Reconnaissance d'algues toxiques par vision artificielle et réseau de neurones

Lepage, Richard (2004). Reconnaissance d'algues toxiques par vision artificielle et réseau de neurones. Mémoire. Rimouski, Québec, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 244 p.

Prévisualisation

PDF Télécharger (16MB)

Résumé

Depuis de nombreuses années, on cherche à identifier rapidement si des zones de
pêches côtières ont été contaminées par des algues toxiques. Une volonté affirmée se
développe quant à la conception d'un système automatisé de reconnaissance d 'organismes
cellulaires à traitement différé ou en temps réel; l'utilité d'un tel système étant avant tout de
palier les délais d'analyse taxonomique qui prennent plusieurs jours à s'effectuer avant d' en
arriver à une conclusion définitive. De ce fait, la prévention est tardive et les risques plus
élevés de contamination toxique pour la population humaine et animal (huîtres, moules,
poissons ... ). La situation, en ce qui a trait aux systèmes existants pour la reconnaissance
automatisée du phytoplancton, est en plein développement. Il y a néanmoins des difficultés
inhérentes quant à la précision de la classification et de la détection.
L'objectif de ce projet de recherche est la reconnaissance automatisée d'une espèce
spécifique de phytoplancton, soit l'Alexandrium tamarense. Un appareil, que l'on nomme
FLOWCAM, fournit des données (images et informations cytométriques) provenant
d'échantillons prélevés à des sites spécifiques. Ces données permettent à un système de
reconnaissance de discriminer les espèces végétales contenant des toxines de celles qui sont
inoffensives pour l'espèce humaine.
On privilégie deux stratégies dans ce mémoire de recherche, la première est une
fusion de données obtenues par traitement d'images associées à des paramètres
cytométriques générés par le FLOWCAM et la seconde est d'utiliser la totalité des
paramètres cytométriques sans procéder au calcul des moments d'ordre n<3 sur chacune
des images. Pour les deux approches, la discrimination des classes est effectuée par un
réseau de neurones dont l'optimisation a été calculée par la méthode des plans
d'expériences de Taguchi.
Dans les deux stratégies, nous avons émis l'hypothèse que les données présentaient
une distribution normale. À partir de cette distribution, 33% des données provenant de la
base de données #1 et #2 ont été choisies de manière aléatoire pour être présenté au réseau
de neurones lors de l'étape d'apprentissage. Nous avons ensuite présenté les données
provenant de la base de données # 1 et #3 au système de reconnaissance pour les deux
stratégies.
Les résultats que nous avons obtenus permettent de conclure que le calcul des
paramètres par la méthode des moments d'ordre n<3 dans la stratégie #1 est imprécise et
inadéquate comparativement à la stratégie #2 dont la discrimination se base uniquement sur
les paramètres existants du FLOWCAM. Une étude plus exhaustive sera donc nécessaire
pour vérifier si la méthode des moments pour n>3 fournit des résultats plus probants.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Méthot, Jean-François
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Dumais, Jean-François
Information complémentaire :	Mémoire présenté à l'Université du Québec à Rimouski comme exigence partielle du programme de maîtrise en ingénierie pour l'obtention du grade de maître ès sciences appliquées (M.Sc.A.) Publié aussi en version papier.
Mots-clés :	Algue Toxique Reconnaissance Identification Contamination Systeme Automatique Vision Artificiel Reseau Neurone Flowcam Phytoplancton Alexandrium Tamarense
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Déposé par :	DIUQAR UQAR
Date de dépôt :	19 janv. 2011 17:05
Dernière modification :	11 mars 2022 21:42
URI :	https://semaphore.uqar.ca/id/eprint/299

Actions (administrateurs uniquement)

Éditer la notice