alors
que les réseaux neuronaux biologiques confèrent une conscience aux êtres vivants, les réseaux
neuronaux parviennent à apprendre à partir d'exemples donnés plutôt que de fonctionner sous des
commandes spécifiques. Le but ultime des réseaux neuronaux est marqué par la reproduction des
performances des systèmes neuronaux biologiques, en apprenant de la manière dont les humains
reconnaissent le monde, et en utilisant ainsi de manière appropriée cette structure de réseau pour
aider à résoudre des problèmes complexes tels que la classification d'objets ou la reconnaissance
d'images.
Les réseaux neuronaux sont composés de neurones artificiels massivement connectés au sein de
structures hiérarchiques en réseau. Les neurones artificiels prennent en charge le traitement des
signaux d'entrée et la propagation des signaux traités. Chaque neurone artificiel possède un poids qui
modifie le signal d'entrée. Ce poids du neurone est variable pendant le processus d'entraînement et
le changement de poids peut être considéré comme une procédure d'apprentissage progressif du
neurone artificiel pour s'adapter à l'ensemble d'entraînement. Un biais est introduit dans la somme
pondérée des entrées pour ajuster davantage le signal. En fin de compte, le signal passe par une
fonction d'activation pour produire la sortie finale d'un neurone.
Ce qu'un seul neurone fait est de convertir toutes ses entrées connectées en un scalaire qui décrit au
mieux l'état des entrées après une somme pondérée et une activation. Les réseaux neuronaux
effectuent le même travail dans une structure complexe de neurones, de manière parallèle, pour
transformer les entrées en un vecteur représentant une classe.
Figure 1: Modèle simplifié d'un réseau neural .
Etapes de la reconnaissance image :
Acquisition de l'image :
La première étape consiste à obtenir une image à partir d'une source, telle qu'une caméra, un
scanner ou une base de données d'images.
Prétraitement de l'image :
Avant d'effectuer toute analyse, l'image peut être prétraitée pour améliorer sa qualité ou réduire le
bruit, par exemple en ajustant le contraste, en supprimant les artefacts indésirables ou en
redimensionnant l'image.
Extraction des caractéristiques :
Dans cette étape, des caractéristiques significatives de l'image sont extraites pour représenter son
contenu de manière quantitative. Ces caractéristiques peuvent inclure des éléments tels que la
couleur, la texture, la forme ou d'autres propriétés visuelles. En d’autres termes, cette étape conçoit
la solution pour l’entrainement du modèle (est-ce-que cette image appartient ou non à l’intervalle de
la solution).
Apprentissage du modèle :
Les caractéristiques extraites de l'image sont ensuite utilisées pour entraîner un modèle
d'apprentissage automatique, tel qu'un réseau de neurones artificiels. Ce modèle est capable
d'apprendre à reconnaître des motifs ou des objets spécifiques à partir des caractéristiques extraites.
Ceci est souvent fait par un code Python comme ceci (inclus avec le modèle) :
Figure 2: Exemple conventionnelle de code Python pour l'entrainement du modèle
Classification ou détection :
Une fois que le modèle a été entraîné, il peut être utilisé pour classer ou détecter des objets dans de
nouvelles images. La classification consiste à attribuer une étiquette prédéfinie à l'image (solution
prédéfinie), tandis que la détection consiste à localiser et identifier des objets spécifiques dans
l'image.
Figure 3: Exemple de reconnaissance image basé sur la dataset "Taco"
Évaluation et amélioration :
Enfin, le système de reconnaissance d'image est évalué en fonction de ses performances sur un
ensemble de données de test, et des ajustements sont apportés au modèle ou aux techniques de
prétraitement si nécessaire pour améliorer sa précision et sa robustesse. Ceci est exercé par la
dernière ligne de code dans la figure 2.
Résumé du flux d’information préliminaire :
Image par incrément de
temps
Serveur
Camera local
Images
Identification/
Mesures/Décision
binaire
Système de tri
Convoyeur mécanique avec input
binaire
(accepter/rejeter)
