Remerciez-le!

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

REPUBLIQUE TUNISIENNE MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

REPUBLIQUE TUNISIENNE MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE TUNIS EL MANAR FACULTE DES SCIENCES DE TUNIS DEPARTEMENT DES SCIENCES DE L'INFORMATIQUE RAPPORT De Projet de Fin d’Etudes SUJET Augmentation d’une base d’apprentissage Pour le Deep Learning Présenté par : Gouadria Oumaima Encadré par : Mme Doggaz Narjes Organisme d’accueil : ADDIXO Année Universitaire 2019-2020 Remerciements Je tiens à exprimer toute ma reconnaissance à mon encadrante Madame Narjes Doggaz. Je la remercie de m’avoir encadré, orienté, aidé et conseillé. J’adresse mes sincères remerciements à tous les professeurs et les jurys, et toutes les personnes qui par leurs paroles, leurs écrits, leurs conseils et leurs critiques ont guidé mes réflexions et ont accepté à me rencontrer et répondre à mes questions. Je remercie ma très chère Maman, Mabrouka qui a toujours été là pour moi, « Vous avez tout sacrifié pour votre fille n’épargnant ni santé ni efforts. Vous m’avez donné un magnifique modèle de labeur et de persévérance. Je suis redevable d’une éducation dont je suis fière ». Table des matières Introduction Générale.................................................................................................................1 Chapitre 1 : Présentation générale et état de l’art.......................................................................3 1.1. Introduction.................................................................................................................3 1.2. Présentation de l’ADDIXO.......................................................................................3 1.3. Problématique.............................................................................................................3 1.4. Deep Learning.............................................................................................................4 1.5. Etat de l’art..................................................................................................................6 1.5.1. Opérateurs d’augmentation.......................................................................................6 1.5.2. Les réseaux génératifs adversaires GAN................................................................14 1.6. Conclusion................................................................................................................16 Chapitre 2 : Implémentation.....................................................................................................17 2.1. Introduction....................................................................................................................17 2.2. Choix des technologies..................................................................................................17 2.2.1. Python .................................................................................................................17 2.2.2. Tensorflow ............................................................................................................17 2.2.3. Keras ...................................................................................................................18 2.2.4. Pandas .................................................................................................................18 2.2.5. Numpy .................................................................................................................18 2.2.6. Scikit-Learn ..........................................................................................................18 2.2.7. Matplotlib ..............................................................................................................18 2.2.8. Scipy ...................................................................................................................18 2.2.9. Open CV .............................................................................................................19 2.2.10. Django ................................................................................................................19 2.3. Présentation de la base d’apprentissage.........................................................................19 2.4. Augmentation par les opérateurs de transformation d’images......................................20 2.4.1. Rotation...................................................................................................................20 2.4.2. Injection du bruit Speckle Noise............................................................................21 2.4.3. Injection du bruit poivre et sel (Salt and Pepper Noise)........................................21 2.4.4. Injection de bruit Gaussien (Gaussian Noise).........................................................22 2.4.5. Shadow (ombre)......................................................................................................22 2.4.6. Shade color..............................................................................................................23 2.4.7. Enhancement (Renforcement)................................................................................23 2.4.8. Blur (Flou)..............................................................................................................25 2.5. SRGAN (Super Résolution GAN).................................................................................27 2.6. Interface graphique :......................................................................................................28 2.7. Conclusion.....................................................................................................................29 Chapitre 3 : Test et évaluation..................................................................................................30 