Modélisation de connaissances « métier » pour le paramétrage d’un Système Flou d’identification de défauts sur des planches de bois

27/09/2017
Publication e-STA e-STA 2006-1
OAI : oai:www.see.asso.fr:545:2006-1:19971
DOI :

Résumé

Modélisation de connaissances « métier » pour le paramétrage d’un Système Flou d’identification de défauts sur des planches de bois

Métriques

19
5
367.99 Ko
 application/pdf
bitcache://b851a84b8debd2775aed88dcd75ce303507324ea

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/545:2006-1/19971</identifier><creators><creator><creatorName>Cyril Mazaud</creatorName></creator><creator><creatorName>Vincent Bombardier</creatorName></creator><creator><creatorName>Pascal Lhoste</creatorName></creator><creator><creatorName>Raphaël Vogrig</creatorName></creator></creators><titles>
            <title>Modélisation de connaissances « métier » pour le paramétrage d’un Système Flou d’identification de défauts sur des planches de bois</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Wed 27 Sep 2017</date>
	    <date dateType="Updated">Wed 27 Sep 2017</date>
            <date dateType="Submitted">Mon 10 Dec 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">b851a84b8debd2775aed88dcd75ce303507324ea</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>33908</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

Modélisation de connaissances « métier » pour le paramétrage d’un Système Flou d’identification de défauts sur des planches de bois. CYRIL MAZAUD1, 3 , VINCENT BOMBARDIER1 , PASCAL LHOSTE2 et RAPHAËL VOGRIG3 1 Centre de Recherche en Automatique de Nancy (CRAN), CNRS, UMR 7039, Faculté des Sciences – Bd des Aiguillettes – BP 239 – 54506 Vandœuvre lès nancy Cedex 2 Ecole Nationale Supérieure en Génie des Systèmes Industriels de l’ Institut National Polytechnique de Lorraine (ENS- GSI-INPL), 8 rue Bastien Lepage – BP 647 – 54010 NANCY Cedex 3 LuxScan Technologies, ZARE Ouest – L 4384 Ehlerange – Luxembourg vincent.bombardier@cran.uhp-nancy.fr, cyril.mazaud@cran.uhp-nancy.fr, Pascal.Lhoste@ensgsi.inpl-nancy.fr, vogrig@luxscan.lu RESUME Cet article expose une démarche de modélisation et d’intégration de connaissances expertes issues de deux domaines d’expertise visant à améliorer un système de reconnaissance de défauts sur des planches de bois. Les domaines d’expertise concernés sont le métier du bois et la vision industrielle. L’extraction et la modélisation de ces connaissances sont basées sur la méthode NIAM et le formalisme ORM, les formalisant à partir de leur ex- pression en langage naturel. Pour améliorer le système de reconnaissance existant, nous proposons d’intégrer ces connaissances métiers pour construire en partie le modèle numérique. Ce modèle est créé selon une struc- ture arborescente où chaque moteur d’inférence est cons- titué d’un Système d’Inférences Floues reposant sur un mécanisme à base de règles linguistiques floues. Les connaissances expertes précédemment modélisées per- mettent de configurer chaque nœud de l’arborescence ainsi créée. Les résultats obtenus sur un lot de produc- tion montrent l’amélioration du taux de reconnaissance par rapport à la méthode en place dans l’entreprise. MOTS CLES : modélisation de connaissances, méthode NIAM, formalisme ORM, identification de défauts, sys- tème d’inférences floues. INTRODUCTION L’accroissement du niveau d’Information dont on peut disposer sur un système est essentiel pour l’amélioration de la maîtrise de ce système et des processus qui y sont intégrés (automatisation, maintenance, relations avec l’environnement, …). Deux sources principales permet- tent l’accès à cette Information : d’une part, à partir de connaissances d’experts humains (experts en procédés, en produits, en normes, …) qui donnent une information plutôt qualitative sur ce qu’est le système étudié, et, d’autre part, par acquisition de données directement sur le système, donnant plutôt une information quantitative sous la forme de mesures. Le rapprochement de ces sources d’informations aussi différentes que complé- mentaires doit alors contribuer à une modélisation de l’information plus complète et plus