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 ».

iii

Table des matières

1. INTRODUCTION .................................................................................................................................1

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

7. DISCUSSION.....................................................................................................................................109

8. CONCLUSION ..................................................................................................................................112

v

Liste des figures

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

ESPÈCES EXISTANTES............................................................................................................................108

viii

1. INTRODUCTION

L’hydroélectricité est une forme d’énergie bien adaptée à la géographie d’un pays

comme le Canada. C’est pour cette raison que l’on a vu la multiplication de centrales

hydroélectriques sur nos rivières au cours du dernier siècle. La construction de barrages

hydroélectriques n’est malheureusement pas sans effet sur la faune et l’environnement.

Ces ouvrages constituent un obstacle à la circulation des poissons. En effet, les barrages

affectent plus particulièrement les espèces de poissons migrateurs tels le saumon, l’alose

et l’anguille. Les poissons migrateurs sont des poissons qui se déplacent entre les eaux

salées et les eaux douces pour se reproduire. Par exemple, le saumon atlantique adulte

abandonne la mer et remonte les fleuves et les rivières lors de la frai pour se reproduire.

Les barrages peuvent empêcher les saumons de monter en amont des cours d’eaux vers

leurs endroits privilégiés de reproduction.

Depuis plusieurs années, la protection environnementale est devenue une

préoccupation grandissante pour la société. Cette nouvelle conscience environnementale

vise à diminuer l’effet des humains sur la faune qui les entoure. Ainsi, des plans de

restauration et de protection des espèces sont progressivement mis en place. Une des

solutions aux problèmes des poissons migrateurs est de construire une voie d’eau spéciale

à côté des barrages, nommée passe à poissons, qui permet aux espèces migratrices de les

franchir. On les appelle aussi « passes migratoires ». Une passe à poissons est constituée

de plusieurs bassins successifs permettant aux poissons de franchir graduellement

l’obstacle. On incite les poissons en leur ouvrant une voie d’eau aux conditions

hydrodynamiques et d’écoulement compatibles avec les capacités et les comportements

des espèces concernées par la passe. Au Québec, la société d’État Hydro-Québec a

construite des passes à poissons sur certains de ses barrages. En restaurant le passage des

poissons, les passes permettent protéger les espèces de poissons migrateurs. La figure 1.1

1

et la figure 1.2 montrent respectivement la passe à poissons de Vichy, en France, et la

passe à poissons du barrage de la rivière Malbaie.

Figure 1.1 Passe à poissons de Vichy en France

Figure 1.2 Passe à poissons du barrage de la rivière Malbaie

Cependant, à elle seule cette mesure n’est pas suffisante. La conception des passes

à poissons est complexe et encore mal connue. Le comportement des poissons est mal

compris; il n’y a absolument rien qui ne garantisse l’efficacité d’une passe. Un suivi

scientifique de la migration des poissons doit être fait afin d’évaluer l’efficacité des

passes. Ceci permet de gérer les populations de poissons en observant et comptant les

poissons et les espèces qui franchissent les passes. Ce suivi permet aussi aux biologistes

de mieux comprendre le comportement des espèces migratrices et de suivre les

populations de ces espèces.

Une méthode répandue de suivi consiste à installer une cage de capture à un bout

de la passe et de capturer tous les poissons qui tentent de franchir la passe. Les spécimens

2

sont ensuite répertoriés et remis à l’eau. Toutefois, cette méthode comporte plusieurs

inconvénients. Le premier est qu’elle est fastidieuse et nécessite la présence d’une

personne à chaque site en saison de migration, ce qui est impossible en pratique et

coûteux. Les poissons peuvent être blessés par la manipulation. Plusieurs espèces peuvent

également se montrer particulièrement méfiantes à s’engager dans un piège, ce qui

pourrait les contraindre à ne pas migrer. Tous ces inconvénients font qu’il serait très

avantageux d’automatiser le comptage des poissons tout en réduisant les manipulations

de ces derniers.

Plusieurs appareils permettent de compter le passage de poissons, mais très peu de

ceux-ci donnent une idée précise de leur espèce. Jusqu’à maintenant, seul le comptage

visuel, qui consiste à enregistrer sur bande vidéo les passages de poissons, a été utilisé

avec succès pour cette tâche. Toutefois, cette technique nécessite un dépouillement

fastidieux de la bande vidéo par un expert. Elle a aussi pour défaut qu’il est difficile

d’avoir des images claires à cause de la turbidité de l’eau et du manque d’éclairage. De

plus, pour pouvoir utiliser cette méthode la passe doit être équipée d’une fenêtre

d’observation, ce qui n’est pas le cas de toutes les passes. Une autre méthode utilisée est

le compteur automatique à résistivité. Ce compteur fonctionne sur le principe de la

différence de conductivité entre l’eau et le corps du poisson. Au-delà d’un certain seuil de

résistivité, on compte un poisson. L’avantage d’un tel système réside dans le faible coût

d’investissement et de maintenance. Cependant, il ne permet que de discriminer les

poissons selon leurs tailles et non pas selon l’espèce.

