UNIVERSITÉ DE SHERBROOKE Faculté de génie Département de génie électrique et de génie informatique RECONNAISSANCE ET COMPTAGE DE SILHOUETTES DE POISSONS Mémoire de maîtrise Spécialité : génie électrique Sébastien CADIEUX Sherbrooke (Québec), Canada Décembre 2002
126
Embed
UNIVERSITÉ DE SHERBROOKE Faculté de génie Département de … · 2012-02-20 · UNIVERSITÉ DE SHERBROOKE Faculté de génie Département de génie électrique et de génie informatique
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
UNIVERSITÉ DE SHERBROOKE
Faculté de génie
Département de génie électrique et de génie informatique
RECONNAISSANCE ET COMPTAGE DE SILHOUETTES DE POISSONS
Mémoire de maîtrise
Spécialité : génie électrique
Sébastien CADIEUX
Sherbrooke (Québec), Canada Décembre 2002
i
Résumé
Ce mémoire de maîtrise présente un système intelligent qui automatise le
comptage de poissons par espèce. Le système est fait pour être installé dans une passe à
poissons. Il permet de faire un suivi scientifique en comptant et en faisant l’identification
des poissons qui franchissent la passe à poissons. Les images de poissons proviennent
d'un capteur de silhouettes fonctionnant à l'aide de diodes infrarouges. Ce capteur est relié
à un système informatique responsable d’identifier les silhouettes perçues à l’aide du
logiciel d’analyse. L’analyse effectuée consiste à classifier les silhouettes par espèce et à
compter les poissons. Le système de reconnaissance innove en permettant aux utilisateurs
du logiciel d'analyse de choisir les espèces d'intérêt selon la faune spécifique de chaque
rivière. La performance varie selon le nombre d’espèces présentes dans la rivière. Le
système a été testé sur la rivière des Prairies et le taux de reconnaissance varie de 85%
pour deux espèces à 67% pour cinq espèces.
Au cours de cette étude nous avons évalué l’utilisation d’un grand nombre de
paramètres pour la reconnaissance. Afin de réduire le nombre de paramètres dans le
système final, nous avons utilisé plusieurs algorithmes de sélection des paramètres
optimaux, dont un algorithme génétique. Pour ce qui est de l’identification de l’espèce,
les décisions combinées d'un estimateur de vraisemblance, d'un classificateur par
quantification vectorielle adaptative et d'un réseau de neurones artificiels de la topologie
« une-classe-un-réseau » permettent de classifier de façon robuste les silhouettes. Le taux
de reconnaissance de l’étage d’identification de l’espèce varie de 89% pour deux espèces
à 70% pour cinq espèces. Ainsi, le système d’identification de l’espèce est modulaire et il
permet d’ajouter ou d’enlever des espèces à reconnaître facilement.
ii
Remerciements
Cette étude n’aurait pas été possible sans la participation financière d’Hydro-
Québec. La société d’État a fourni la bourse d’étude, le support technique et le support
matériel qui ont rendu possible ce projet de maîtrise.
Je tiens à remercier en premier lieu le professeur François Michaud, directeur et
chercheur au groupe de recherche LABORIUS à l’Université de Sherbrooke. Je lui suis
très reconnaissant de m’avoir proposé ce projet et de m’avoir accepté dans son groupe. Je
le remercie aussi d’avoir su me guider dans mes recherches par sa rigueur et sa
motivation et ce, malgré mon enthousiasme et mes horaires quelquefois chaotiques.
Je veux aussi remercier M. François Lalonde de l’Institut de Recherche en
Électricité du Québec (IREQ) qui est à l’origine du projet de détecteur de poissons et du
projet de logiciel d’analyse des silhouettes de poissons. Son imagination et son
enthousiasme m’ont grandement motivé et inspiré. Il y a aussi M. Richard Verdon,
biologiste chez Hydro-Québec et instigateur de ce système de comptage des poissons qui
m’a grandement conseillé sur les questions biologiques. Je veux dire merci à M. Jean-
Marc Bourgeois, également de l’IREQ, qui a repris les tâches de M. Lalonde après la
retraite précipitée de ce dernier et qui a également su canaliser mes efforts à la
finalisation de cette étude. Je voudrais aussi étendre mes remerciements au Service de
mesures et d’instrumentations de l’IREQ pour m’avoir accueilli dans leurs laboratoires.
Je remercie aussi mes parents ainsi que toute ma famille qui ont, durant toutes ces
années, toujours encouragés mon goût de l’aventure et sans qui tout cela n’aurait sans
aucun doute pas été possible. Il y a aussi ces amis qui rendent la vie beaucoup moins
ennuyeuse : Jean-François, Jean-Phillippe, Fred, Martin et « Rui-san ».
2. SYSTÈMES EXISTANTS DE RECONNAISSANCE DE POISSONS ............................................6 2.1 Comptage et reconnaissance des espèces dans les passes à poissons de Castignolles.....................6 2.2 Reconnaissance des espèces de poissons pour l’industrie de la pêche de Strachan.........................9 2.3 Reconnaissance des espèces de poissons pour l’industrie de la pêche de Loonis..........................10
3. DESCRIPTION DU SYSTÈME DE RECONNAISSANCE DE POISSONS PROPOSÉ .............12 3.1 Capteur de silhouettes....................................................................................................................14 3.2 Logiciel d’analyse..........................................................................................................................18
4. RECONNAISSANCE DES POISSONS ............................................................................................21 4.1 Théorie sur la reconnaissance de formes .......................................................................................22
4.1.1 Extraction des paramètres......................................................................................................22 4.1.2 Classification .........................................................................................................................23 4.1.3 Initialisation des classificateurs .............................................................................................24
4.2 Extraction des paramètres..............................................................................................................24 4.2.1 Moments invariants de Hu.....................................................................................................25 4.2.2 Descripteurs de Fourier..........................................................................................................27 4.2.3 Descripteurs géométriques.....................................................................................................29 4.2.4 Série de hauteurs....................................................................................................................32
4.3 Classification des espèces..............................................................................................................33 4.3.1 Estimateur de vraisemblance Bayesien..................................................................................35 4.3.2 Réseau de neurones artificiels multi-couches à rétro-propagation de l’erreur .......................38 4.3.3 Quantification vectorielle adaptative .....................................................................................43
4.4 Modularité et extensibilité pour l’identification des espèces.........................................................47 4.4.1 Estimation de vraisemblance Bayesien modulaire.................................................................48 4.4.2 Quantification vectorielle adaptative modulaire ....................................................................48 4.4.3 Réseau de neurones multi-couches modulaire .......................................................................48 4.4.4 Coefficients représentant une espèce .....................................................................................50
4.5 Fusion des décisions par une approche multi-classificateurs.........................................................51 4.6 Rejet des débris..............................................................................................................................54
5. SÉLECTION DES PARAMÈTRES OPTIMAUX ...........................................................................59 5.1 Recherche exhaustive ....................................................................................................................59 5.2 Recherche progressive séquentielle ...............................................................................................60 5.3 Analyse discriminante pas à pas ....................................................................................................61 5.4 Algorithme génétique ....................................................................................................................62