cohérente permettant une intégration plus forte des processus composant le système. En ce sens, l’étude proposée cherche à définir une méthodologie de modélisation et d’intégration per- mettant, d’une part, d’extraire la connaissance de l’information experte, d’autre part, d’extraire la connais- sance révélée par les Données numériques prélevées sur le système et, enfin, d’intégrer ces connaissances d’origines différentes en un seul référentiel cognitif. Cette méthodologie est appliquée au domaine de la re- connaissance de formes et, en particulier, à celui de l’identification de défauts sur des planches en bois par système de vision industriel. Elle pourrait être générali- sée à l’ensemble des domaines sectoriels concernés par l’existence parallèle d’une connaissance experte qualita- tive et de données quantitatives sur un même objet. CADRE APPLICATIF Les travaux présentés se situent dans le cadre d’une col- laboration université – entreprise entre le CRAN et la société luxembourgeoise Luxscan Technologies et concernent l’élaboration d’un système de reconnaissance par vision de défauts sur des planches de bois à évène- ments discrets. C’est sur une ligne de production que s’effectue en temps réel l’analyse des planches dont la vitesse de déplacement peut atteindre 3 à 5 mètres par seconde en considérant un maximum de 200 défauts par mètre. Après le contrôle qualité de la planche effectué par le système de vision, chaque planche est ensuite diri- gée soit vers une ligne de tri qualitatif (au moins trois qualités sont alors attribuées), soit vers une ligne de dé- coupe visant à purger les parties de planches indésira- bles. Dans ce cas, les scies optimisent la quantité et la qualité du produit final selon les désirs du client. La (figure 1) illustre une ligne de production ainsi que le positionnement du système de contrôle qualité vision dans celle-ci. Figure 1: Ligne de production Le système industriel de contrôle par vision illustré par la (figure 2) fonctionne de la manière suivante. Identification (Longueur, Surface, Position,...) Basniveau Hautniveau CapteurB Laser CapteurA ClassificationetSegmentation despixels Planchedebois Vecteur caractéristique Informationsdéfaut (Type, position, ...) Pochede résine Post-Traitement NoeudsainNoeudnoir Priseencomptede l'environnement dudéfaut Optimisation -Endécoupe -Enclassement qualité Informationssurlaface considéréedelaplanche Figure 2: Système de vision L’acquisition de l’image de la planche de bois s’effectue par des capteurs linéaires qui peuvent être utilisés indi- viduellement ou combinés. Ils sont principalement de deux types : couleur fournissant les canaux rouge, vert et bleu ; lasers qui renvoient une mesure tridimensionnelle de la surface du bois, une mesure de densité et d’orientation, et deux mesures de luminosité en rouge et infrarouge. Les signaux, délivrés par ces capteurs, sont échantillon- nés au rythme de 2000 lignes par seconde et sont quanti- fiés sur 1024 niveaux. Les images ainsi obtenues sont ensuite pré-traitées et labellisées pour fournir une infor- mation ne comportant plus que six classes de pixels. Ces classes définissent la classe de pixels « noir », « brun clair » (correspondant au bois sain), « brun foncé », « orange », « bleu », et « fentes ». Cette étape de classification est réalisée soit par un clas- sificateur bayésien, soit par un classificateur à seuil dont les paramètres sont réglés empiriquement. La segmenta- tion, réalisée à partir de l’image labellisée, consiste en l’agrégation de pixels connexes n’appartenant pas à la classe de pixels « brun clair » définissant le bois sain. Elle permet donc d’extraire les régions dites « défec- tueuses » des régions dites « saines ». Un ensemble de paramètres (surface d’un défaut, orien- tation, couleur, …) est calculé sur ces régions pour four- nir le vecteur caractéristique utilisé par l’étape d’identification qui a pour objectif de donner un nom au défaut : « noeud noir », « noeud sain », « noeud cerné », « poche de résine », « bleuissement », « fentes » … METHODOLOGIE PROPOSEE Pour nos travaux, deux orientations ont été retenues pour rapprocher