Récemment, une chercheure de l’Institut National Polytechnique de Toulouse

[Castignolles, 1995] a développé un système utilisant des images binaires pour

reconnaître l’espèce des poissons. Ces images sont prises à l’aide d’une caméra vidéo. De

bons résultats ont été obtenus, mais les inconvénients déjà mentionnés sur l’utilisation

d’une caméra vidéo demeurent. De plus, le système ne semble pas offrir la possibilité

d’ajouter ou d’enlever des espèces au système afin de tenir compte, par exemple, de la

faune particulière d’une rivière. Puis, pour installer une caméra vidéo sur une passe à

poissons, cette dernière doit être équipée d’installations spéciales. La passe doit être

3

équipée d’une fenêtre d’observation et d’un accès à une source d’alimentation assez

puissante. Pas toutes les passes à poissons sont équipées d’un accès à une source

d’alimentation en régions éloignées. Il est important de mentionner que beaucoup de

barrages d’Hydro-Québec sont situés en régions éloignées. D’autres systèmes de

reconnaissance de l’espèce de poissons par vision artificielle existent [Loonis, 1996]

[Strachan et coll. 1990]. Ils ont par contre été développés pour un environnement

d’utilisation bien différent : les usines de traitement de poissons. Dans ce type

d’environnement, les conditions peuvent facilement être contrôlées, contrairement aux

passes à poissons.

Afin de contourner le problème, Hydro-Québec a fait l’acquisition d’un compteur

de poissons par infrarouge RiverWatcher de la firme islandaise Vaki. Cet appareil saisit et

enregistre les silhouettes des poissons qui passent entre ses deux capteurs linéaires

infrarouges. Ce capteur a l’avantage de nécessiter peu de puissance de fonctionnement,

d’être peu affecté par la qualité de l’eau et de ne requérir aucune installation spéciale sur

la passe. Cet appareil règle aussi plusieurs problèmes posés par l’enregistrement sur

bande vidéo, mais la nécessité de dépouillement reste la même. La lourdeur de la tâche

pourrait être évitée par l’automatisation de l’analyse des données recueillies. Ainsi, les

silhouettes sont envoyées à un ordinateur personnel (PC) où elles sont analysées, classées

et comptées par le logiciel d’analyse.

Le but de ce projet de maîtrise est de concevoir un logiciel d’analyse des

silhouettes de poissons. Ce logiciel reconnaît l’espèce ou la famille des poissons à partir

des silhouettes qui ont été saisies par le capteur d’image. Le logiciel est flexible et permet

d’ajouter facilement de nouvelles espèces à reconnaître. La classification est basée sur la

combinaison des décisions de trois classificateurs : un classificateur d’estimation par

maximum de vraisemblance, un classificateur par quantification vectorielle adaptative et

un classificateur de réseaux de neurones artificiels multicouches à rétro-propagation de

l’erreur de type une-classe-un-réseau (one-class-one-network ou OCON). La décision

finale sur l’espèce du poisson est faite par vote majoritaire. Un bloc de rejet assure que

les silhouettes d’objets qui ne sont pas des poissons soient bien rejetées. En utilisant des

4

classificateurs de natures différentes, un système plus robuste est obtenu. Le système de

classification proposé innove entre autres en permettant aux utilisateurs de choisir les

espèces d’intérêt et de désactiver les autres espèces. Il est alors possible de tenir compte

de la faune spécifique à chaque rivière.

Ce mémoire est organisé de la façon suivante. Le chapitre 2 fait un survol de

divers systèmes de reconnaissance de l’espèce de poissons existants. Le chapitre 3

présente le système intelligent que nous proposons pour le comptage de poissons. Le

capteur de silhouettes, les fonctionnalités du logiciel d’analyse et leurs interactions y sont

décrits. Le chapitre 4 décrit les techniques de reconnaissance de formes utilisées pour

identifier l’espèce des poissons. Après une brève introduction aux techniques de

reconnaissance de formes, les algorithmes des trois types de classificateurs utilisés sont

décrits. Les descriptions des méthodes de combinaison des décisions et de rejets des

silhouettes de débris suivent. Le chapitre 5 aborde les divers algorithmes de sélection des

paramètres optimaux qui ont été utilisés afin de réduire le nombre de paramètres de

reconnaissance. Le chapitre 6 traite des résultats expérimentaux obtenus. La création des

bases de connaissance d’entraînement et de test y est décrite. La performance du système

est évaluée dans diverses conditions (variation du nombre d’espèces, avec ou sans rejet

de débris, etc.). L’aspect de l’effet sur la reconnaissance de la modularité et de l’ajout et

de l’enlèvement d’espèces est étudié en fin de chapitre. Finalement, le chapitre 6 présente

une discussion sur les résultats ainsi que les possibilités d’amélioration du système.

