CLASSIFICATION FLOUE DE COULEUR
Résumé
Les travaux présentés sont réalisés dans le cadre d'une collaboration entre le Centre de Recherche en Automatique de Nancy (CRAN) et la société luxembourgeoise Luxscan Technologies. Cette étude aborde le contrôle qualité de planches de bois, et plus particulièrement l'appariement couleur de ces planches. Aujourd'hui, l'Homme ne dispose pas d'un modèle universel pour définir un ensemble de couleur. Chaque individu possède ses propres caractéristiques visuelles et perceptives, la vision humaine n'est pas un outil totalement fiable et surtout répétable. C'est pourquoi, il est indispensable de rechercher des algorithmes robustes de classification pour traiter des images couleur. A ce niveau, nous devons résoudre deux problèmes. Le premier concerne les données délivrées par le capteur. En effet, ce dernier peut injecter des imprécisions et des incertitudes dans les données, l'imprécision étant due à la variabilité du capteur lui-même, et l'incertitude étant due au mode d'extraction et au choix des caractéristiques dont nous ne sommes pas certains qu'elles soient totalement représentatives de l'information couleur qui nous intéresse. Le deuxième problème abordé réside dans la subjectivité de la perception que nous pouvons avoir des couleurs. En effet, la définition des classes de sortie n'est pas stricte, elle peut varier d'un opérateur à l'autre et présenter des intersections non nulles. Pour faciliter la manipulation de telles données et de pouvoir prendre en compte cette subjectivité, nous avons décidé d'utiliser une méthode basée sur la théorie des ensembles flous. Nous utilisons plus précisément un mécanisme d'inférences floues à base de règles conjonctives qui sont mieux adaptées à notre problème d'analyse de données. Ce principe nous permet également d'obtenir une rapidité de calcul en accord avec les contraintes industrielles temps-réel. Pour améliorer encore plus les temps de traitements, nous appliquons notre méthode suivant une structure arborescente dans laquelle chaque nœud décisionnel est un système d'inférences floues (S.I.F). Il est à noter que nous utilisons une logique de classification supervisée piloté par un modèle généré suivant trois étapes : la fuzzyfication des attributs d'entrée qui représente la traduction des données quantitatives en variables linguistiques en fonction d'un nombre de termes adéquats, la génération des règles linguistiques floues du type « Si ... Alors ... » qui décrivent la perception que le système a des couleurs, l'ajustement du modèle suivant un lot d'échantillons pertinents. L'avantage d'utiliser plusieurs S.I.F. successivement réside dans la réduction du nombre de règles de classification. Les résultats obtenus avec notre méthode montre une amélioration d'environ 5% par rapport à des méthodes de classification plus classiques comme les k plus proches voisins ou les classificateurs bayésiens. Nous obtenons un taux de reconnaissance avoisinant les 94% de bonnes identifications. Notre méthode permet de également diminuer le temps de traitement des données en moyenne de 350µs par images traitées. Nous travaillons actuellement à l'amélioration les résultats en incluant dans le vecteur caractéristique d'entrée des paramètres représentatifs de la texture qui peut perturber l'aspect visuel des planches de bois que nous cherchons à appareiller.