Abstract FR:

L'objectif de la presente these est d'analyser les potentialites et les limites de la vision artificielle pour la caracterisation automatique des semences. A partir des images couleur, nous avons extrait plusieurs dizaines de parametres quantitatifs decrivant la morphologie et la texture des semences. Pour reduire les correlations entre les parametres mesures, nous avons implemente et compare plusieurs approches de selection (ou d'extraction) des variables. Un algorithme genetique permet de selectionner les parametres les plus pertinents meme quand la dimension de l'espace de representation est elevee. Pour la classification, nous avons mis l'accent sur les methodes non-lineaires telles que les reseaux neuromimetiques. Dans un premier temps, nous avons optimise les poids d'un reseau a perceptron multicouche par une nouvelle variante du recuit simule. Les resultats sont meilleurs que ceux obtenus par le recuit simule conventionnel. Dans d'autres essais, nous avons ameliore un systeme de classification, inspire de la theorie de decision bayesienne, fonde sur les reseaux de neurones probabilistes. Nous avons tente de reduire les charges de calcul de ces reseaux par coalescence hierarchique des observations. L'architecture du reseau est alors adaptee en consequence. Generalement, les reseaux neuromimetiques donnent des resultats meilleurs que les methodes statistiques. Pour un probleme d'analyse de purete specifique, une classification parfaite (sans erreurs) a pu etre effectuee. En revanche, pour des problemes applicatifs complexes, telle que la detection du melilot dans la luzerne, il est difficile d'atteindre un pourcentage de bonnes classifications de 100%. Dans ce cas, nous proposons d'introduire une option de rejet. Les graines rejetees peuvent etre analysees, en aval, par un operateur.