5

2. SYSTÈMES EXISTANTS DE RECONNAISSANCE DE POISSONS

Dans le passé, plusieurs groupes de chercheurs se sont attaqués à la tâche de

reconnaître l’espèce des poissons à partir de l’image ou de la silhouette de ces derniers

[Arnarson et coll. 1988]. La plupart des systèmes développés l’ont été pour des

applications en milieu industriel. Dans un milieu industriel, comme une usine de

transformation, les conditions sont plus facilement contrôlables qu’en milieu naturel.

Malgré les difficultés que pose un système de reconnaissance de poissons vivants, une

équipe française a déjà étudié ce problème. Ce chapitre discute d’abord de ce système

développé pour les passes à poissons. Suit ensuite la description de deux autres systèmes

développés pour l’industrie de la pêche et de la transformation du poisson.

2.1 Comptage et reconnaissance des espèces dans les passes à poissons de Castignolles

Les travaux de l’Institut National Polytechnique de Toulouse en France avaient

pour but de créer un système de reconnaissance et de comptage de poissons pour les

passes migratoires [Castignolles, 1995] [Castignolles et coll. 1994]. Ce système utilise

des images binaires saisies à l’aide d’une caméra vidéo. La caméra vidéo filme les

poissons qui franchissent la passe à poissons à travers une fenêtre d’observation. Un

schéma de l’aménagement de la passe est présenté à la figure 2.1. Afin de compenser

pour la turbidité de l’eau, la largeur du passage est réduite. La peau des poissons

réfléchissant la lumière, le système nécessite un système d’éclairage spécial. Les poissons

sont éclairés par un système de rétro-éclairage, ce qui produit un effet similaire à la

technique des ombres chinoises. Comme le montre la figure 2.2, le système ne fonctionne

pas en temps réel, mais enregistre les images pour qu’elles soient analysées plus tard sur

un ordinateur. Un système de compression et de numérisation électronique transforme et

6

enregistre des images vidéos binaires pour ensuite les envoyer à l’ordinateur. Au niveau

des performances, le système fonctionne bien et reconnaît certaines espèces jusqu’à un

taux de 100% (anguilles et lamproies). Le système peut reconnaître en tout neuf espèces

ou familles de poissons avec des taux de réussite qui varient de 56% à 100% selon

l’espèce.

système de compressioncaméra

tubes néonsdiffuseur

vitre d'observation

convergent

courant

Figure 2.1 Aménagement de la passe à poissons de Castignolles

microordinateurcaméra systèmes de compressionet de numérisation

Figure 2.2 Fonctionnement du système de Castignolles

D’une façon très générale, le fonctionnement du système se base sur une approche

plutôt classique en reconnaissance de formes. Au niveau des paramètres, les deux

premiers moments de Hu [Hu 1962] sont utilisés pour décrire les silhouettes. Les autres

paramètres ne sont que des paramètres géométriques tels la longueur, la largeur, le

périmètre et la compacité. La sélection de ces paramètres a été faite de façon manuelle.

Les paramètres sont choisis en éliminant les paramètres fortement corrélés, en s’assurant

7

de garder les paramètres utiles à chacune des classes spécifiques [Castignolles 1995] et

en évitant de prendre ceux qui sont trop longs à calculer. La méthode de classification

utilisée est la méthode statistique d’estimation du maximum de vraisemblance avec la

règle de décision quadratique. Un critère de rejet basé sur la distance de Mahanolobis

[Castignolles 1995] est utilisé pour rejeter les silhouettes trop différentes et assurer que

les débris qui passent dans le système soient rejetés. Lorsqu’un poisson franchit la passe,

plusieurs images du même passage permettent au système de confirmer la classification.

La décision finale utilise un vote majoritaire sur chacune des classifications du poisson

pour chaque image. Si la simple majorité n’est pas obtenue, le système refuse de

classifier la silhouette. Cette redondance améliore le taux de reconnaissance du système.

Toutefois, ce système comporte certains inconvénients. Premièrement, lorsque

plusieurs poissons franchissent le champ de vision de la caméra en même temps ou que

les trajectoires des poissons se croisent, il ne peut déterminer l’espèce et compter les

poissons de façon satisfaisante. Deuxièmement, la différence de turbidité de l’eau entre

les différentes rivières de même que les différences dans une même rivière dans le temps

peuvent causer des problèmes lors de l’acquisition des images. Les ajustements

nécessaires peuvent être longs et même empêcher le système de fonctionner.