3.1. Introduction....................................................................................................................30 3.2. Les réseaux de neurones convolutionnels CNN............................................................30 3.3. Notre modèle CNN........................................................................................................31 3.4. Résultats de notre CNN pour la base d’ADDIXO.......................................................32 3.5. Résultats de notre CNN pour la nouvelle base d’apprentissage....................................34 3.6. Conclusion.....................................................................................................................38 Conclusion Générale et Perspectives........................................................................................39 Bibliographie.............................................................................................................................41 Liste des figures Figure 1 : Mécanisme de fonctionnement des réseaux de neurones ..........................................5 Figure 2 : Rotation d’un point.....................................................................................................6 Figure 3: Rotation d’une image .................................................................................................7 Figure4 : Flip d’une image .........................................................................................................7 Figure5 : Translation d’une image .............................................................................................8 Figure 6 : Specle Noise...............................................................................................................9 Figure7 : Bruit poivre et sel d’une image.................................................................................10 Figure8 : Bruit Gaussian d’une image .....................................................................................10 Figure 9 : Ombre d’une image..................................................................................................11 Figure 10 : Shade color d’une image .......................................................................................11 Figue 11: Zoom ........................................................................................................................12 Figure12 : Contraste d’une image ............................................................................................12 Figure13 : Brillance .................................................................................................................13 Figure 14 : Image avec Sharpening..........................................................................................13 Figure 16 : Random erasing .....................................................................................................14 Figure 17 : Architecture des méthodes GAN............................................................................15 Figure 18 : Image initiale..........................................................................................................20 Figure 19: Rotation avec angle a=60°.......................................................................................21 Figure 20: Effet du Speckle noise.............................................................................................21 Figure 21 : Image avec bruit poivre et sel.................................................................................22 Figure 22: Effet de l’opérateur bruit gaussien.........................................................................22 Figure 23. : Effet de l’opérateur shadow (ombre).....................................................................23 Figure 24 : Effet d’opérateur Shade color avec 2 couleurs différents......................................23 Figure 25: Effet du contraste....................................................................................................24 Figure 26 : Effet du Brillance...................................................................................................24 Figure 27 : Effet du sharpness..................................................................................................24 Figure 28 : Effet du flou............................................................................................................25 Figure 29[1] : Architecture du générateur et du discriminateur...............................................27 Figure30 : Différence entre image de faible résolution et super résolution..............................28 Figure 31 : L’interface web.......................................................................................................29 Figure32 : Architecture d’un CNN ..........................................................................................30 Figure 33 : Visualisation de la pression et de la perte pour la base de données originale........34 Figure 34 : Visualisation de la pression et de la perte pour la nouvelle base l’agrandissement ...................................................................................................................................................37 Liste des tableaux Tableau 1 : Tableau récapitulatif des opérateurs utilisés..........................................................26 Tableau 2: Résultat de CNN pour la base d’apprentissage avant d’agrandissement...............33 Tableau 3: Résultat de CNN pour la nouvelle base d’apprentissage......................................36 Tableau 4: Résultat du CNN....................................................................................................37 Liste des annexes Annexe 1...................................................................................................................................43 Introduction Générale Le contrôle qualité est une tâche importante