6. RÉSULTATS D’EXPÉRIMENTATION ..........................................................................................66 6.1 Essais au barrage de Rivière-des-Prairies ......................................................................................66 6.2 Ensemble d’entraînement et de tests..............................................................................................70 6.3 Topologie des classificateurs.........................................................................................................76 6.4 Performances par groupements de paramètres ..............................................................................77 6.5 Sélection du jeu de paramètres optimaux ......................................................................................81
6.5.1 Recherche progressive séquentielle .......................................................................................82 6.5.2 Analyse discriminante pas à pas ............................................................................................83 6.5.3 Algorithme génétique ............................................................................................................85 6.5.4 Choix du meilleur jeu de paramètres .....................................................................................87
6.6 Performance des classificateurs avec un jeu de paramètres optimisé ............................................87
iv
6.7 Silhouettes de rejet.........................................................................................................................91 6.7.1 Création de l’ensemble de rejet .............................................................................................92 6.7.2 Performances avec rejet .........................................................................................................94
6.8 Modularité et ajout d’espèces ........................................................................................................97 6.8.1 Cas a.i : Désactivation d’une espèce avec l’espèce désactivées non présentée au système de classification ..........................................................................................................................................99 6.8.2 Cas a.ii : Désactivation d’une espèce avec présentation de l’espèce désactivées au système de classification ...................................................................................................................................101 6.8.3 Cas b.i : Ajout d’une nouvelle espèce entraînée négativement avec les espèces existantes 102 6.8.4 Cas b.ii : Ajout d’une nouvelle espèce pas entraînée négativement avec les espèces existantes 105
FIGURE 1.1 PASSE À POISSONS DE VICHY EN FRANCE ......................................................................................2 FIGURE 1.2 PASSE À POISSONS DU BARRAGE DE LA RIVIÈRE MALBAIE.............................................................2 FIGURE 2.1 AMÉNAGEMENT DE LA PASSE À POISSONS DE CASTIGNOLLES........................................................7 FIGURE 2.2 FONCTIONNEMENT DU SYSTÈME DE CASTIGNOLLES......................................................................7 FIGURE 2.3 SYSTÈME DE RECONNAISSANCE DE PRISES À BORD D’UN NAVIRE ..................................................9 FIGURE 3.1 AMÉNAGEMENT D’UNE PASSE À POISSONS (VUE DE CÔTÉ)...........................................................13 FIGURE 3.2 AMÉNAGEMENT DE LA PASSE (VUE DU DESSUS) ..........................................................................13 FIGURE 3.3 PHOTO DU CAPTEUR DE SILHOUETTES..........................................................................................14 FIGURE 3.4 FONCTIONNEMENT DU CAPTEUR DE SILHOUETTES.......................................................................15 FIGURE 3.5 POISSON TRAVERSANT LE CAPTEUR DE SILHOUETTES (VUE DE FACE) ..........................................15 FIGURE 3.6 SILHOUETTE D’UN SAUMON ATLANTIQUE....................................................................................17 FIGURE 3.7 SILHOUETTE D’UN GRAND BROCHET............................................................................................17 FIGURE 3.8 STRUCTURE DU LOGICIEL D’ANALYSE .........................................................................................20 FIGURE 4.1 QUATRE ÉTAPES DE L’ALGORITHME DE RECONNAISSANCE..........................................................21 FIGURE 4.2 RECONNAISSANCE DE FORMES.....................................................................................................22 FIGURE 4.3 QUATRE MÉTHODES DE « PARAMÉTRISATION » DES SILHOUETTES ..............................................25 FIGURE 4.4 EXEMPLE DE LA DISTANCE CENTROÏDALE D’UN CARRÉ ...............................................................28 FIGURE 4.5 LONGUEUR D’UNE SILHOUETTE DE GRAND BROCHET ..................................................................29 FIGURE 4.6 HAUTEUR D’UNE SILHOUETTE DE GRAND BROCHET.....................................................................30 FIGURE 4.7 SURFACE D’UNE SILHOUETTE D’ACHIGAN ...................................................................................30 FIGURE 4.8 CALCUL DU PÉRIMÈTRE ...............................................................................................................31 FIGURE 4.9 ENVELOPPE RECTANGULAIRE D’UNE SILHOUETTE .......................................................................32 FIGURE 4.10 SÉRIE DE HAUTEURS D’UNE SILHOUETTE D’UN GRAND BROCHET ..............................................33 FIGURE 4.11 TROIS CLASSIFICATEURS DU PROJET ..........................................................................................34 FIGURE 4.12 FONCTIONNEMENT DE L’ESTIMATION PAR MAXIMUM DE VRAISEMBLANCE BAYESIEN ..............37 FIGURE 4.13 STRUCTURE D’UN MLP .............................................................................................................40 FIGURE 4.14 MODÈLE D’UN NEURONE ARTIFICIEL .........................................................................................41 FIGURE 4.15 FONCTION D’ACTIVATION TANH .................................................................................................41 FIGURE 4.16 FONCTIONNEMENT DE LA MÉTHODE DES K-PLUS-PROCHES-VOISINS..........................................44 FIGURE 4.17 FONCTIONNEMENT DE LA MÉTHODE LVQ .................................................................................45 FIGURE 4.18 FONCTIONNEMENT DE LA QUANTIFICATION VECTORIELLE ADAPTATIVE ...................................46 FIGURE 4.19 STRUCTURE D’UN MLP CLASSIQUE EN RECONNAISSANCE DE FORMES ......................................49 FIGURE 4.20 STRUCTURE D’UN MLP OCON .................................................................................................50 FIGURE 4.21 COEFFICIENTS DES CLASSIFICATEURS POUR UNE ESPÈCE ...........................................................51 FIGURE 4.22 APPROCHE MULTI-CLASSIFICATEURS.........................................................................................52 FIGURE 4.23 STRUCTURE DE FUSION DES DÉCISIONS DES CLASSIFICATEURS ..................................................53 FIGURE 4.24 BLOC DE REJET ..........................................................................................................................55 FIGURE 4.25 PRINCIPE DU REJET ....................................................................................................................56 FIGURE 4.26 REJET PAR DISTANCE .................................................................................................................57 FIGURE 6.1 AMÉNAGEMENT DE LA PASSE POUR LA PRISE DE DONNÉES ..........................................................67 FIGURE 6.2 PÊCHE ÉLECTRIQUE .....................................................................................................................68 FIGURE 6.3 CHALOUPE ÉQUIPÉE POUR LA PÊCHE ÉLECTRIQUE .......................................................................68 FIGURE 6.4 INSTALLATION SUR LA PASSE.......................................................................................................69 FIGURE 6.5 LE CAPTEUR DE SILHOUETTES INSTALLÉ DANS UN DES BASSINS ..................................................70 FIGURE 6.6 INSTALLATION DES BASSINS DE TESTS SUR LA PASSE À POISSONS................................................70 FIGURE 6.7 GRAND BROCHET (ESOX LUCIUS).................................................................................................72 FIGURE 6.8 SILHOUETTE D’UN GRAND BROCHET............................................................................................72 FIGURE 6.9 ACHIGAN À PETITE BOUCHE (MICROPTERUS DOLOMIEUI).............................................................73 FIGURE 6.10 SILHOUETTE D’UN ACHIGAN À PETITE BOUCHE..........................................................................73 FIGURE 6.11 DORÉ JAUNE (STIZOSTEDION VITREUM) ......................................................................................73 FIGURE 6.12 SILHOUETTE D’UN DORÉ JAUNE .................................................................................................74