Troisièmement, la possibilité d’ajouter de nouvelles espèces reconnaissables par le

système ne semble pas être prévue. On ne mentionne pas non plus la possibilité d’adapter

le système de reconnaissance à la faune spécifique de la rivière. Par exemple, sachant que

l’alose savoureuse ne fréquente pas une rivière, rien ne sert d’essayer d’identifier cette

espèce. Finalement, le système nécessite la présence d’installations spéciales sur la

passe : une fenêtre d’observation, un système de rétro-éclairage et une source de courant

raisonnablement puissante pour alimenter le tout. Ce système pourrait difficilement être

installé en régions éloignées où se trouvent beaucoup des barrages québécois. De plus,

des tests d’utilisation en rivière sur une période prolongée ne semblent malheureusement

pas avoir été faits.

8

2.2 Reconnaissance des espèces de poissons pour l’industrie de la pêche de Strachan

L’étude du groupe de l’écossais Strachan [Strachan et coll. 1990] [Strachan et

coll. 1993] visait à concevoir un système de reconnaissance des prises pouvant être

utilisé à bord des navires de pêche. Les poissons pêchés défilent sur un tapis roulant

devant une caméra vidéo couleur et sont ensuite classifiés selon leur espèce, comme le

montre la figure 2.3. Un système mécanique trie les poissons et les envoie vers des

chaînes de traitements différentes. Pour l’acquisition vidéo, le système utilise une caméra

éclairée par une lampe diffuse et un rétro-éclairage. Le traitement est fait sur un

ordinateur avec une carte d’acquisition vidéo. Les exigences étant d’environ 60 poissons

par minute, le tout doit fonctionner en temps réel avec un débit rapide. Ce système arrive

à classifier jusqu’à neuf espèces. Le système fonctionne bien avec un taux de

reconnaissance moyen de 99%. Cependant, le système n’a réussi qu’à atteindre un débit

de 40 poissons/minute avec le matériel électronique utilisé à l’époque en 1994.

Bac #1 Bac #2

caméra

lumièrediffuse

lumière diffuse sous le poissonconvoyeur

contrôle du triage

microordinateur

sortie vidéo RGB de la caméra

Figure 2.3 Système de reconnaissance de prises à bord d’un navire

Strachan utilise 125 paramètres pour la reconnaissance. Les 114 premiers sont des

indices colorimétriques, c’est-à-dire qu’ils sont basés sur la couleur. Le poisson est

d’abord divisé en 38 zones. Ensuite, le système extrait les valeurs d’intensité de rouge, de

9

vert et de bleu (RVB) pour chacune des 38 zones. Il y a donc 38 zones avec trois

couleurs, soit 114 indices colorimétriques. Les onze autres paramètres sont basés sur la

longueur et la largeur de la silhouette. Aucun effort de sélection ou de réduction du

nombre de paramètres n’a été fait. L’utilisation de la couleur comme paramètre de

classification explique sûrement le très haut taux de discrimination entre les diverses

espèces. La méthode de classification utilisée se nomme « analyse discriminante

canonique ». Cette méthode construit une fonction mathématique polynomiale qui permet

de discriminer les espèces. Strachan ne discute pas du cas où une nouvelle espèce est

ajoutée ou si une espèce non reconnue vient à passer sur le tapis roulant.

Enfin, le système ayant pour champs d’application un milieu industriel, le

contexte est fort différent d’une application dans une passe à poissons. Les poissons à

classer étant morts, un système d’éclairage complexe peut être utilisé. À cause de cet

éclairage, la qualité des images saisies est excellente. Ceci explique en partie le haut taux

de discrimination entre les espèces. L’auteur mentionne même la possibilité de

discriminer entre deux poissons d’une même espèce, mais qui proviennent d’un

écosystème différent (Rockall et la Mer du Nord dans le cas de l’aiglefin) [Strachan et

coll. 1993].

2.3 Reconnaissance des espèces de poissons pour l’industrie de la pêche de Loonis

Le Laboratoire d’Informatique et d’Imagerie Industrielle de l’Université de La

Rochelle [Loonis, 1996] [Loonis et coll. 1996a] [Loonis et coll. 1996b] a créé un système

de reconnaissance automatique de poissons morts par vision artificielle. Ce système a été

conçu pour être utilisé en milieu industriel dans une usine de traitement du poisson.

Comme le système de Strachan, l’éclairage se fait par un système d’éclairage diffusé et

un rétro-éclairage. Les images sont ensuite traitées sur un ordinateur. Le système arrive à

classifier jusqu’à sept espèces. Il fonctionne bien avec un taux de reconnaissance moyen

d’environ 90% et ce en n’utilisant qu’un petit nombre d’images dans la base de

connaissance (96 images en tout). L’utilisation d’un plus grand nombre d’images aurait

sûrement contribué à avoir un taux de reconnaissance encore plus élevé.