les connaissances exploitables en identifica- tion de défauts sur des planches de bois par vision : cel- les provenant du système de vision et celles provenant de l’expert « métier du bois ». Nous disposons de données numériques sous la forme d’un vecteur qui caractérise le défaut à identifier au tra- vers d’une relation que nous appelons dans la suite de l’article « modèle numérique ». L’utilisation d’une mé- thode mettant en oeuvre les outils de la théorie des en- sembles flous et plus particulièrement de la logique floue [1], se justifie par trois raisons. Premièrement, les dé- fauts à détecter sont intrinsèquement flous, il n’existe pas toujours une frontière stricte entre un défaut et un bois sain. La phase de segmentation, qui ne prend pas en compte cette imprécision, peut fournir un vecteur carac- téristique inexact. L’utilisation de la logique floue vise à rendre le système d’identification moins sensible à ces imprécisions. Deuxièmement, les classes de défauts en sortie ne sont pas toutes disjointes. En effet, la limite en- tre un « petit noeud noir » et un « grand noeud noir » n’est pas forcément stricte. Troisièmement, les termes linguistiques utilisés par les experts pour définir les dé- fauts (petit noeud, grand noeud, à peu près circulaire) sont souvent vagues et imprécis. Nous représentons ces termes sous la forme de termes flous caractérisés par leur fonction d’appartenance. Ces termes sont ensuite traités par un mécanisme à base de règles. Nous avons donc choisi d’implémenter ce modèle numérique à l’aide d’un Système d’Inférences Floues (SIF) utilisant un système de règles linguistiques floues afin de faciliter l’interprétation du mécanisme d’identification et de pou- voir en extraire la connaissance portée par le vecteur ca- ractéristique et la formaliser ; contrairement à un classi- ficateur basé sur des réseaux de neurones supervisés ou non supervisés [2] [3] [4] agissant comme une boîte noire. Pour obtenir le modèle numérique, nous utilisons un algorithme générant automatiquement les règles floues par apprentissage. D’autre part, nous avons la connaissance des défauts à identifier qui est exprimée en langage naturel en des ter- mes métier. Nous avons entrepris une modélisation sym- bolique de cette connaissance métier en utilisant la mé- thode NIAM [8] permettant une approche de validation formelle contrairement aux systèmes de jeu de règles heuristiques [9] [10] [11] classiquement utilisés dans le domaine de conception de systèmes experts utilisant une expertise humaine et une expertise vision. Dans la suite de l’article, nous appelons « modèle symbolique » cette modélisation de la connaissance issue de l’expert « mé- tier du bois ». Pour illustrer de manière simplifiée nos propos et notre démarche de modélisation et d’intégration, nous ne considérerons dans la suite que les défauts de type « nœud », c’est-à-dire les nœuds noirs, les nœuds cernés et les nœuds sains. Le but de cette modélisation et de cette intégration est de déterminer de manière non empirique et systématique les meilleurs paramètres en entrée de chaque nœud déci- sionnel de notre modèle numérique, en d’autres termes, le vecteur caractéristique optimal pour chaque moteur d’inférence [12]. La (figure 3) illustre notre démarche. Moteur d'inférence = SIF Modèle symbolique expert vision Modèle symbolique expert bois Connaissance de l'expert du bois Connaissance de l'expert vision NIAM NIAM Vecteur caractéristique 1 Classe de défaut à reconnaître Moteur d'inférence Moteur d'inférence Vecteur caractéristique 2 Vecteur caractéristique 3 Module d'identification ... ... ... ... ... Forme du défaut Couleur du défaut Figure 3: Principe de la démarche proposée MODELISATION DE CONNAISSANCES METIER Le modèle symbolique concerne la formalisation des connaissances expertes dans le domaine du bois ainsi que dans le domaine du procédé d’identification de dé- fauts (système de vision). La méthode d’analyse retenue pour élaborer ce modèle est la méthode NIAM (Nijssen Information Analysis Method) [8]. Nous utilisons un de ses formalismes dérivés, ORM (Object Role Modeling) [13] [14], pour représenter