vi
FIGURE 6.13 CHEVALIER ROUGE (MOXOSTOMA MACROLEPIDOTUM)...............................................................74 FIGURE 6.14 SILHOUETTE D’UN CHEVALIER ROUGE.......................................................................................74 FIGURE 6.15 POISSON-CASTOR (AMIA CALVA) ................................................................................................75 FIGURE 6.16 SILHOUETTE D’UN POISSON-CASTOR..........................................................................................75 FIGURE 6.17 PROFIL RADIAL D’UN POISSON DANS LE DOMAINE SPATIAL .......................................................79 FIGURE 6.18 PROFIL RADIAL D’UN POISSON DANS LE DOMAINE FRÉQUENTIEL...............................................79 FIGURE 6.19 PERFORMANCE DE LA RECHERCHE SÉQUENTIELLE PROGRESSIVE ..............................................82 FIGURE 6.20 PERFORMANCE DE L’ANALYSE DISCRIMINANTE PAS À PAS ........................................................84 FIGURE 6.21 PERFORMANCE DE L’ALGORITHME GÉNÉTIQUE .........................................................................85 FIGURE 6.22 PERFORMANCE SELON LE NOMBRE D’ESPÈCES...........................................................................91 FIGURE 6.23 EXEMPLE DE SILHOUETTE SYNTHÉTIQUE DE FORME RECTANGULAIRE.......................................92 FIGURE 6.24 EXEMPLE DE SILHOUETTE SYNTHÉTIQUE DE FORME RONDE.......................................................93 FIGURE 6.25 EXEMPLE DE SILHOUETTE DE FORME TRIANGULAIRE.................................................................93 FIGURE 6.26 EXEMPLE DE SILHOUETTE D’UN DÉBRIS QUI DESCEND ...............................................................94 FIGURE 6.27 EXEMPLE DE SILHOUETTE DE BULLES D’AIR ..............................................................................94
vii
Liste des tableaux
TABLEAU 3.1 CAUSES ET EFFETS DES MAUVAISES SILHOUETTES ...................................................................17 TABLEAU 4.1 GRADIENT DE L’ERREUR ..........................................................................................................42 TABLEAU 6.1 LISTE DES POISSONS CAPTURÉS ................................................................................................71 TABLEAU 6.2 NOMBRE DE POISSONS PAR GROUPE .........................................................................................72 TABLEAU 6.3 NOMBRE DE SILHOUETTES........................................................................................................75 TABLEAU 6.4 PERFORMANCE SUR L’ENSEMBLE D’ENTRAÎNEMENT................................................................78 TABLEAU 6.5 PERFORMANCE SUR L’ENSEMBLE DE TEST................................................................................78 TABLEAU 6.6 MATRICE DE CONFUSION MAXIMUM DE VRAISEMBLANCES ......................................................81 TABLEAU 6.7 MATRICE DE CONFUSION POUR LVQ........................................................................................81 TABLEAU 6.8 MATRICE DE CONFUSION POUR LES RÉSEAUX DE NEURONES ARTIFICIELS ................................81 TABLEAU 6.9 MATRICE DE CONFUSION LORSQUE LA DÉCISION DES CLASSIFICATEURS EST COMBINÉE ..........81 TABLEAU 6.10 PARAMÈTRES SÉLECTIONNÉS PAR LA RECHERCHE PROGRESSIVE SÉQUENTIELLE ...................83 TABLEAU 6.11 PARAMÈTRES SÉLECTIONNÉS PAR L’ANALYSE DISCRIMINANTE PAS À PAS .............................84 TABLEAU 6.12 PARAMÈTRES SÉLECTIONNÉS PAR L’ALGORITHME GÉNÉTIQUE...............................................86 TABLEAU 6.13 PERFORMANCES POUR DEUX ESPÈCES SUR L’ENSEMBLE D’ENTRAÎNEMENT ...........................87 TABLEAU 6.14 PERFORMANCES POUR DEUX ESPÈCES SUR L’ENSEMBLE DE TEST ...........................................88 TABLEAU 6.15 PERFORMANCES POUR TROIS ESPÈCES SUR L’ENSEMBLE D’ENTRAÎNEMENT...........................89 TABLEAU 6.16 PERFORMANCES POUR TROIS ESPÈCES SUR L’ENSEMBLE DE TEST...........................................89 TABLEAU 6.17 PERFORMANCES POUR QUATRE ESPÈCES SUR L’ENSEMBLE D’ENTRAÎNEMENT .......................90 TABLEAU 6.18 PERFORMANCES POUR QUATRE ESPÈCES SUR L’ENSEMBLE DE TEST .......................................90 TABLEAU 6.19 PERFORMANCES POUR CINQ ESPÈCES .....................................................................................90 TABLEAU 6.20 REJET POUR LE SOUS-ENSEMBLE DE 18 PARAMÈTRES ............................................................95 TABLEAU 6.21 REJET POUR L’ENSEMBLE DES 46 PARAMÈTRES......................................................................96 TABLEAU 6.22 PERFORMANCE AVEC REJET....................................................................................................96 TABLEAU 6.23 PERFORMANCE PAR ESPÈCE AVEC REJET ................................................................................97 TABLEAU 6.24 ENTRAÎNEMENT DES CLASSIFICATEURS POUR LA DÉSACTIVATION SANS CETTE ESPÈCE .......100 TABLEAU 6.25 PERFORMANCE POUR LA DÉSACTIVATION SANS CETTE ESPÈCE ............................................100 TABLEAU 6.26 ENTRAÎNEMENT POUR LA DÉSACTIVATION DE L’ACHIGAN ...................................................102 TABLEAU 6.27 CLASSIFICATION DES SILHOUETTES D’ACHIGAN...................................................................102 TABLEAU 6.28 ENTRAÎNEMENT POUR L’AJOUT D’UNE ESPÈCE AVEC ENTRAÎNEMENT NÉGATIF ...................104 TABLEAU 6.29 PERFORMANCE D’AJOUT D’UNE ESPÈCE À UNE BANQUE D’ESPÈCES DÉJÀ EXISTANTES.........104 TABLEAU 6.30 ENTRAÎNEMENT DES CLASSIFICATEURS................................................................................106 TABLEAU 6.31 PAIRES RECOMBINÉES POUR L’ESPÈCE ACHIGAN ..................................................................107 TABLEAU 6.32 PERFORMANCE D’AJOUT D’UNE NOUVELLE ESPÈCE PAS ENTRAÎNÉE NÉGATIVEMENT AVEC LES
Les espèces d’aspects similaires, de formes similaires ou de même famille ont été
regroupées ensemble. En fait, pour classifier un poisson, même les biologistes doivent
regarder de près un spécimen, car la forme n’est pas le seul critère de classification. De
tels regroupements facilitent l’identification de l’espèce par le système. Cinq
regroupements ont ainsi été constitués. Il est à noter que les perchaudes n’ont pas été
utilisées dans les essais, ces dernières étant trop petites pour avoir une bonne définition
avec le capteur de silhouettes (autour de 10 cm). Dans le reste du document, nous
référerons à ces groupements par le terme « espèce » même si ce terme n’est pas exact
d’un point de vue taxonomique, nous devrions plutôt parler de famille. Ces groupements
sont résumés dans le tableau 6.2.
71
Tableau 6.2 Nombre de poissons par groupe
Nom du groupement
Espèces du groupe Nombre de poissons total
Achigans Achigan à petite bouche 4 Brochets Grand brochet et maskinongé 5 Chevaliers Chevalier blanc et chevalier rouge 20 Dorés Doré jaune et doré noir 11 Poisson-castors Poisson-castor 5
Des exemples de silhouettes de chaque espèce saisies avec le capteur de
silhouettes sont donnés aux figures 6.7 à 6.16. Des images réelles [Scott et coll., 1973]
des poissons ont aussi été incluses pour fins de comparaison.
Figure 6.7 Grand brochet (Esox Lucius)
Figure 6.8 Silhouette d’un grand brochet
72
Figure 6.9 Achigan à petite bouche (Micropterus dolomieui)
Figure 6.10 Silhouette d’un achigan à petite bouche
Tel que prévu, le taux de reconnaissance tend à diminuer avec l’augmentation du
nombre d’espèces à reconnaître. Il semble que cette tendance tend à se stabiliser. Ce
phénomène démontre l’importance de bien choisir les espèces d’intérêt afin d’augmenter
les performances du système de comptage.