10

Ce système utilise une approche innovatrice et très intéressante visant à minimiser

l’a priori dans le processus de reconnaissance de formes. L’objectif est de créer un

système de reconnaissance général qui peut être utilisé pour plusieurs problèmes

différents. Il s’agit d’un système multi-classificateurs utilisant des réseaux de neurones

artificiels comme classificateurs et un autre réseau de neurones artificiels pour la

combinaison de la décision. Dans le cas de la reconnaissance de l’espèce de poisson,

plusieurs types de paramètres sont utilisés : des paramètres issus de la forme, des

paramètres colorimétriques et des paramètres texturaux. Le système exploite une

méthode pour sélectionner parmi le grand nombre de paramètres. Une réduction du

nombre de paramètres permet de réduire le temps de calcul et d’améliorer les

performances. La sélection des paramètres se fait par un algorithme génétique [Loonis,

1996] [Loonis et coll. 1996b] qui agit comme méthode d’optimisation des entrées des

classificateurs. Les trois réseaux de neurones artificiels sont des réseaux multi-couches à

rétro-propagation de l’erreur. Chacun de ces réseaux a des entrées différentes. Plusieurs

méthodes de combinaisons des décisions sont proposées, mais la fusion par un autre

réseau de neurones est finalement choisie. De plus, un inconvénient de ce système est que

l’ajout d’une nouvelle espèce ou le cas où une espèce non reconnue passe sur le tapis

roulant ne sont pas considérés. Le système a donc une extensibilité et une modularité

limitées.

11

3. DESCRIPTION DU SYSTÈME DE RECONNAISSANCE DE POISSONS PROPOSÉ

La société d’État Hydro-Québec souhaite avoir un système permettant de compter

les poissons par espèce afin de faire un meilleur suivi de la population de poissons

migrateurs qui franchissent leurs barrages. Parmi les spécifications d’un tel système se

trouve la possibilité d’être utilisé en régions éloignées. Ceci implique l’utilisation sur des

sites où aucune installation spéciale sur la passe à poissons n’est présente (une fenêtre

d’observation par exemple). La possibilité d’utiliser une batterie ou un capteur solaire

comme source de puissance est également importante, car certaines passes à poissons ne

sont pas équipées convenablement d’une source d’électricité. Finalement, pouvoir

fonctionner sans trop d’entretien ou d’ajustements dus aux variations de la turbidité de

l’eau constitue également un avantage indéniable.

Le système intelligent de comptage de poissons par espèce [Cadieux et coll. 2000]

se divise donc en deux parties : le capteur de silhouettes et le logiciel d’analyse. Le

capteur de silhouettes saisit et enregistre les silhouettes des poissons qui franchissent la

passe à poissons. Le logiciel d’analyse sert au dépouillement et au comptage des

silhouettes enregistrées par le capteur.

Le compteur de poissons s’installe dans la chute d’eau à la sortie d’un des bassins

de la passe à poissons. Cela permet de s’assurer que les poissons ne s’arrêtent pas entre

les panneaux du capteur. L’unité de contrôle et l’équipement servant à transférer les

données doivent être installés près de la passe. L’aménagement d’une passe équipée avec

le système est présenté dans la figure 3.1 (vue de côté) et figure 3.2 (vue du dessus).

12

unité de contrôle

capteurs linéaires

passe à poissons

ordinateurtransfert des données

(lien direct,téléphone cellulaire,

etc.)

bassin précédent

Figure 3.1 Aménagement d’une passe à poissons avec le système de comptage de poissons RiverWatcher de Vaki (vue de côté)

La première section de ce chapitre décrit le capteur de silhouettes et son

fonctionnement. La deuxième section traite des fonctionnalités du logiciel de

dépouillement des silhouettes.

courant

capteurs linéaires

unité de contrôlecloison

déversoir

bassin avalbassin amont

Figure 3.2 Aménagement d’une passe à poissons avec le système de comptage de poissons RiverWatcher de Vaki (vue du dessus)

13

3.1 Capteur de silhouettes

Le capteur de silhouettes doit permettre de saisir et d’enregistrer des silhouettes

de poissons qui franchissent une passe à poissons. Le capteur choisi par Hydro-Québec

est le compteur de poissons RiverWatcher de la firme islandaise Vaki. La figure 3.3

présente une photo montrant ce capteur. Il est composé de deux parties : les capteurs

linéaires et l’unité de contrôle. Les capteurs linéaires utilisent des diodes infrarouges pour

saisir la forme des poissons qui les franchissent. Le compteur de poissons comprend aussi

une unité de contrôle qui gère les capteurs, enregistre les silhouettes et permet de

transmettre les données à un ordinateur. L’avantage de ce système est qu’il consomme

peu d’énergie. Une fois installé dans la passe à poissons, il nécessite peu d’ajustements,

contrairement aux caméras vidéo. La présence d’installations spéciales, tel une fenêtre

d’observation ou autre, ne sont pas nécessaires au fonctionnement de ce système. Il peut

être utilisé dans un endroit éloigné de tous services, en s’alimentant à l’énergie solaire et

en transférant les données saisies via un lien satellite. Cet appareil règle donc plusieurs

problèmes posés par l’enregistrement sur bande vidéo, mais le besoin de dépouiller les

données demeure.

