Fuzzification automatique adaptée à des lots de données réduits
Résumé
Cet article présente une méthode de fuzzification automatique visant à faciliter les réglages d'un Classificateur par Raisonnement Flou et ainsi à améliorer un système d'inspection automatique d'avivés par vision. La classification supervisée est réalisée par un moteur d'inférences floues à base de règles linguistiques, générées à partir de petits lots de données. Cette étude répond à un double besoin industriel. Premièrement, peu d'échantillons sont disponibles pour générer les modèles de reconnaissance, rendant ainsi moins performantes les méthodes par compilation comme les réseaux de neurones. Deuxièmement, les réglages de la méthode doivent être simplifiés, car les utilisateurs ne sont ni experts en vision ni en logique floue. Dans cet article, une méthode automatique de fuzzification est proposée, utilisant les coefficients de corrélation des typicalités de chaque classe. Les résultats obtenus sur des échantillons réels montrent la capacité de généralisation de la méthode de classification à partir de lots d'apprentissages réduits.