les résultats de cette analyse. Méthode NIAM et formalisme ORM La méthode NIAM repose sur une analyse linguistique de texte. A partir de l’expression de faits observables mettant en cause des objets, cette méthode permet par une généralisation de la connaissance du domaine étudié de distinguer des types d’objets non lexicaux (NOLOTs) et des types d’objets lexicaux (LOTs) ainsi que les types de faits qui les relient. La figure 4 illustre quelques élé- ments syntaxiques du formalisme NIAM/ ORM permet- tant de représenter ces objets et leurs relations. Pour plus d’informations concernant la méthode NIAM et le formalisme proposé par NIAM/ORM, le lecteur peut se référer à [13] [15]. Cette méthode présente un intérêt significatif car elle re- pose directement sur une expression de faits énoncés en langage naturel. Le modèle d’informations en résultant peut aussi être soumis à validation par l’expert sous une forme compréhensible, c’est à dire en Langage Naturel Binaire (LNB), transcription du modèle d’information appelée aussi « paraphrasage ». La méthode permet par ailleurs de compléter progressivement le modèle en po- sant à l’expert des questions précises induites par la mé- thode et, là aussi, en langage naturel (par exemple : un défaut possède t-il une ou plusieurs couleurs ?). Nous obtenons alors un modèle complété par des contraintes dites entre autres de totalité et d’unicité. NOLOT LOT Planche en bois est identifiée par identifie Num_Planche Contrainte d’Unicité Essenceest de { 'Pin',Planche a de bois Figure 4: Eléments de Formalisme NIAM/ORM Modélisation Des Connaissances Du Bois Afin de créer ce modèle, on demande à l’expert du do- maine du bois de rédiger une liste, la plus complète pos- sible, en langage naturel, des différents défauts que l’on rencontre sur le type d’essence manipulée. Cette expres- sion est suffisante pour reconnaître, à l’œil nu, n’importe quel défaut énoncé sur un échantillon de bois. La (figure 5) montre un exemple de modèle symbolique générique en considérant trois type de nœuds (nœud noir, nœud sain et nœud cerné), construit à partir des trois modèles symboliques particuliers décrivant chaque type de défaut. La validation de ce modèle est effectuée par l’expert qui a émis ces connaissances grâce à sa transcription en Lan- gage Naturel Binaire. Chaque relation entre les objets ainsi que les différentes contraintes qui leurs sont appo- sées sont transcrites en langage naturel. Par exemple, les (•) représentent une contrainte de totalité exprimant que chaque élément constituant l’objet participe à la relation. Les (↔) représentent une contrainte d’unicité exprimant la participation d’un et un seul objet dans la relation. L’absence de (↔) exprime la participation d’un ou plu- sieurs objets dans la relation (figure 4). Le résultat de cette transcription est donc un texte proche du langage naturel n’imposant aucune connaissance particulière de la méthode de modélisation utilisée par l’expert du mé- tier du bois. en bois '...' } 'Hêtre', Contrainte de Totalité Chaque Planche en bois a une et une seule Essence de bois. Contrainte de Totalité Contrainte d’Unicité Une Essence de bois est de une ou plusieurs Planches en bois. Pas de contrainte de Totalité Pas de contrainte d’Unicité Notation LOT/NOLOT et son équivalent Planche en bois (Num_Planche) Défaut (type) caractériseest caractérisé par forme (val forme) couleur (val couleur) caractériseest caractérisé par {noeud noir, nœud cerné, nœud sain} {ronde, ovale} {noire, brune} caractériseest caractérisé par contour (val contour) {cerné} Figure 5: Modèle générique des défauts de type « nœud » Voici un fragment du texte exposé à l’expert pour vali- dation directement issu de la transcription LNB du sché- ma de la figure 5 : Chaque Défaut est caractérisé par une et une seule Forme. Chaque Forme caractérise un ou plusieurs Dé- fauts. Chaque Défaut est caractérisé par une et une seule Couleur… Modélisation des connaissances du procédé vision De même que pour le modèle symbolique de l’expert « métier bois », on recense les connaissances de l’expert du procédé de vision. Ces connaissances portent sur le