Figure 3.3 Photo du capteur de silhouettes

D’une façon plus spécifique, le capteur de silhouettes est composé de deux

capteurs linéaires, c’est-à-dire deux rangés d’une centaine de diodes infrarouges. Les

diodes composant un capteur linéaire sont espacées de 5mm entre elles. Les deux

14

panneaux de diodes sont disposés à une distance de 10 cm à 45 cm, comme illustré à la

figure 3.4.

Figure 3.4 Fonctionnement du capteur de silhouettes

Lorsqu’un poisson passe entre les deux panneaux du capteur de silhouettes, il

bloque les faisceaux infrarouges des capteurs linéaires. La figure 3.5 illustre ce principe.

En mémorisant cette information en fonction du temps, la silhouette du poisson peut être

reconstituée.

Figure 3.5 Poisson traversant le capteur de silhouettes (vue de face)

15

Puisqu’il y a deux rangées de capteurs linéaires, deux silhouettes sont saisies à

chaque passage. La vitesse de passage, v, peut être calculée en faisant la moyenne des

temps de passages des deux silhouettes. Elle est calculée par la formule 3.1 :

( )21

2dtdtdxfv

+⋅⋅= (3.1)

où dx est la distance entre les capteurs linéaires, dt1 est le temps de passage de l’objet

devant le premier capteur linéaire, dt2 est le temps de passage de l’objet devant le

deuxième capteur linéaire et f est la fréquence d’échantillonnage des capteurs linéaires,

c’est-à-dire le nombre de fois par seconde que les capteurs linéaires sont lus. La longueur,

l, des objets qui passent est dérivée de la vitesse évaluée précédemment, avec la relation

3.2 :

( )

fvNN

l⋅

⋅+=

221 (3.2)

où N1 et N2 sont les nombres de tranches qui composent la première silhouette et la

deuxième silhouette saisie respectivement, et l est la longueur de l’objet. La relation 3.3

exprime la longueur en fonction des paramètres.

( )

( )21

21

dtdtNNdxl

++⋅

= (3.3)

L’exactitude de la mesure de longueur dépend donc de l’exactitude de la mesure de

vitesse. De plus, la définition de la silhouette dépend de la longueur et de la vitesse des

poissons qui franchissent le capteur. Ainsi, la silhouette d’un poisson qui passe trop vite,

qui est trop court ou encore qui change de vitesse lors du passage n’est pas saisie de

façon satisfaisante. Les causes et les effets des mauvaises silhouettes sont résumés au

tableau 3.1.

16

Tableau 3.1 Causes et effets des mauvaises silhouettes

Cause Effet Passage trop rapide La silhouette n’est pas composée d’assez de

points pour facilement distinguer l’espèce du poisson. Mauvaise définition de la silhouette.

Poisson trop court Même effet que le passage trop rapide. Poisson change de vitesse dans le capteur

La mesure de longueur est erronée, ce qui rend la distinction de l’espèce plus difficile.

La figure 3.6 et la figure 3.7 montrent deux exemples de silhouettes saisies par le

capteur : un saumon atlantique (Salmo salar) et un grand brochet (Esox lucius).

Figure 3.6 Silhouette d’un saumon atlantique

Figure 3.7 Silhouette d’un grand brochet

Une fois enregistrées, les données sont envoyées périodiquement à un ordinateur

pour y être analysées. Le lien entre le capteur et l’ordinateur peut être soit direct, soit par

téléphone-satellite ou soit par téléphone cellulaire.

17

3.2 Logiciel d’analyse

Le logiciel d’analyse permettant de reconnaître et de compter des poissons selon

leur espèce, à partir d’images produites par le détecteur de silhouettes, constitue le point

central du présent projet. Les silhouettes de poissons sont envoyées à un ordinateur où

elles sont analysées, classées et comptées par le logiciel d’analyse. Le logiciel a été conçu

de façon à être facilement modifiable subséquemment.

L’outil de développement LabView de National Instrument a été utilisé pour

développer le logiciel d’analyse. La raison de ce choix est la grande portabilité des

logiciels développés avec LabView, la facilité du développement et la présence d’une

imposante librairie de fonctions. Un autre avantage est la facilité de maintenance des

logiciels développés avec cet outil.

Le logiciel comporte une interface graphique afin de faciliter son utilisation. Le

temps d’analyse et de comptage des images varie selon le nombre d’images à analyser et

l’ordinateur sur lequel l’analyse est faite. Le temps de traitement des images a été

minimisé le plus possible. Le logiciel est extensible, car il permet à l’utilisateur d’ajouter

des espèces à reconnaître. Il est possible de trier des fichiers de silhouettes manuellement.

L’utilisateur peut aussi choisir spécifiquement les espèces de poissons auxquelles il est

intéressé, ce qui permet de tenir compte de la faune spécifique de chaque rivière. Toutes

les images d’objets n’étant pas considérées comme des poissons sont comptées comme

des débris.

