Détection des défauts de surface à base des réseaux de neurones convolutifs
| dc.contributor.author | Izerkhef Sabrine | |
| dc.contributor.author | Madjene Tassadit | |
| dc.date.accessioned | 2025-03-12T08:39:30Z | |
| dc.date.available | 2025-03-12T08:39:30Z | |
| dc.date.issued | 2024-10-03 | |
| dc.description | 111 p. : ill. ; 30 cm. (CD-Rom) | |
| dc.description.abstract | Ce mémoire porte sur la détection et la classification des défauts de surface dans plusieurs contextes industriels en utilisant des réseaux de neurones convolutifs (CNNs). Deux approches complémentaires ont été abordées. La première est la détection des défauts par classification à une classe où le modèle Fully Convolutional Data Description (FCDD), basé sur VGG16, a été employé. Cette méthode permet de détecter la présence ou l'absence d’une anomalie sans préciser sa nature, en se focalisant uniquement sur la distinction entre les images normales et celles présentant des défauts. La seconde approche concerne la reconnaissance des défauts par classification multiclasses, pour laquelle le modèle GoogLeNet a été utilisé. Cette méthode permet d’identifier précisément le type du défaut. Pour cela, nous avons exploité trois bases de données spécifiques à des secteurs variés : l’industrie pharmaceutique (Pill QC), l’agroalimentaire (Hazelnut), et l’industrie du bois (Wood). Les résultats obtenus avec les deux approches sont prometteurs. FCDD atteint près de 90 % de détection, tandis que GoogLeNet offre un taux de classification dépassant 96 %. Ces résultats soulignent l’importance des CNNs dans l’amélioration des processus de contrôle qualité, contribuant à une meilleure productivité et à une réduction des erreurs humaines. | |
| dc.identifier.citation | Automatique et Informatique Industrielle | |
| dc.identifier.other | MAST.AUTO.56-23 | |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/27002 | |
| dc.language.iso | fr | |
| dc.publisher | FGEI.UMMTO | |
| dc.subject | Détection défauts de surface | |
| dc.subject | Réseaux de neurone classique | |
| dc.subject | Réseaux de neurone convolutifs (CNNs) | |
| dc.subject | Classification à une classe | |
| dc.subject | Classification multiclasses | |
| dc.subject | Fully convolutional data description (FCDD) | |
| dc.subject | VGG16 | |
| dc.subject | GoogLNet | |
| dc.subject | Inspection visuelle automatique | |
| dc.subject | Qualité industrielle | |
| dc.subject | Pill QC dataset | |
| dc.subject | Hazelnut dataset | |
| dc.subject | Wood dataset | |
| dc.subject | Vision par ordinateur (MATLAB) | |
| dc.title | Détection des défauts de surface à base des réseaux de neurones convolutifs | |
| dc.type | Thesis |