6.7 Silhouettes de rejet
Cette section décrit l’ensemble des tests réalisés afin d’évaluer la robustesse du
système en présence de silhouettes d’objets qui ne sont pas des poissons connus. Ces
objets peuvent être des débris, des bulles d’air ou même une espèce inconnue de
poissons. Il est important de noter que le but de l’étape de rejet n’est pas de rejeter les
silhouettes de poissons d’une espèce inconnue, mais bien de s’assurer que seules des
silhouettes qui ressemblent à des poissons soient acceptées. Rappelons que la première
étape de classification assigne une espèce à toutes les silhouettes, même si certaines de
ces dernières n’ont aucunement la forme des poissons. La deuxième étape détermine si la
silhouette traitée a la forme d’un poisson afin de retenir la classification de la première
étape sinon la silhouette est classée comme débris. Par exemple, si un poisson d’une
espèce inconnue par le système venait à passer, il est probable que sa silhouette sera
acceptée. Seules les silhouettes ne ressemblant pas à des poissons sont rejetées comme
étant des débris.
91
La première partie de cette section discute de la façon dont l’ensemble de rejet a
été constitué. La deuxième partie présente les résultats de tests empiriques permettant de
choisir la méthode la mieux adaptée pour fixer les seuils de rejet parmi celles présentées à
la section 4.6.
6.7.1 Création de l’ensemble de rejet
Afin de pouvoir évaluer la performance des algorithmes de rejet, un ensemble de
silhouettes de débris a été créé. Cet ensemble de silhouettes doit contenir des silhouettes
ayant des formes qui ne ressemblent pas à celles des poissons. L’ensemble de silhouettes
de débris comprenait 80 silhouettes qui ont été divisées en deux sous-ensembles :
l’ensemble de silhouettes synthétiques et l’ensemble de silhouettes réelles.
Les silhouettes de l’ensemble synthétique étaient des formes géométriques
simples : des carrés, des ronds et des triangles. Ces silhouettes ont été générées
manuellement, c’est-à-dire qu’elles ne furent pas acquises avec le capteur de silhouettes.
Sur ces silhouettes, un peu de bruit fut ajouté afin de les rendre plus réalistes.
L’orientation, la grosseur et la hauteur du passage ont aussi été variées. En tout, 30 de ces
silhouettes synthétiques ont été créées. La figure 6.23, la figure 6.24 et la figure 6.25
présentent des exemples de ces silhouettes.
Figure 6.23 Exemple de silhouette synthétique de forme rectangulaire
92
Figure 6.24 Exemple de silhouette synthétique de forme ronde
Figure 6.25 Exemple de silhouette de forme triangulaire
L’utilisation de silhouettes de rejet synthétique peut donner une bonne idée de la
performance théorique de rejet, mais pour connaître le comportement réel de
l’algorithme, nous devons utiliser des silhouettes obtenues par le capteur en
fonctionnement dans une passe à poissons. Nous avons donc extrait une série de
silhouettes de débris des données issues d’essais qui ont eu lieu au printemps 1998 à la
passe à poissons du barrage de la rivière Malbaie. Le triage a été fait manuellement sur
des silhouettes qui étaient de façon évidente des silhouettes autres que celles de poissons.
Deux types de cas ont été observés : des silhouettes d’objets qui descendent la passe et
des silhouettes causées par des bulles dues au courant de l’eau. En tout, 50 silhouettes de
93
ce type ont été mises dans l’ensemble de silhouettes de rejet. Les figures 6.26 et 6.27
présentent un exemple de chacun des deux types de silhouettes de ce sous-ensemble.
Figure 6.26 Exemple de silhouette d’un débris qui descend
Figure 6.27 Exemple de silhouette de bulles d’air
6.7.2 Performances avec rejet
L’évaluation des performances avec rejet consiste à utiliser l’ensemble de
silhouettes de rejets comme entrées au système de reconnaissance et d’observer les
résultats. Tel que mentionné à la section 4.6, la problématique consiste à fixer le seuil de
rejet pour l’algorithme de rejet des silhouettes de débris. Les deux façons de calculer le
94
seuil de rejet ont été testées. Pour la méthode où le seuil est fixé proportionnellement à
l’écart-type, plusieurs valeurs de k ont été évaluées.
L’évaluation de l’algorithme de rejet se quantifie par trois paramètres : le
pourcentage de silhouettes bien classées et rejetées, le pourcentage de silhouettes mal
classées et rejetées et le pourcentage de silhouettes de débris rejetées.
Le pourcentage de silhouettes bien classées mais rejetées donne une indication de
comment l’ algorithme de rejet nuit à la reconnaissance. Il faut donc tenter de minimiser
cette valeur autant que possible. Le pourcentage de silhouettes mal classées et rejetées
représente le pourcentage des silhouettes pour lequel les classificateurs se sont trompés et
dont les silhouettes ont été rejetées par l’algorithme de rejet. Même si ce n’est pas
nécessairement cette valeur qui doit être optimisée, c’est un effet positif de l’algorithme
de rejet. La valeur à maximiser est le pourcentage des silhouettes de débris qui sont
rejetées. Un compromis doit être fait entre le pourcentage de silhouettes bien classées et
rejetées et le pourcentage de silhouettes de débris rejetées. Les évaluations portent sur le
sous-ensemble optimal de 18 paramètres décrit à la section 6.5.1 ainsi que pour
l’ensemble de départ de 46 paramètres. Cela permet de donner une meilleure idée des
tendances de l’algorithme de rejet pour les différents seuils obtenus. Les résultats sont
tels que présentés aux tableaux 6.20 et 6.21.
Tableau 6.20 Rejet pour le sous-ensemble de 18 paramètres
Ensemble d’entraînement Ensemble de test Type de seuil Bien classées
et rejetées Mal classées et rejetées
Bien classées et rejetées
Mal classées et rejetées
Débris rejetés
max 0% 2% 1% 7% 80% k = 1 13% 5% 9% 15% 94%
k = 1,5 11% 4% 6% 13% 91% k = 2 9% 4% 4% 11% 91%
k = 2,5 6% 3% 3% 10% 91% k = 3 5% 3% 3% 9% 91%
k = 3,5 3% 3% 1% 9% 87% k = 4 2% 3% 1% 8% 87%
95
Tableau 6.21 Rejet pour l’ensemble des 46 paramètres
Ensemble d’entraînement Ensemble de test Type de seuil Bien classées
et rejetées Mal classées et rejetées
Bien classées et rejetées
Mal classées et rejetées
Débris rejetés
max 0% 1% 1% 12% 74% k = 1 17% 2% 7% 17% 94%
k = 1,5 12% 2% 5% 15% 94% k = 2 9% 1% 4% 14% 94%
k = 2,5 7% 1% 3% 13% 92% k = 3 5% 1% 2% 12% 88%
k = 3,5 3% 1% 2% 11% 87% k = 4 2% 1% 1% 11% 84%
Sur l’ensemble de test, l’algorithme de rejet permet d’éliminer une certaine partie
de la classification erronée. Le compromis entre le pourcentage de silhouettes bien
classées rejetées et le pourcentage de silhouettes de l’ensemble de rejet rejetées est bien
mis en évidence. Il a été remarqué que l’utilisation de la distance Euclidienne (type max)
occasionne une classification trop permissive des silhouettes de rejet. Pour la méthode
d’évaluation du seuil avec l’écart-type, le meilleur compromis s’obtient avec k égal à 2,5
pour les deux ensembles de paramètres. Avec cette valeur, pour le sous-ensemble de 18
paramètres et celui de 46 paramètres, le rejet des silhouettes bien classées est de 3%, avec
91% et 92% de rejets des silhouettes de débris. De plus, 10% et 13% des silhouettes mal
classées sont rejetées, ce qui est très bien.
Le tableau 6.22 résume la performance du système avec et sans rejet des débris,
dans les deux cas avec les 18 paramètres optimaux. Le tableau 6.23 présente la
performance par nombre d’espèces avec et sans bloc de rejet.