Les étapes de traitement réalisées par le logiciel d’analyse sont montrées à la

figure 3.8 et décrites dans les paragraphes qui suivent :

• Prétraitement des silhouettes. Au cours de cette étape, les silhouettes qui

proviennent du capteur de silhouettes de la firme Vaki sont transformées dans un

format standard. Ce nouveau format facilite autant l’affichage que le traitement et

l’enregistrement des silhouettes.

18

•

•

•

•

•

Extraction des paramètres. Il a été décidé dès le départ d’essayer d’exploiter tous

les paramètres qui pourraient donner de bons résultats. Les paramètres sont

ensuite normalisés.

Classification. Cette étape constitue le cœur du système. L’approche multi-

classificateurs est préconisée puisqu’elle combine les avantages de plusieurs

méthodes, ce qui améliore les performances de classification. De plus, puisque la

possibilité d’ajouter des espèces après la création du logiciel d’analyse pose un

problème pour ce qui est des classificateurs, l’utilisation de techniques modulaires

permet à l’utilisateur de pouvoir choisir les espèces qu’il veut reconnaître.

Comptage. Le logiciel d’analyse doit comptabiliser les poissons migrateurs qui

franchissent la passe où le capteur est installé. Pour ce faire, le système utilise les

données fournies par le capteur ainsi que les connaissances a priori sur la rivière

et sur les poissons pour en déterminer l’espèce. Le bloc « comptage » ne fait que

compter les interprétations qui ont été effectuées par le bloc de classification. Les

résultats sont rapportés par espèce. Il permet aussi à l’utilisateur de pouvoir

réviser de façon manuelle l’identification des silhouettes rejetées.

Classification manuelle. L’utilisateur identifie manuellement un certain nombre

de silhouettes qui appartiennent à l’espèce qu’il veut ajouter au logiciel d’analyse.

Une fois qu’un nombre suffisant de silhouettes ont été identifiées, l’entraînement

est effectué par le bloc d’initialisation des classificateurs. Évidemment, plus le

nombre de silhouettes fournies par l’utilisateur pour l’entraînement est grand, plus

la classification tend à être précise.

Initialisation des classificateurs. À cette étape, l’entraînement des classificateurs

est effectué à partir des silhouettes classées manuellement par l’utilisateur.

19

Extraction desparamètres

Prétraitementdes silhouettes

Identification del'espèce

Comptage

Initialisationdes

classificateurs

Classificationmanuelle

Utilisateur

Extraction desparamètres

Silhouettes

Figure 3.8 Structure du logiciel d’analyse

Les étapes d’extractions des paramètres, de classification et d’initialisation des

classificateurs sont rattachées au processus de reconnaissance et d’identification des

poissons, décrit en détails au chapitre 4.

20

4. RECONNAISSANCE ET IDENTIFICATION DES POISSONS

La classification, réalisée par le logiciel d’analyse, s’effectue en faisant appel à

des techniques de reconnaissance de formes. Dans ce chapitre, les diverses méthodes de

reconnaissance de formes qui sont utilisées par le logiciel d’analyse pour la classification

des silhouettes sont présentées.

L’algorithme de reconnaissance de formes du logiciel d’analyse fonctionne

suivant les quatre étapes, comme illustrées à la figure 4.1 : l’extraction des paramètres, la

classification des espèces, la fusion des décisions et l’évaluation du rejet. La section 4.1

présente une brève introduction à la reconnaissance de formes et à la classification. La

section 4.2 traite des quatre types de paramètres qui sont extraits des silhouettes de

poissons. La section 4.3 discute des trois types de classificateurs utilisés : l’estimation du

maximum de vraisemblance, la quantification vectorielle adaptative et les réseaux de

neurones artificiels. La section 4.4 démontre la nécessité d’utiliser des classificateurs

modulaires. La section 4.5 traite de l’algorithme de fusion de la décision et de l’approche

multi-classificateurs en général. Finalement, la section 4.6 présente la méthode de rejet

des silhouettes de débris.

Classificationdes espèces

Extraction desparamètres

Silhouettes Fusion desdécisions

Rejet desdébris

Identification

Figure 4.1 Quatre étapes de l’algorithme de reconnaissance

21

4.1 Théorie sur la reconnaissance de formes

L’être humain est capable de différencier un très grand nombre de sensations

perçues par ses cinq sens. Par exemple, il est capable de différencier les différents mots

qu’il entend ou encore les différents objets qu’il voit. La reconnaissance de formes tente

de reproduire artificiellement cette activité à l’aide d’un système informatique. La

reconnaissance de formes peut se définir comme l’association d’une interprétation à une

observation [Kulkarni et coll. 1998] [Schurmann, 1996], tel qu’illustré par la figure 4.2.

1

2

n

3

InterprétationObservation

Figure 4.2 Reconnaissance de formes

Le processus de reconnaissance de formes peut être divisé en trois parties :

l’extraction des paramètres, la classification et l’apprentissage.