système d’identification de défauts et, plus particulière- ment, sur les paramètres utiles à la quantification des ca- ractéristiques du défaut à reconnaître. Nous appliquons le même principe que pour le modèle symbolique de l’expert métier et nous aboutissons à une caractérisation de tous les défauts rencontrés mais, cette fois, du point de vue des paramètres du système de vision. La (figure 6) représente une formalisation partielle en NIAM/ORM d’un tel énoncé sur la caractérisation de la couleur d’un défaut. couleur (val couleur) caractériseest caractérisée par pourcentage de pixels noirs (nb pourcentage de pixels noirs) {foncée} {important} Figure 6: Modélisation partielle de la couleur Cette modélisation représente le fait suivant, en considé- rant qu’une couleur est définie par d’autres paramètres que le nombre de pixels noirs : Une couleur précise est caractérisée par un pourcentage de pixels noirs unique. Mais l’inverse n’est pas vrai : à un pourcentage de pixels noirs donné peut correspondre plusieurs couleurs. Nous faisons de même pour les caractéristiques de Forme et le Contour. Il est à noter que pour des raisons de confidentialité nous ne pouvons exposer entièrement ces modèles de connaissance experte. C’est pourquoi nous nous limiterons par la suite à ne divulguer qu’un ou deux paramètres pour chaque caractéristique. MODELE NUMERIQUE DES DONNEES MESUREES Parallèlement aux connaissances exprimées par les mo- dèles symboliques qui sont imprécises et incertaines car n’étant qu’une généralisation qualitative de la connais- sance, nous disposons de mesures délivrées par la phase de segmentation qui elles sont entachées d’incertitude. Afin de pouvoir faire un lien entre le domaine symboli- que et le domaine numérique, nous utilisons une mé- thode s’appuyant sur la théorie des sous-ensembles flous [16], permettant de supporter des raisonnements qualita- tifs [17]. Ce processus est essentiel pour comparer les in- formations expertes (en langage naturel) avec la réponse du système numérique (données floues). Système d’Inférences Floues Pour notre application, nous avons besoin d’une mé- thode qui nous permette de manipuler à la fois des in- formations numériques (données) et des informations symboliques (connaissances) dans un même référentiel. Concernant la partie numérique nous voulons manipuler des données précises mais incertaines, générer des règles automatiquement par apprentissage fonctionnant avec un nombre d’échantillons restreint, interpréter le système de règles obtenu pour le comparer au modèle symbolique. De plus, la méthode doit être simple à mettre en œuvre afin de permettre un temps de calcul compatible avec les contraintes « temps réel » du système industriel. Il existe de nombreuses méthodes permettant d’obtenir automatiquement les règles floues [1] [16] à partir d’un lot de données [18] [19]. Par rapport aux critères évo- qués dans le paragraphe précédent, notre choix s’est por- té sur une méthode itérative qui permet la manipulation d’un grand nombre de prémisses. L’algorithme de base [5] a fait l’objet de plusieurs évo- lutions. La version que nous utilisons est itérative [7] et favorise la règle de réponse maximale. Cette technique fournit le meilleur résultat lorsque le découpage de l’espace des variables d’entrée est correctement effectué [6]. De plus, nous n’utilisons pas l’étape d’affinage des frontières proposé par l’algorithme pour garder les sor- ties les plus graduelles possibles. Cette méthode de reconnaissance permet de générer des règles floues du type « Si… alors… » définissant les dé- fauts. Par exemple : « SI surface (petite) ET SI couleur (foncée) ALORS défaut (nœud noir) ». Elle se décom- pose en trois étapes : la fuzzification des entrées, la gé- nération des règles floues et l’ajustement. Le jeu de rè- gles obtenu est ensuite utilisé pour inférer la reconnais- sance. La fuzzification permet de passer du domaine numérique au domaine symbolique en affectant à l’espace de repré- sentation de chaque paramètre plusieurs variables lin- guistiques (par exemple la taille d’un défaut peut être « petite » ou « grande », sa couleur « claire » ou « fon- cée », …). La deuxième phase permet la génération des règles de type « Si … alors ». Avec cette base de règles floues, la méthode décrit la perception que le système a des dé- fauts qui lui sont présentés. Cette base est générée par apprentissage, grâce à une utilisation conjointe des connaissances expertes (définissant la structure du mo- dèle et des paramètres à utiliser à partir des modèles symboliques) et des données numériques (lot d’apprentissage prélevé par le système de vision). La base de règles floues est stockée sous la forme d’une ma- trice numérique composée des paramètres du système, des classes de sorties à reconnaître et d’un degré de confiance [5]. Ce degré, associé à chaque règle, peut être assimilé à un degré de pertinence de la règle en accord avec les données d’entrée. L’ajustement représente la partie itérative de l’algorithme. Il consiste à tester cha- que défaut à partir du même lot de données. Intensité % pixels noirs % pixels cerne ... Nœud_n Nœud_n-1 Vecteur caractéris- tique n-1 Nœud cerné Nœud sainNœud noir Inférence Unique Modèle classiquement utilisé en reconnaissance de forme, il est néanmoins le plus « basique » et le plus complexe à interpréter dans le sens où le nombre de rè- gles floues générées par ce type de structure est rapide- ment exponentiel. Par exemple, en considérant 10 para- mètres décomposés en 3 termes linguistiques en entrée de la structure, nous aboutissons à environ 59 000 rè- gles. Si nous passons à 11 paramètres, nous arrivons à environ 177 000 règles. D’un côté, cette structure permet de tester rapidement les performances de la méthode sur un lot de données, mais nous ne satisfaisons en aucun cas la contrainte de temps industriel de 2ms pour identi- fier un défaut (environ 6 ms par défaut) et nous ne pou- vons interpréter un tel modèle. Figure 7: Résultat de l’intégration des connaissances expertes pour le choix du vecteur caractéristique du nœud décisionnel « Nœud_n » au sein de l’arborescence décisionnelle L’intérêt de l’intégration par un Système d’Inférences Floues basé sur un système de règles linguistiques floues réside en la possibilité d’interpréter linguistiquement chaque inférence du modèle. Il est alors possible de comprendre le comportement du modèle numérique et ainsi vérifier que, d’une part, les connaissances expertes ont bien été intégrées dans le modèle, et d’autre part, qu’il existe bien une cohérence entre les données présen- tées au modèle et les connaissances utilisées pour le construire. Une différence entre les données et les connaissances peut signifier que les données utilisées ne sont pas réellement représentatives du domaine ou que les connaissances expertes exprimées initialement sont insuffisantes ou incomplètes. Structure Arborescente Cette structure est construite grâce à une série d’inférences uniques et est configurée par une intégra- tion des connaissances expertes. L’intégration des connaissances expertes dans le modèle numérique, qui est rappelons-le le siège du traitement des données, ne peut se faire qu’en mettant en relation les connaissances expertes issues des deux domaines de compétences (do- maine du bois et domaine de la vision industrielle). RESULTATS Les résultats présentés dans le tableau 1 concernent les taux de reconnaissance basé sur le Classificateur Flou (inférence unique et arborescence) ainsi que de la mé- thode Point, méthode actuellement utilisée par l’industriel. Le lot de données utilisé pour ces résultats est composé de 327 échantillons dont 128 utilisés en ap- prentissage du Système d’Inférences Floues et 199 en généralisation. Le mécanisme permettant la mise en relation des deux domaines consiste en la mise en correspondance des modèles symboliques de l’expertise bois et de l’expertise vision permettant ainsi de rapprocher directement un dé- faut aux caractéristiques visions utilisées par le système pour son identification. Le résultat de ce rapprochement est un nouveau modèle symbolique donnant la possibili- té de choisir les meilleurs paramètres pour le vecteur ca- ractéristique visant à identifier ces trois défauts. Pour ces trois types