Tableau 6.22 Performance avec rejet
Ensemble Sans rejet Avec rejet Entraînement 85% 78% Test 70% 67%
96
Tableau 6.23 Performance par espèce avec rejet
Nombre d’espèces Sans rejet Avec rejet 2 89% 85% 3 81% 78% 4 75% 72% 5 70% 67%
Cette diminution générale des performances du système lorsque le rejet est
introduit peut sembler grande, mais il faut tenir compte que les silhouettes de débris
peuvent être très fréquentes et même dépasser le nombre de silhouettes de « vrais »
poissons sur certaines rivières. Sans un tel système, le résultat de comptage n’auraient
aucun lien avec la réalité. Quelques points de pourcentage d’erreur de plus n’affectent pas
autant les statistiques.
6.8 Modularité et ajout d’espèces
Un des objectifs du système de classification proposé est de permettre aux
utilisateurs de choisir les espèces d’intérêt et de désactiver les autres espèces. C’est ce
que nous entendons par « modularité » du système de reconnaissance. Cette propriété
permet de tenir compte de la faune spécifique de chaque rivière. Elle permet aussi
d’ajouter facilement de nouvelles espèces à reconnaître sans avoir à entraîner de nouveau
tous les classificateurs pour chacune des espèces. Cela constitue d’ailleurs un des aspects
innovateurs de ce projet. Lors de l’évaluation du système de reconnaissance, nous
voulions aussi valider la robustesse de la modularité.
Il est à noter qu’avec l’ajout d’une nouvelle espèce au système de reconnaissance,
sans entraîner de nouveau tous les classificateurs, nous pouvons prévoir une légère
réduction des performances. Par exemple, les classificateurs entraînés à reconnaître les
brochets n’ont pas nécessairement été entraînés à ne pas reconnaître un achigan comme
un brochet. Il est donc important de toujours utiliser un bon ensemble d’entraînement
négatif lors de la création de nouvelles espèces, dans le but de permettre au classificateur
97
de bien différencier les différentes espèces déjà connues. Le système présenté tente de
minimiser les effets et le travail d’ajouter une espèce au logiciel de reconnaissance.
Cette section présente la performance du système lors de l’activation ou la
désactivation de la reconnaissance de certaines espèces et lors de l’ajout de nouvelles
espèces. Soit un système de classification composé de classificateurs entraînés à
reconnaître un ensemble d’espèces et à limiter la confusion entre les autres classificateurs
par entraînement négatif. Pour évaluer la modularité, deux cas sont possibles :
a) Désactivation d’une espèce : Il suffit alors de retirer le classificateur de
l’espèce à désactiver. Par contre, il faut noter que les autres classificateurs ont
été entraînés à rejeter, par entraînement négatif, l’espèce désactivée. Les
performances du système doivent donc être validées dans les conditions
suivantes :
i. Ne pas présenter l’espèce au système. Les performances ne devraient pas
être affectées pour un nombre d’espèces donné.
ii. Présenter l’espèce désactivée au système. Nous voulons ainsi examiner la
possibilité que le système confonde l’espèce désactivée avec une de celles
préservées pour la reconnaissance. Une telle situation se présenterait
lorsqu’une espèce dont l’opérateur ne prévoyait pas la présence dans une
rivière est désactivée, mais pourtant elle y serait belle et bien présente.
b) Activation d’une nouvelle espèce. L’idée ici consiste à ajouter de nouveaux
classificateurs pour reconnaître une espèce additionnelle à des classificateurs
déjà entraînés à reconnaître un ensemble d’espèces. Nous avons déjà étudié (à
la section 6.7.2) l’impact du nombre d’espèces activées lorsque tous les
classificateurs sont entraînés avec tout l’ensemble en question. L’objectif ici
est plutôt d’étudier l’impact d’ajouter une espèce sans refaire l’entraînement
des classificateurs existants. Deux situations sont possibles :
98
i. Les classificateurs de la nouvelle espèce sont entraînés négativement avec
les espèces des classificateurs existants. Par contre, les classificateurs
existants ne sont pas entraînés négativement avec les nouvelles espèces.
ii. Les classificateurs de la nouvelle espèce ne sont pas entraînés
négativement avec les espèces des classificateurs existants. Ceci
correspond au pire cas, car le risque de confusion entre les classificateurs
existants et les classificateurs de la nouvelle espèce est maximal.
Les prochaines sous-sections présentent les résultats obtenus pour chacune de ces
possibilités, et formulent des recommandations quant à la modularité du système de
classification présenté dans ce mémoire.
6.8.1 Cas a.i : Désactivation d’une espèce avec l’espèce désactivée non présentée au système de classification
Lors de ce test, nous avons désactivé successivement chacune des cinq espèces et
évalué la performance du système. Cette première évaluation de la désactivation vise à
prouver que désactiver une espèce, parce qu’elle ne vit pas dans une certaine rivière par
exemple, n’affecte pas la performance des autres classificateurs, même si ces derniers ont
été entraînés à rejeter cette espèce.
Le tableau 6.24 résume, pour chaque test, quels classificateurs ont été utilisés et
comment ils ont été entraînés. La deuxième colonne, intitulé « Espèce activée » spécifie
quelles espèces ont été activées lors de l’entraînement pour chaque test. Les deux
colonnes suivantes spécifient avec quels ensembles le classificateur a été entraîné, c’est-
à-dire quelle espèce il a été entraîné à reconnaître (troisième colonne intitulée « Ent.
positif ») et quelles espèces il a été entraîné à ne pas reconnaître (quatrième colonne
intitulée « Ent. négatif »). Les résultats sont présentés dans le tableau 6.25.
99
Tableau 6.24 Entraînement des classificateurs pour la désactivation sans cette espèce
Test Espèce activée Ent. positif Ent. négatif Brochet B A-C-D-PC 1 Chevalier C A-B-D-PC Doré D A-B-C-PC Poisson-castor PC A-B-C-D Achigan A B-C-D-PC 2 Chevalier C A-B-D-PC Doré D A-B-C-PC Poisson-castor PC A-B-C-D Achigan A B-C-D-PC 3 Brochet B A-C-D-PC Doré D A-B-C-PC Poisson-castor PC A-B-C-D Achigan A B-C-D-PC 4 Brochet B A-C-D-PC Chevalier C A-B-D-PC Poisson-castor PC A-B-C-D Achigan A B-C-D-PC 5 Brochet B A-C-D-PC Chevalier C A-B-D-PC Doré D A-B-C-PC
A = Achigan, B = Brochet, C = Chevalier, D = Doré et PC = Poisson-castor.
Tableau 6.25 Performance pour la désactivation sans cette espèce
# Espèce désactivée MV LVQ RNA Combi. Débris rejetés
La plupart des silhouettes d’achigan, soit 94%, n’ont pas été rejetées. Malgré cette
piètre performance, ce résultat est consistant avec ce qui avait été prévu : le bloc de rejet
ne distingue pas entre les différentes espèces de poisson. Une majorité des silhouettes,
c’est-à-dire 77%, ont été identifiées comme étant des chevaliers. La silhouette de ces
derniers ressemble bel et bien à celle de l’achigan (voir les figures 6.10 et 6.14). Ce test
permet donc de souligner l’importance de bien choisir les espèces utilisées. En fait, juste
l’entraînement négatif n’est pas suffisant pour éviter une confusion, il faut avoir des
classificateurs pour toutes les espèces qui franchissent le système. En conséquence, si une
attention particulière n’est pas portée à bien choisir la faune présente dans une rivière, les
statistiques peuvent être faussées.