dans le processus d’un système de production. Il vise à vérifier que le produit correspond bien au cahier des charges initial et respecte bien certaines normes techniques. C’est un élément clé du processus de création de valeur pour l’entreprise. Les techniques d’intelligence artificielle (IA) et plus particulièrement les techniques d’apprentissage profond (Deep Learning) ont été appliquées avec succès dans différents domaines et notamment le contrôle qualité. L’entreprise ADDIXO cherche à développer un système intelligent de contrôle qualité permettant la détection des pièces défectueuses. Pour ce faire, des méthodes d’apprentissage et plus particulièrement du Deep Learning seront utilisées. Une des phases cruciales de l’apprentissage est la phase d’apprentissage du modèle et le choix de la base d’apprentissage. L’objectif de la phase d’apprentissage est d’utiliser les données disponibles pour identifier des règles de décision permettant de prédire le résultat à propos de données futures. Dans notre cas les données disponibles sont les pièces défectueuses et les pièces non défectueuses. Afin de tirer profit de Deep Learning, il est nécessaire de disposer d’une grande base de données d’apprentissage (Dataset). Or, généralement dans le domaine du contrôle qualité, nous ne disposons que d’une base limitée d’échantillons. Pour pallier cet inconvénient, il est donc nécessaire d’agrandir la base d’apprentissage et de créer de nouvelles données d’apprentissage. C’est dans le cadre que se suite notre projet de fin d’études. L’objectif de ce travail consiste à augmenter la taille de la base d’apprentissage initiale en générant de nouvelles images. Pour ce faire, des transformations mathématiques seront effectuées sur les images originales de la base d’apprentissage client. Ces transformations seront effectuées entre autres par le biais de certains opérateurs de traitement d’images. Notre projet consiste donc à augmenter la taille de la base d’apprentissage initiale en générant de nouvelles images par le biais de filtres et d’opérateurs géométriques. La base d’apprentissage fournie par ADDIXO est une base relative au domaine du contrôle qualité 1 Elle est composée d’un ensemble de pièces non défectueuses et des pièces non défectueuses Le but étant d’apprendre si une pièce contient des défauts de fabrication ou non. Notre rapport est décomposé en trois chapitres. Dans le premier chapitre, nous présentons le contexte de notre travail. Nous commençons par présenter la société d’accueil ainsi que la problématique. Ensuite, nous donnons les notions de base du Deep Learning. Enfin nous présentons quelques techniques utilisées dans la littérature, pour l’agrandissement des bases d’apprentissages. Nous détaillons dans le second chapitre l’implémentation des différents opérateurs utilisés, la méthode SRGAN ainsi que l’interface graphique développée. Dans le troisième chapitre intitulé ’’Tests et évaluations’’, nous présentons les résultats obtenus suite à l’agrandissement de la base d’apprentissage. Ensuite, nous analysons et évaluons les résultats obtenus. Enfin nous présentons la conclusion générale ainsi que les perspectives de notre travail. 2 Chapitre 1 : Présentation générale et état de l’art 1.1. Introduction Nous commençons par présenter la société d’accueil, à savoir la société ADDIXO. Ensuite, nous expliquons notre problématique qui consiste à agrandir une base d’apprentissage dans le but d’avoir de bonnes performances pour un apprentissage par le Deep Learning. Enfin, nous terminons par un état de l’art sur les méthodes d’augmentation de base d’apprentissage. 1.2. Présentation de l’ADDIXO ADDIXO [3] est une entreprise de développement des machines industrielles, spécialisée dans l’ingénierie des solutions multi-techniques à forte valeur ajoutée pour l'industrie 4.0. ADDIXO met en œuvre son savoir-faire dans l'ingénierie mécanique, automatique, et informatique embarqué et applicative avec ses propres produits pour fournir à ses clients industriels :  Des équipements de production et de tests à très fort contenu technologique (Smart Equipements).  Des solutions de digitalisation de l’usine (Smart Factory). ADDIXO aide ses clients, confrontés à une accélération des innovations et des transformations technologiques, en l’accompagnant de leurs projets d’ingénierie grâce à son savoir-faire dans la gestion des projets R&D et à ses ressources compétitives de haute qualité. 1.3. Problématique Le contrôle qualité est une tâche importante dans le processus d’un système de production. Il vise à vérifier qu’un produit correspond bien au cahier des charges initial et respecte bien certaines normes techniques. C’est un élément clé du processus de création de valeur pour l’entreprise. 3 Les techniques d’intelligence artificielle (IA) et plus particulièrement les techniques d’apprentissage profond (Deep Learning) ont été appliquées avec succès dans différents domaines et notamment le contrôle qualité. L’entreprise ADDIXO cherche à développer un système intelligent de contrôle qualité permettant la détection des pièces défectueuses. Pour ce faire, des méthodes d’apprentissage et plus particulièrement de Deep Learning seront utilisées. L’objectif de la phase d’apprentissage est d’utiliser les données disponibles pour identifier des règles de décision permettant de prédire le résultat à propos de données futures. Dans le cadre de notre projet, les données disponibles sont les pièces défectueuses et les pièces non défectueuses. Afin de tirer profit du Deep Learning, il est nécessaire de disposer d’une grande base de données d’apprentissage (Dataset). Or, généralement, dans le domaine du contrôle qualité, nous ne disposons que d’une base limitée d’échantillons. Pour pallier cet inconvénient, il est donc nécessaire d’agrandir la base d’apprentissage et de créer de nouvelles données d’apprentissage. C’est dans ce uploads/Science et Technologie/ rapport-pfe 2 .pdf