Résumé
The characterization of a granular product based on image analysis can be a difficult problem because it often requires the combination of a large number of features of different natures extracted from the image. This problem of classification can be solved by two approaches. One of these approaches consists of aggregating the qualitative information which is obtained by considering each individual feature, as a virtual sensor. This is a triple-step system : first, for each feature (i.e. virtual sensor), the samples are given a probability of belonging to a class (clustering) ; second, these probabilities are aggregated in order to give a global probability of the sample of belonging to each class (supervised neural network) ; third, the sample is assigned to the class which shows the maximal global probability. This procedure was applied to classify semolina samples. These were obtained by grinding wheat grains. Three classes were defined using three grinding roll gaps of 0.3, 0.4 and 0.5 mm, respectively. The average of correct classification was better than 80 %. This methodology is particularly interesting because it gives a very satisfactory result and is quite versatile: new features added to the classification process require an update of one part of the procedure only.
La caractérisation de produits granulaires par analyse d'image est un problème difficile à cause de la diversité des données à extraire. Ce problème de classification peut être résolu par deux approches. Une de ces approches consiste à agréger l'information qualitative contenue dans chaque paramètre, en la considérant comme un capteur virtuel. C'est une approche en trois étapes : d'abord, pour chaque paramètre (c'est-à-dire capteur virtuel), les échantillons reçoivent une probabilité d'appartenir à une classe (clustering) ; puis ces probabilités sont agrégées pour donner à chaque échantillon la probabilité d'appartenir à chaque classe (réseau de neurone supervisé) ; enfin, l'échantillon est affecté à la classe qui a la probabilité maximale. Cette procédure est appliquée pour classer des semoules obtenues en broyant du blé dur. Trois classes sont définies : 300, 400 et 500 µm. Le taux de classification correcte est de 80%. Cette méthodologie est particulièrement intéressante car elle donne un résultat satisfaisant et est totalement adaptable : l'ajout de nouveaux paramètres au procédé de classification ne demande le renouvellement que d'une partie de la procédure.