6.8.3 Cas b.i : Ajout d’une nouvelle espèce entraînée négativement avec les espèces existantes
Ce test permet d’évaluer la performance lorsqu’un nouveau classificateur a été
entraîné à rejeter les « anciennes » espèces, c’est-à-dire celles pour lesquelles un
classificateur existe déjà. C’est le cas de l’ajout d’une espèce lorsque le classificateur est
entraîné négativement avec toutes les autres espèces qui vivent dans la même rivière.
102
Étant donné que seulement cinq espèces existent dans notre banque d’espèces, le
test a été fait comme suit : nous avons ajouté successivement chacune des cinq espèces
aux quatre autres en évaluant la performance à chaque fois. Quatre espèces sont d’abord
entraînées entre elles. Ensuite, l’espèce ne faisant pas partie de l’entraînement initial,
c’est-à-dire l’espèce à ajouter, était entraînée avec les quatre autres espèces comme
exemple négatif.
Le tableau 6.28 résume, pour chaque test, quels classificateurs ont été utilisés et
comment ils ont été entraînés. La deuxième colonne, intitulée « Espèce activée » spécifie
quelles espèces ont été activées pour chaque test. L’astérisque indique l’espèce ajoutée
pour ce test. Les deux colonnes suivantes spécifient avec quels ensembles le
classificateur a été entraîné, c’est-à-dire quelle espèce il a été entraîné à reconnaître
(troisième colonne intitulée « Ent. positif ») et quelles espèces il a été entraîné à ne pas
reconnaître (quatrième colonne intitulée « Ent. négatif »). Les résultats sont présentés au
tableau 6.29.
103
Tableau 6.28 Entraînement pour l’ajout d’une espèce avec entraînement négatif
Test Espèce activée Ent. positif Ent. négatif *Achigan A B-C-D-PC Brochet B C-D-PC 1 Chevalier C B-D-PC Doré D B-C-PC Poisson-castor PC B-C-D Achigan A C-D-PC *Brochet B A-C-D-PC 2 Chevalier C A-D-PC Doré D A-C-PC Poisson-castor PC A-C-D Achigan A B-D-PC Brochet B A-D-PC 3 *Chevalier C A-B-D-PC Doré D A-B-PC Poisson-castor PC A-B-D Achigan A B-C-PC Brochet B A-C-PC 4 Chevalier C A-B-PC *Doré D A-B-C-PC Poisson-castor PC A-B-C Achigan A B-C-D 5 Brochet B A-C-D Chevalier C A-B-D Doré D A-B-C *Poisson-castor PC A-B-C-D
A = Achigan, B = Brochet, C = Chevalier, D = Doré et PC = Poisson-castor. * espèce ajoutée
Tableau 6.29 Performance d’ajout d’une espèce à une banque d’espèces déjà existantes
1 Achigan – 1 A B Brochet – 1 B A 2 Achigan – 2 A C Chevalier – 1 C A 3 Achigan – 3 A D Doré – 1 D A 4 Achigan – 4 A PC Poisson-castor– 1 PC A 5 Brochet – 2 B C Chevalier – 2 C B 6 Brochet – 3 B D Doré – 2 D B 7 Brochet – 4 B PC Poisson-castor– 2 PC B 8 Chevalier – 3 C D Doré – 3 D C 9 Chevalier – 4 C PC Poisson-castor– 3 PC C
10 Doré – 4 D PC Poisson-castor– 4 PC D
A = Achigan, B = Brochet, C = Chevalier, D = Doré et PC = Poisson-castor.
Dans la deuxième étape, nous avons recombiné par paires les classificateurs de
façon à ce qu’aucun des deux n’ait eu d’exemples négatifs de l’autre espèce. Cela nous
donne 90 paires différentes ou 36 paires par espèce. Nous avons testé chacune de ces 90
paires avec l’ensemble des espèces qu’elles représentent. Les résultats pour chaque
espèce est donc la moyenne des performances de chaque test. Présenter les 90 paires
serait long. Nous nous sommes contentés de présenter les paires dont l’achigan fait partie
au tableau 6.31. Les autres paires ont été constituées de la même façon que pour
l’achigan. Les résultats sont présentés au tableau 6.32.
106
Tableau 6.31 Paires recombinées pour l’espèce achigan
Nous remarquons que la performance moyenne a diminuée d’environ 5%, soit
84%, par rapport aux résultats pour deux espèces présentées à la section précédente, soit
89%. Ceci n’est pas si mal, si nous considérons que les classificateurs n’ont pas été
entraînés négativement. Cette réduction, même si elle n’est pas majeure, pourrait éroder à
la longue la performance du système. Cela démontre l’importance de choisir un ensemble
d’entraînement incluant autant que possible des exemples négatifs d’espèces qui font déjà
partie de la banque d’espèces. Malgré cette faiblesse, le système est modulaire en
considérant que l’utilisateur n’a pas à réentraîner tous les classificateurs à chaque ajout
d’une nouvelle espèce.
108
7. DISCUSSION
À la lumière des résultats présentés au chapitre précédent, le rendement du
système de comptage des poissons peut être évalué. Brièvement, les spécifications du
projet prévoyaient que le système devait permettre d’automatiser le décompte des espèces
de poissons. Ce système doit aussi pouvoir être facilement adaptable à la faune de
différentes rivières. L’ajout de nouvelles espèces au système doit aussi être possible. De
plus, il faut s’assurer que les débris qui descendent les rivières ne soient pas considérés
comme étant des poissons. Une fois automatisé, le taux de reconnaissance devait
idéalement se rapprocher le plus possible du taux de reconnaissance de l’observation
d’une bande vidéo, soit environ 80%.
Le logiciel d’analyse et de dépouillement des silhouettes a un taux de
reconnaissance inférieur à celui du groupe français. Des résultats allant jusqu'à 96%
[Catignolles, 1994] sont rapportés. Il a été remarqué lors des tests que la performance de
notre système dépend du nombre d’espèces qu’il faut distinguer. Le système permet à
l’utilisateur de choisir les espèces, évitant ainsi d’essayer de reconnaître des espèces qui
ne sont pas présentes dans une rivière donnée. Déterminer de façon judicieuse la faune
qui peut passer par la passe à poissons permet de maximiser les performances du
système. Il est donc important de rappeler que le système ne peut servir que dans une
rivière dont la faune est déjà connue d’avance. Il ne peut donc pas servir à déterminer les
espèces vivant dans une certaine rivière, mais seulement à compter les poissons dans une
rivière bien connue. Sur la plupart des passes à poissons du Québec, seulement deux ou
trois espèces de poissons migrateurs y transitent. Dans ces conditions, le logiciel de
reconnaissance a un taux de reconnaissance entre 75% et 80%. L’objectif de performance
109
a été rencontré pour les rivières qui sont habitées par peu d’espèces migratrices. La
modularité est l’un des côtés innovateurs de notre système. L’utilisation de plusieurs
classificateurs de natures différentes permet d’obtenir non seulement des résultats
souvent légèrement supérieurs au plus performant des classificateurs utilisés, mais aussi
plus stables.
Un autre des défis du système de dépouillement des silhouettes est de séparer les
débris des poissons. Une étape de rejet par critère de distance similaire à celui qu’utilise
Castignolles dans son système permet de rejeter plus de 90% des débris qui passent par le
capteur de silhouettes. Les données de rejet de débris pour le système de Castignolles ne
sont pas rapportées.
Le cas le plus extrême pour lequel notre système a été évalué est le cas de la
présence de cinq espèces et avec rejet de débris. La performance globale, dans ce cas, est
d’environ 67% avec 91% des débris rejetés. Ces résultats sont intéressants, même s’ils
sont inférieurs à la reconnaissance de l’être humain qui est environ 80%. Il ne faut pas
oublier que les données extraites par le capteur sont très sommaires. Avec seulement la
silhouette, un taux de reconnaissance de 100% est impensable. Il peut être présumé que
l’être humain aurait des performances similaires, sinon pires, que le logiciel de
dépouillement s’il tentait de classifier des silhouettes.
