Abstract FR:

Dans le cas d'images à classer en vue de la détection de défauts, il est souvent très difficile de trouver un nombre réduit de paramètres caractéristiques pertinents qui permettent de discriminer les différentes classes. D'autre part, afin de suivre des cadences vidéo, il n'est malheureusement pas envisageable d'effectuer des calculs statistiques ou géométriques complexes sur un grand nombre de points-image. Par conséquent, nous avons développé une méthode de classification par apprentissage basée sur la construction de polytopes orthogonaux de dimension inférieure ou égale au nombre de paramètres. Ils définissent les plages de variation de chaque paramètre, ce jusqu'à épuisement des points à classer. Cette méthode se généralise rapidement à un nombre de classes n supérieur à deux en la reproduisant n-1 fois, tout en prenant garde aux appartenances multiples dues au recouvrement possible de deux classes. Cet algorithme assure le reclassement correct de tout l'espace des attributs et privilégie les paramètres les plus pertinents. Le temps de traitement moyen d'une boucle de l'algorithme est proportionnel au nombre de mesures et au nombre de paramètres. Le taux de compression moyen (rapport taille de la base de règles) croit avec le nombre de paramètres. De plus les attributs peuvent être traités en parallèle. Le domaine d'utilisation conditionne le choix des paramètres, mais la dimension de la base de faits n'étant pas une contrainte, l'utilisateur peut et doit introduire tous les paramètres qui lui semblent pertinents : ce système peut être considéré à la fois comme un outil de classification et de modélisation.