de défaut, la caractéristique commune étant la forme (étant tous trois des nœuds, leur forme est donc similaire), seules les caractéristiques de couleur et de contour sont discriminantes afin de les identifier. La ca- ractéristique de forme permet quant à elle d’identifier des défauts plutôt ronds des défauts plutôt allongés et est utilisée plus en amont dans le modèle. La (figure 7) re- présente une partie du modèle numérique et plus préci- sément le moteur d’inférence identifiant les trois types de défauts. Méthode Point Inférence Uni- que Arborescence Taux de reconnais- sance en apprentis- sage 93,0 % 86,7 % Taux de reconnais- sance en généralisa- tion 68,8 % 78,4 % 83,4 % Tableau 1: Résultat comparatifs des différentes méthodes Les résultats que nous obtenons en sortie de notre mo- dule de reconnaissance se présentent sous la forme d’un degré de similarité [20] à la classe de sortie reconnue. En d’autres termes, nous nous intéressons à la ressemblance de notre objet à identifier avec la classe de défaut la plus proche. Tout d’abord, nous pouvons remarquer que la méthode basée sur un Système d’Inférences Floues donne de meilleurs résultats que la méthode Point actuellement utilisée, avec au minimum 10 % de gain. En ne se focali- sant que sur la méthode floue, nous pouvons noter que le meilleur taux d’identification est réalisé avec un modèle numérique construit sous forme d’une arborescence in- tégrant les connaissances expertes permettant un gain de 15 % en comparaison avec la méthode Point. Il est à no- ter que la méthode Point est une méthode non supervisée et non itérative dont le taux globale de reconnaissance est obtenu à partir d’un seul lot de données. De plus, un autre avantage de la méthode arborescente structurée par rapport à l’inférence unique est de réduire le nombre total de règles mise en œuvre et ainsi d’améliorer également de temps de calcul. A titre de comparaison, l’identification d’un défaut est effectuée en moyenne en 1.3 ms pour la méthode arborescente contre 3.2 ms dans l’autre cas sachant que la contrainte de temps du système est de l’ordre de 2 ms par défaut. CONCLUSION ET PERSPECTIVES L’intégration de connaissances que nous proposons per- met une meilleure cohérence entre le modèle numérique de traitement des données et les connaissances expertes utilisées pour le construire. Cette intégration permet éga- lement l’obtention d’un modèle numérique non empiri- que dans le sens où les paramètres constituant chaque nœud décisionnel ne sont plus choisis empiriquement mais d’après les connaissances émises par les experts des domaines du bois et de la vision industrielle. Cette étude démontre que notre arborescence améliore les taux et les temps d’identification permettant ainsi une augmentation non négligeable de la qualité du système et donc de la qualité finale du produit. En effet, effectuant une meilleure reconnaissance des défauts de la planche, nous diminuons le risque de mauvaise identification et par la même, le déclassement intempestif dû à une mau- vaise reconnaissance ou la coupe de zones saines d’une planche vues comme déclassantes ou indésirables. Les travaux à venir visent l’acquisition et formalisation des connaissances non modélisées jusqu’à présent. Ces connaissances concernant la hiérarchie entre les attributs de défauts, c’est-à-dire l’ordre d’importance des attributs pour l’identification d’un défaut. L’expert considère t-il la couleur, la forme, la taille, … comme étant la caracté- ristique primaire discriminante ? Ces connaissances per- mettraient d’affiner la structuration du modèle numéri- que actuel dans le sens où nous n’aurions plus une struc- ture arborescente empirique mais une arborescence que l’on pourrait qualifier de structurée. De plus, le formalisme NIAM/ORM actuellement utilisé ne supporte pas suffisamment la restitution de l’imprécision inhérente au langage naturel. Nous pen- sons donc reprendre et approfondir les travaux effectués par M. Zgorzelski et Z. Zalewski sur Fuzzy NIAM [21] pour fournir un cadre unique de modélisation et d’intégration de connaissances expertes (qualitatives) certaines mais imprécises