La modularité, l’extensibilité et la performance du système n’est garantie qu’aux
conditions suivantes :
1. Que toutes les espèces qui pourraient franchir la passe soient activées et
existent dans le système d’identification.
2. Qu’à l’ajout d’espèces le nouveau classificateur soit entraîné avec un
maximum d’espèces en exemples négatifs.
3. Finalement, que le nombre d’espèces activées soit minimisé afin de
maximiser les performances.
110
Plusieurs améliorations pourraient être apportées au système. Tout d’abord du
côté matériel, un capteur de silhouettes plus précis permettrait d’obtenir des silhouettes
plus fines. Cette précision pourrait être obtenue en augmentant la fréquence de balayage
des séries linéaires de diodes infrarouges. L’ajout d’une troisième série de diodes
permettrait de pouvoir faire des calculs beaucoup plus précis sur la mesure de longueur et
de vitesse augmentant ainsi la précision des silhouettes.
Du point de vue du logiciel d’analyse, de nouveaux paramètres auraient peut-être
permis une plus grande discrimination entre les espèces. Par exemple, des paramètres qui
décriraient mieux la silhouette ou même des paramètres qui n’ont pas de liens avec les
silhouettes. Un exemple de paramètres qui n’ont pas de liens avec les silhouettes sont des
données telles les heures de passage et les dates de passage qui auraient potentiellement
pu aider à la discrimination entre certaines espèces. Une étude plus approfondie de la
possibilité d’utiliser des méthodes de logique floue aurait peut-être aidé à la
discrimination. Naturellement, une banque d’espèces plus grande et plus précise aurait
permis une meilleure évaluation du système. Finalement, de nombreux compromis ont dû
être faits lors de l’optimisation des paramètres d’entrées. S’il avait été possible d’avoir
accès à plus de puissance de calculs, la sélection des paramètres par les algorithmes
génétiques en particulier aurait pu être explorée plus en profondeur. Peut-être qu’un
meilleur choix de paramètres aurait aussi pu contribuer à améliorer les performances du
système.
111
8. CONCLUSION
Ce mémoire présente un système intelligent pour le comptage par espèces des
poissons qui franchissent une passe à poissons. Ces données sont essentielles aux
biologistes afin d’évaluer la performance des passes à poissons et d’assurer une meilleure
gestions des populations de poissons. Elles permettent aussi d'évaluer l'efficacité des
passes à poissons, ce qui pourrait permettre éventuellement de les améliorer.
Traditionnellement, les poissons sont comptés de façon manuelle: on capture les poissons
et on les identifie un à un ou on les compte à travers une vitre de comptage. Cette
méthode exige la présence quotidienne d'un expert sur les lieux, ce qui est très difficile en
pratique. L'utilisation d'une caméra vidéo rend plus efficace le comptage, mais la bande
vidéo nécessite un dépouillement fastidieux. De plus, les caméras vidéo étant mal
adaptées pour filmer sous l'eau, elles nécessitent des ajustements fréquents.
Le système présenté utilise un capteur de silhouettes qui présente de nombreux
avantages par rapport aux caméras vidéo. Il s'installe n'importe où et ne requiert comme
source d'alimentation qu'un panneau solaire. Le logiciel d'analyse décrit en détail dans ce
mémoire fait le dépouillement automatique des silhouettes. Ce logiciel d'analyse a été
conçu pour permettre aux utilisateurs de choisir la faune d'intérêt et de facilement ajouter
des espèces au système de reconnaissance. Ceci est un des aspects innovateurs de ce
projet.
Pour arriver à de tels résultats, le logiciel d'analyse utilise une approche multi-
classificateurs à la reconnaissance de formes. Cette approche rend l’algorithme de
reconnaissance robuste et améliore un peu ses performances. Les classificateurs qui ont
été choisis l'ont été pour leur modularité et pour leur nature différente. La nature
112
différente des classificateurs donne de la robustesse au système de reconnaissance, de
part leurs habilités respectives à reconnaître les espèces. Il a fallu s'assurer que les
algorithmes choisis permettaient d'ajouter des classes facilement et qu'ils étaient
modulaires. Le rejet des débris est assuré par un bloc de rejet. Cette étape soit confirme le
choix de l’espèce, soit identifie la silhouette comme étant un débris si elle n’a pas la
forme d’un poisson.
L'utilisation d'un grand nombre de paramètres comme entrées à notre système a
été explorée. Étant donné que la sélection des paramètres est l'un des aspects de la
reconnaissance de formes qui nécessite le plus d'expérience, une évaluation de
l’automatisation de ce choix a été faite en utilisant trois méthodes différentes. L’une de
ces trois méthodes, la recherche séquentielle progressive, a permis de choisir un sous-
ensemble des paramètres qui optimiserait la reconnaissance. Avec un taux de
reconnaissance de 75% à 80% lorsqu’il y a deux ou trois espèces présentes, comme c’est
le cas sur plusieurs passes migratoires du Québec, nous pouvons affirmer que le système
performe aussi bien qu’un observateur humain. Un taux de reconnaissance de 66%
lorsqu’il y a cinq espèces est aussi un résultat intéressant.
Les résultats sont donc très positifs et prouvent l'utilité du logiciel de
dépouillement des silhouettes. Ce logiciel permettra aux biologistes de sauver beaucoup
de temps en dépouillement des silhouettes et d’avoir ainsi accès à plus de données
statistiques sur l’effet réel des barrages sur les poissons.
113
Bibliographie
ARNARSON, H., BENGOETXEA, K., PAU, L.F. (1988) Vision applications in the fishing and fish product industries, International Journal of Pattern Recognition and Artificial Intelligence, vol. 2, no. 4, p. 657-671.
BENEDIKTSSON, J.A., SVEINSSON, J.R., ARNASON, K. (1998) Classification and integration of multitype data, IEEE Proceedings of Geoscience and Remote Sensing Symposium, vol. 2, p. 1121-1123.
CADIEUX, S., MICHAUD, F., LALONDE, F. (2000) Intelligent System for Automated Fish Sorting and Counting, Proceedings of the 2000 IEEE International Conference on Intelligent Robots and Systems, Takamatsu, Japan, p. 1279-1284.
CADIEUX, S., TANIZAKI, N., OKAMURA, T. (1997) A time efficient robust method for centering PET brain images using an hybrid genetic algorithm, Proceedings of the Conference of the SICE of Japan, vol. 2, p. 467-472.
CASTIGNOLLES, N. (1995) Automatisation du comptage et de la reconnaissance des espèces dans les passes à poissons par l’analyse d’images, Toulouse, Thèse de doctorat, Université Paul-Sabatier, 134 p.
CASTIGNOLLES, N., CATTOEN, M., LARINIER, M. (1994) Identification and counting of live fish by image analysis, SPIE Image and Video Processing, vol. 2182, p. 200-209.
CHO, S.-B., KIM, J.H. (1995) Combining multiple neural networks by fuzzy integral for robust classification, IEEE Transactions on Systems, Man and Cybernetics, vol. 25, n° 2, p. 380-384.
CLAVIER, E, CLAVIER, S., LABICHE, J. (1999) Images sorting – Image classification : A global approach, International Conference on Document Analysis and Recognition (ICDAR’99), Bangalore, India, p. 455-461.
DARWIN, C. (1998) The origins of species, Columbia University Press, 459 p.
DE RIDDER, D., TAX, D., DUIN, R. (1998) An experimental comparison of one class classification methods, Proceedings of the 4th Annual Conference of Advanced School of Computing and Imaging, vol. 1, p. 213-218.
