Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

SUJET DE TRAVAIL APPRENTISSAGE ARTIFICIEL BASÉ SUR LES RÉSEAUX DE NEURONES À CO

SUJET DE TRAVAIL APPRENTISSAGE ARTIFICIEL BASÉ SUR LES RÉSEAUX DE NEURONES À CONVOLUTION POUR LA RECONNAISSANCE DES PLAQUES D’IMMATRICULATION Par : David MUETU KASONGA Introduction 1/4 Depuis quelques années, l’intelligence artificielle est devenue l’une des grandes priorités des grands acteurs de l’économie numérique et des entreprises. Son but est de permettre à des ordinateurs de penser et d’agir comme des êtres humains. Elle est présente dans tous les domaines de la vie quotidienne. Introduction 2/4 L’apprentissage automatique (machine learning) est au cœur de la science des données et de l’intelligence artificielle. Il s’intéresse essentiellement à construire des modèles qui permettent aux machines (ordinateur ou autre engin) d’apprendre, de s’entrainer à partir d’exemples afin de pouvoir évoluer de manière autonome. Ses applications sont nombreuses et variées entre autre la traduction automatique, l’analyse des réseaux sociaux, la publication ciblée, la vision par ordinateur, etc. Introduction 3/4 La vision par ordinateur est une branche de l’intelligence artificielle dont le but est de permettre à une machine de comprendre ce qu’elle voit lorsqu’on la connecte à une ou plusieurs caméras. Elle est aussi un domaine interdisciplinaire qui traite de la façon dont les ordinateurs peuvent être conçus pour acquérir une compréhension de haut niveau à partir d’images ou des vidéos numériques. Du point de vue de l’ingénierie, elle cherche à automatiser les taches que le système visuel humain peut effectuer. Dans ce mémoire, nous l’appliquerons à la reconnaissance des plaques d’immatriculation. Introduction 4/4 Un système de reconnaissance automatique des plaques d’immatriculation est une technologie qui trouve son essence dans ces dernières années. Son but est l’identification automatique d’un véhicule en appliquant des technologies avancées de traitement d’image ainsi que les OCR. Il devient de plus en plus une nécessité dans la gestion de plusieurs domaines comme la circulation et la sécurité routière, la gestion des parkings ou la poursuite des criminels. Problématique 1/4 La République Démocratique du Congo, pays en voie de développement, vit encore en marge de ces opportunités qu’offrent les TIC. Avec actuellement plus de 8 000 000 de véhicules actifs, les autorités de notre pays sont confrontées à plusieurs difficultés pour faire une gestion efficace et optimale de ces multiples engins routiers. Parmi ces difficultés, nous pouvons citer : Problématique 2/4  La difficulté d’identifier et reconnaitre en temps réel des plaques d’immatriculation des véhicules pour les associer aux propriétaires des véhicules ;  La difficulté classifier les automobiles grâce à leurs immatriculations pour le paiement des impôts et assurances ;  La difficulté de traquer pour détection et reconnaissance des plaques d’immatriculation des véhicules recherchés ;  D’après l’administration fiscale de la Ville de Kinshasa, à peine 28 000 vignettes sur les 150 000 prévues (en termes de minimum) ont été vendues l’année 2017. Ce qui représentait environ 6% des prévision réalisées Problématique 3/4 Tous ces problèmes élucidés prouvent à suffisance l’enclavement numérique dont bénéficie la République Démocratique du Congo en ce 21ème siècle. En tant que chercheur, et dans le souci de contribuer à l’essor technologique de notre pays, nous nous sommes posés la question suivante : Problématique 4/4 Comment peut-on arriver à reconnaitre les plaques d’immatriculation sans intervention humaine afin de résoudre les difficultés citées ci-haut ? Hypothèse 1/1 Ainsi, pour répondre à la question précédente, nous avons pensé qu’un modèle pour la reconnaissance automatique de plaques en utilisant les traitements d’images, la reconnaissance optique des caractères et les réseaux des neurones à convolution serait une solution adéquate. Intérêt du travail 1/1 Ce travail nous est très bénéfique car il nous a permis de comprendre l’apprentissage automatique, spécialement la vision par ordinateur, pour y produire ce premier fruit de nos recherches grâce au traitements d’image, les OCR et à la programmation avec le langage python. Sur le plan social, il est d’intérêt économique dans le sens où il permettra à l’état congolais de maitriser l’effectif des automobiles accompagné des informations spécifiques à chaque véhicule. Ce travail revêt aussi un intérêt scientifique dans le sens où il pourra servir de modèle pour les chercheurs qui aimeraient embrasser ce domaine aussi passionnant. Objectif du travail 1/1 Les objectifs poursuivis dans ce travail sont les suivants : Concevoir un modèle pour la reconnaissance des plaques d’immatriculation basé sur les réseaux des neurones à convolution Entrainer et optimiser le modèle pour améliorer ses résultats Méthodes et techniques utilisées 1/1 La réalisation concrète de ce travail a demandé de faire recours au technique documentaire