et de données mesurées (quan- titatives) précises mais incertaines. Par ailleurs, il est possible d’exprimer en UML (Unified Modeling Language) les modèles issus de l’application de la méthode NIAM. Cette expression s’effectue par des équivalences entre les deux formalismes telles que présentées en [22]. Cette possibilité nous permet d’utiliser au mieux la méthode NIAM pour une construc- tion rigoureuse des modèles symboliques en lien perma- nent avec leur expression en langage naturel et de n’exploiter d’UML que ses formalismes unifiés et stan- dardisés. BIBLIOGRAPHIE 1. B. BOUCHON-MEUNIER, La logique floue et ses applications, Addison-Wesley, 1995. 2. H. KAUPPINEN, H. RAUTIO, and O. SILVEN, Non-segmenting defect detection and SOM based classification for surface inspection using color vi- sion, Actes de : Polarization and Color Techniques in Industrial Inspection (SPIE 3826), Munich, Ger- many, 1999, pp. 270 – 280. 3. J. LAMPINEN, S. SMOLANDER, and M. KOR- HONEN, Wood surface inspection system based on generic visual features, Actes de : International Conference on Artificial Neural Networks ICANN’95, Paris, 1995. 4. D.T. PHAM, and S. SAGIROGLU, Training multi- layered perceptrons for pattern recognition: a com- parative study of four training algorithms, Interna- tional Journal of Machine Tools & Manufacture, Vol. N°41, # 3, 2001, pp. 419-430. 5. H. ISHIBUCHI, K. NOZAKI, and H. TANAKA, Distributed representation of fuzzy rules and its ap- plication to pattern classification, Fuzzy Sets and Systems, Vol. N° 52, 1992, pp. 21-32. 6. H. ISHIBUCHI, K. NOZAKI, N. YAMAMOTO, and H. TANAKA, Construction of fuzzy classifica- tion systems with rectangular fuzzy rules using ge- netic algorithms, Fuzzy sets and systems, Vol. N° 65, 1994, pp. 237-253. 7. K. NOZAKI, H. ISHIBUCHI, and H. TANAKA, A Simple but powerful heuristic method for generating fuzzy rules from numerical data, Fuzzy sets and sys- tems, Vol. N° 86, 1997, pp. 251-270. 8. H. HABRIAS, Le modèle relationnel binaire. Mé- thode I.A. (NIAM), éditions Eyrolles, 1998. 9. S.Y. FOO, A rule-based machine vision for fire de- tection in aircraft dry bays and engine compart- ments, Knowledge-Based Systems, Vol. N°9, 1996, pp 531-540. 10. C.S. WANG, X.K. GONG, A fuzzy approximate reasoning model for a rule-based system in laser threat recognition, Fuzzy Sets and Systems 96, 1998, pp 139-146. 11. Z. WEN, Y. TAO, Building a rule-based machine- vision system for defect inspection on apple sorting and packing lines, Expert Systems with Applica- tions, Vol. N°16, 1999, pp 307-313. 12. V. BOMBARDIER, C. MAZAUD, P. LHOSTE, Modélisation et intégration de connaissances métier pour l’identification de défauts par règles linguisti- ques floues, TS Traitement du Signal, vol. 31, n° 3, 2004, pp. 227-247. 13. T.A. HALPIN, Object Role Modeling (ORM/NIAM), Handbook on Architectures of In- formation Systems, 1998, chapitre 4. 14. T.A. HALPIN, Information Modelling and Rela- tional Databases, published by Morgan Kaufman edition, 2001. 15. J.C. BLAISE, Apport d’une modélisation de l’information normative à l’intégration des règles de sécurité des machines en conception, Thèse d’université, Université Henri Poincaré, NANCY 1, 2000. 16. A. KAUFMANN, Introduction à la théorie des sous-ensembles flous, édition Masson, 1975. 17. L.A. ZADEH, The concept of linguistic variable and its application to approximate reasoning, In- formation sciences, Vol. N°8, 1975, pp. 199-249 et pp. 301-357. 18. O. CORDON, M.J. DEL JESUS, F. HERRERA, A proposal on reasoning methods in fuzzy rule-based classification systems, Int. Jour. of Approximate reasoning, 20, 1999, p. 21-45. 19. M.R. BERTHOLD, Mixed fuzzy rule formation , Int. Jour. of Approximate Reasoning, vol. 32, 2003, p. 67-84. 20. D. DUBOIS, H. PRADE, The semantics of fuzzy sets. Fuzzy Sets and Systems, vol. 90, 1997, pp.141- 150. 21. M. ZGORZELSKI, Z. ZALEWSKI, Fuzzy NIAM for real world data modelling, I.S.A.T.A. 29th Inter- national Symposium on Automative Technology and Automation, Florence, 1996. 22. T. HALPIN, A. BLOESCH, A comparison of UML and ORM for data modeling, http://www.orm.net/pdf/orm-emm98.pdf