DEMUTH, H., BEALE, M. (1997) MATLAB Neural Network Toolbox User’s Guide, MathWorks, 840 p.
DIMAURO, G., IMPEDOVO, S., PIRLO, G. et DI LECCE, V. (2000) A multi-expert system for
114
dynamic signature verification, First International Workshop Multiple Classifier Systems, p. 320-329.
DROUHARD, J.P., SABOURIN, R. et GODBOUT, M. (1994) Evaluation of a training method and of various rejection criteria for a neural network classifier used for off-line signature verification, Proceedings of IEEE International Conference on Neural Networks, Orlando, Florida, p. 4294-4299.
DUDA, R.O., HART, P.E. (1973) Pattern Recognition and Scene Analysis, New York, John Wiley and Sons, 680 p.
FOGGIA, P., SANSONE, C., TORTORELLA, F., VENTO, M. (1999) Multiclassification : reject criteria for the Bayesian combiner, Journal of Pattern Recognition, vol. 32, p. 1435-1447.
FUKUMI, M., AKAMATSU, N. (1996) A method to design a neural pattern recognition system using a genetic algorithm with partial fitness and a deterministic mutation, IEEE International Conference on Systems, Man and Cybernetics, vol. 3, p. 1989-1993.
GOLDBERG, D. (1989) Genetic Algorithm in Search, Optimization and Machine Learning, Reading, Addison-Wesley, 432 p.
HAYKIN, S. (1999) Neural Networks – A Comprehensive Foundation, New York, Prentice Hall, 842 p.
HO, T.K., HULL, J., SRIHARI, S. (1994) Decision combination in multiple classifier systems, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 16, n° 1, p. 66-75.
HU, M.K. (1962) Visual pattern recognition by moment invariant, IRE Transactions on Information Theory, vol. 1, p. 179-187.
HUANG, Y., SUEN (1993) The behaviour-knowledge space method for the combionation of multiple classifier, IEEE Conference on Computer Vision and Pattern Recognition, vol. 5, n° 4, p. 721-755.
HUANG, Y., SUEN (1994) A method of combining multiple classifiers – A neural approach, Proceeding of the International Conference of IAPR, vol. 2, p. 473-475.
JAIN, A., ZONGKER, D. (1997) Feature selection : Evaluation, application and small sample performance, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 19, n° 2, p. 153-158.
JAIN, A.K., DUIN, R., MAO, J. (2000) Statistical pattern recognition : A review, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 1, p. 4-37.
JAIN, A.K., PRABHAKAR, S., HONG, L. (1999) A multichannel approach to fingerprint classification, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21, n° 4, p. 348-358.
115
JOU, J.L., REN, J.B., WANG, C.S., CHIEU, B.C. (1995) One class one network with fuzzy number input and fuzzy number output for face recognition, Proceedings of Neural, Parallel and Scientific Computations, vol. 1, p. 227-232.
KATO, N., OMACHI, S., SUZUKI, M., ASO, H., NEMOTO, Y. (1999) A handwritten character recognition system using directional element feature and asymmetric Mahalanobis distance, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 21, n° 3, p. 258-262.
KAUPPINEN, H., SEPPANEN, T., PIETKAINEN, M. (1995) An experimental comparison of autoregressive and Fourier-based descriptors in 2D shape classification, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 17, n° 2, p. 201-207.
KITTLER, J., HATEF, M., DUIN, R., MATAS, J. (1998) On combining classifiers, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, no. 3, p. 225-239.
KOHONEN, T. (1989) Self-Organization and Associative Memory, Berlin, 3e édition, Springer-Verlag, 275 p.
KUDO, M., SKLANSKY, J. (2000) Comparison of algorithms that select features for pattern classifiers, Journal of Pattern Recognition, vol. 33, p. 25-41.
KULKARNI, S.R., LUGOSI, G., VENKATESH, S.S. (1998) Learning pattern classification – A survey, IEEE Transactions on Information theory, vol. 44, n° 6, p. 2178-2206.
KUNG, S.Y., TAUR, J.S. (1995) Decision-based neural networks with signal/image classification applications, IEEE Transactions on Neural Networks, vol. 6, no. 1, p. 170-181.
LAM, L., SUEN, C.Y. (1997) Application of majority voting to pattern recognition: An analysis of its behaviour and performance, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 27, p. 553-568.
LEE, T., CHING, P.C. (1999) Cantonese syllable recognition using neural networks, IEEE Transactions on Speech and Audio Processing, vol. 7, n° 4, p. 466-472.
LOONIS, P. (1996) Contribution à la minimisation de l’a priori en reconnaissance des formes. Conception d’un prototype de trieuse automatique de poissons par vision artificielle en milieu industriel. La Rochelle, Thèse de doctorat, Université de La Rochelle, 125 p.
LOONIS, P., MÉNARD, M. (1996a) Considération sur l’approche connexionniste de la fusion – Application à la reconnaissance de poissons de rivière, Journées thématiques en fusion, Tours, p. 1-5.
LOONIS, P., MÉNARD, M. (1996b) A new genetic algorithm for the multi-classifier fusion optimization, Proceedings of Information Processing and Management of Uncertainty in Knowledge Based Systems, vol. 2, p. 957-961.
MCILRAITH, A.L., CARD, H.C. (1997) Methods of combining multiple classifiers and their
116
applications to handwriting recognition, IEEE Transactions on Signal Processing, vol. 45, n° 11, p. 2740-2748.
MURSHED, N., BORTOLOZZI, F., SABOURIN, R. (1996) A fuzzy ARTMAP-based classification system for detecting cancerous cell, based on the one-class problem approach, Proceedings of the International Conference on Pattern Recognition, p. 478-482.
PANDYA, A., MACY, R. (1995) Pattern recognition with neural networks in C++, Boca Raton, CRC Press, 432 p.
PRAMPERO, P.S., DE CARVALHO, A. (1998) Recognition of vehicles silhouette using combination of classifiers, Proceedings of IEEE International Joint Conference on Neural Networks, vol. 3, p. 1723-1726.
PUDIL, P., NOVOVICOVA, J., KITTLER, J. (1994) Floating search methods in feature selection, Pattern Recognition Letters, vol. 15, p. 1119-1125.
REEVES, A., PROKOP, R.J., ANDREWS, S.E., KUHL, F.P. (1988) Three dimensional shape analysis using moments and Fourier Descriptor, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 10, n° 6, p. 937-943.
SCHURMANN, J. (1996) Pattern Classification – A Unified View of Statistical and Neural Approaches, New York, John Wiley and Sons, 392 p.
SCOTT, W.B., CROSSMAN, E.J. (1973) Freshwater Fishes of Canada, Fisheries Research Board of Canada, 966 p.
SHERRAH, J., BOGNER, R., BOUZERDOUM, A. (1996) Automatic selection of features for classification using genetic programming, Proceedings of the Australian-New-Zealand on Intelligent Information Systems, p. 284-287.
STRACHAN, N.J.C., KELL, L. (1993) A potential method for the differentiation between haddock fish stock by computer vision using canonical discriminant analysis, ICES Journal of Marine Science , vol. 52, p. 145-149.
STRACHAN, N.J.C., NESVADA, P., ALLEN, A.R. (1990) Fish species recognition by shape analysis of images, Pattern Recognition, vol. 23, n° 5, p. 187-192.
SUEN, C.Y., XU, L.,KRZYZAK, A. (1992) Methods of combining multiple classifiers and their applications to handwriting recognition, IEEE Transactions on Systems, Man and Cybernetics, vol. 22, n° 3, p. 418-435.
TANG, X., STEWART, W. (1996) Plankton image classification using novel parallel-training learning vector quantization network, Proceedings of OCEAN ‘96, vol. 3, p. 1227-1236.