Etude et application de la reconnaissance automatique de formes évolutives

Abstract

En reconnaissance de formes, particulièrement, dont le principe est d'associer une étiquette à une donnée, plusieurs méthodes ont été proposées permettant ainsi d'extraire automatiquement des informations de ces données pour former les classes, phase qui constitue l'apprentissage et d'affecter automatiquement la donnée à la classe appropriée, ce qui constitue la phase de reconnaissance. Cependant, ces méthodes ne sont généralement efficaces que si les données sont exhaustives. Si les objets sont évolutifs avec des caractéristiques de forme, de couleur ou de texture qui changent graduellement, la reconnaissance devient délicate. Pour être efficace dans ce cas, le système de reconnaissance de formes doit s'adapter à plusieurs situations en nécessitant une classification dynamique de ces données évolutives. Dans ce travail, deux approches sont entretenues, la première consiste à concevoir une structure adaptative permettant la prise en compte du caractère évolutif des données en utilisant la méthode des k-plus proches Voisin Flous Dynamique, qui sera appliquée sur différentes classes générées artificiellement. La deuxième approche concerne les évolutions périodiques, elle consiste à diviser la période de l'évolution sur des intervalles ce qui nous conduit à considérer statique les classes correspondant à ces intervalles. Dans cette approche deux méthode sont utilisées pour l'estimation du niveau de maturité de la tomate, il s'agit de la méthode de Syarir et al et la méthode des SVMs multi-classes.