qui consiste en une fouille systématique de tout ce qui est écrit ayant une liaison avec notre domaine de recherche. Nous avons aussi fait recours à la méthode expérimentale qui nous a permis d’expérimenter la reconnaissance des plaques d’immatriculation avec nos jeux de données et la méthode descriptive nous a permis de décrire le processus de reconnaissance des caractères Division du travail 1/5 Ainsi, pour arriver à trouver un remède au problème posé, nous avons divisé notre travail de la manière suivante : Division du travail 2/5 Le premier a porté sur les concepts théoriques de la base. Ce chapitre nous a permis de comprendre les notions de machine learning, deep learning et le traitement d’images. Nous l’avons subdivisé en 3 sections Division du travail 3/5 Le deuxième a porté sur l’etat de l’art, ce chapitre. Ce chapitre nous permis de lire les autres auteurs qui ont travaillé sur le même sujet que nous. Division du travail 4/5 Le troisième chapitre a porté sur la vision par ordinateur. : ce chapitre nous a permis de comprendre la vision par ordinateur qui est une branche de l’intelligence par ordinateur et aussi la reconnaissance des caractères. Division du travail 5/5 Le dernier a porté sur l’implémentation du modèle. Dans ce chapitre nous avons conçu notre modèle, nous avons présenté son architecture et nous l’avons implémenté avec le langage python. Section 1 : Machine Learning La faculté d’apprendre est très importante à l’être humain pour reconnaitre une voix, une personne, un objet, un symbole, un caractère, etc. L’apprentissage automatique ou artificiel (Machine Learning en anglais) est un des champs d’étude de l’intelligence artificielle qui fait référence à la capacité d’un système à acquérir et intégrer de façon automatique des connaissances. Chapitre 1 : Concepts théoriques de base 1/3 Le Deep Learning est un nouveau domaine de recherche du ML, qui a été introduit dans le but de rapprocher le machine learning de son objectif principal : l’intelligence artificielle. Il concerne les algorithmes inspirés par la structure et le fonctionnement du cerveau. Le Deep learning est un sous-ensemble des techniques de machine learning à base de réseaux de neurones qui s’appuient sur des réseaux de neurones à plusieurs couches dites cachées. Le Deep Learning est une méthode de Machine Learning qui consiste à enseigner à des ordinateurs ce dont les humains sont naturellement capables. Chapitre 1 : Concepts théoriques de base 2/3 Section 2 : Deep Learning Le traitement d’image est un domaine très vaste qui a connu, et qui connait encore un développement important depuis quelques dizaines d’années. Le traitement d’images est l’ensemble des opérations effectués sur l’image dans le but d’en améliorer la lisibilité et d’en extraire les informations jugées pertinentes. Chapitre 1 : Concepts théoriques de base 3/3 Section 3 : Traitement d’image Chapitre 2 : Etat de l’art 1/2 Dans ce chapitre, nous faisons un inventaire synthétique de travaux antérieurs en rapport avec notre orientation. Plusieurs chercheurs ont déjà abordé ce sujet. Nous avons présenté certains travaux lus qui constituent la revue de la littérature. Nous avons donc présenté pour chaque travail, les objectifs, les algorithmes utilisés, les outils utilisés enfin nous présenterons les résultats obtenus. Chapitre 2 : Etat de l’art 1/2 Conclusion et positionnement (Orientation de notre travail) Comme nous l’avions dit dans plus haut, dans ce projet, nous allons travailler sur la reconnaissance des plaques. Par rapport aux travaux précités, nous allons ajouter l’aspect apprentissage et utiliser les réseaux de neurones à convolution pour la classification afin d’améliorer les résultats. Nous allons aussi utiliser les outils sophistiqués pour l’apprentissage notamment le langage python contrairement aux travaux cités ci-haut. Chapitre 3: Vision par ordinateur 1/2 La vision par ordinateur désigne la capacité d’un ordinateur à percevoir des informations visuelles à l’aide de caméras vidéo. Elle est une technologie d’intelligence artificielle permettant aux ordinateurs de voir de la même façon que les êtres humains. La vision artificielle est l’application la plus courante et diversifiée de l’IA. C’est l’une des principales applications du deep learning. Nous l’appliquerons à la reconnaissance des plaques d’immatriculation. Il y’a différents types de vision par ordinateur. Ils varient selon ce que l’ordinateur tente d’identifier. L’ordinateur peut chercher du texte, des images ou des visages. Nous avons présenté quelques cas d’usage de la vision par ordinateur mais nous nous sommes beaucoup plus penché sur la reconnaissance optique de caractères. Reconnaissance des caractères La Reconnaissance Optique de Caractères (OCR) est l'un des domaines de reconnaissance de formes, qui fait référence à une série des étapes qui vise à transformer une image de texte manuscrit ou imprimé en une représentation compréhensible qu'un ordinateur peut facilement reconnaître. Par uploads/Management/ diapo-muetu.pdf