Résumé
The characterisation of granular product populations using image analysis is a difficult problem because it often requires the extraction and the combination of many different features. We propose to study in a general way these problems of granular product classification, considering the image analysis phase, the processing of the information extracted, and the decision-making. In this paper, we focus rather on the decision system development. It is based on a hierarchical approach of the problem, including a generalist system whose outputs are ambiguous (an approximative solution), connected to specialist systems trained to give non-ambiguous solutions. The inputs of the generalist system are the components of a vector containing the most important information for discriminating all the decision classes, while the inputs of the specialist systems are those which best distinguish a given class from another. This strategy enables to overcome the multi-class aspect of the problem. It is independent of the choice of the techniques to select the pertinent information and to take the decision. This method is applied in the framework of a meal classification where three types of classifier (discriminant analysis, k nearest neighbours and multilayer neural networks) are compared.
La caractérisation de populations de produits granulaires par analyse d'image est un problème délicat car il nécessite l'extraction et la combinaison de différents types de caractéristiques. Nous proposons de l'étudier dans un cadre général en considérant les étapes de l'analyse d'image, du traitement de l'information extraite et de la prise de décision pour effectuer la classification. Dans cet article nous traitons particulièrement du système de décision. Celui-ci est basé sur une approche hiérarchique : un étage généraliste est conçu pour donner un sous ensemble approximatif de solutions possibles, puis des systèmes spécialisés permettent de choisir parmi ces solutions à quelle classe sera affecté l'échantillon. Les descripteurs de l'échantillon à classer sont différents pour chacun de ces systèmes, ils sont choisis au cours d'une procédure de paramétrage en fonction de la classification à réaliser. Cette méthode a été appliquée sur un problème de classification d'échantillons de farine en cours de broyage. Trois types d'outils de classification ont été comparés : l'analyse discriminante, les k plus proches voisins, les réseaux de neurones.