4.1.1 Extraction des paramètres

L’extraction des paramètres consiste à évaluer les propriétés des formes

observées. Les observations peuvent être modélisées à l’aide de paramètres. Ces

paramètres peuvent aussi bien être des propriétés de bas niveaux que des propriétés de

hauts niveaux. L’important, c’est qu’ils caractérisent bien les formes à différencier. Les

paramètres peuvent être des valeurs symboliques ou, plus souvent, des valeurs réelles.

Les paramètres sont rassemblés en un vecteur v de dimension d, où d est le nombre de

paramètres utilisés. Chaque observation constitue un point dans l’espace de

représentation. L’espace de représentation est un hyperplan de d dimensions. Ceci peut-

être exprimé par l’équation 4.1.

22

v = {v1, v2, … , vd} ∈ ℜ d (4.1)

où ℜ d est l’espace de représentation.

4.1.2 Classification

La classification s’effectue par un algorithme qui fait l’association des paramètres

d’une observation à son interprétation. Le classificateur divise l’espace de représentation

entre les diverses interprétations. L’interprétation se fait sous forme d’assignation d’une

observation à une classe. Une classe peut être par exemple « classe saumon » qui

comprend les poissons qui ont été identifiés comme étant des saumons. D’une manière

formelle, la classification se définit par la relation 4.2 :

F : ℜ d → C (4.2)

où C est l’ensemble des interprétations (ou classes) et F est le classificateur. L’ensemble

des interprétations est composé de toutes les classes qui peuvent exister, selon la relation

exprimée en 4.3 :

C = c1 ∪ c2 ∪ … ∪ cM (4.3)

où M est le nombre de classes et ci une interprétation ou classe associée avec une

observation. Un classificateur s’exprime mathématiquement par la relation 4.4 :

F(v) = ci (4.4)

où v est le vecteur de paramètres ou l’observation, F( ) est le classificateur et ci est la

classe sélectionnée ou l’interprétation.

23

4.1.3 Initialisation des classificateurs

Un système de reconnaissance de formes doit, tout comme l’être humain, analyser

et interpréter des données. Étant donné que les correspondances entre les observations et

les interprétations ne sont pas connues, des observations qui ont déjà été identifiées

servent de référence. Les interprétations sont donc guidées par l’a priori ou les

connaissances déjà acquises par le système. Cette étape est quelquefois aussi appelée

« l’apprentissage ». Une base de données D, qui contient des exemples d’observations

dont l’interprétation a déjà été faite par un expert, peut se définir comme un ensemble de

paires de vecteurs d’observations et d’interprétations. Cette relation est exprimée en 4.5:

D = { (v1,c1) , … , (vn,cn) } (4.5)

où le vecteur vi est une observation, ci est une interprétation et n est le nombre

d’observations identifiées. Cette base de données est utilisée pour créer le classificateur

ainsi que pour valider et évaluer ses performances. La base de données est elle-même

divisée en deux parties : l’ensemble d’entraînement et l’ensemble de test. L’ensemble

d’entraînement sert à créer le classificateur. L’ensemble de test sert à évaluer les

performances du classificateur avec des données différentes que celles utilisées pour

l’apprentissage.

4.2 Extraction des paramètres

La reconnaissance de formes à partir d’une silhouette est un problème qui

intéresse de nombreux chercheurs depuis longtemps [Reeves et coll. 1988] [Hu 1962]

[Kauppinen et coll. 1995]. Les méthodes doivent être robustes aux changements de

positions, de rotations et aux différences de grandeurs des formes à reconnaître. Les

paramètres doivent aussi bien caractériser les silhouettes qu’ils représentent afin de

faciliter la classification. Un mauvais choix de paramètres peut rendre la classification

difficile, voire impossible. Une silhouette en deux dimensions doit idéalement être

caractérisée par des ensembles de paramètres uniques pour chaque forme.

24

Au cours de ce projet, nous avons étudié la possibilité d’utiliser quatre méthodes

de paramétrisation des silhouettes, telle qu’illustrées par la figure 4.3. Les prochaines

sous-sections décrivent ces quatre types de paramètres : les moments invariants de Hu,

les descripteurs de Fourier, les descripteurs géométriques et la série de hauteurs.

Extraction des paramètres

Silhouettes

Momentsinvariants de

Hu

Descripteursde Fourier

Descripteursgéométriques

Série dehauteurs

Classification des espèces

Figure 4.3 Quatre méthodes de « paramétrisation » des silhouettes

4.2.1 Moments invariants de Hu

Cette méthode est issue des études de Hu [Hu 1962] sur les moments. Le concept

des moments est très utilisé en mécanique classique et en statistique. Hu a élaboré un

théorème énonçant qu’un ensemble infini de moments calculés à partir d’une image

permet de la décrire uniquement et complètement. Il a aussi créé une version de ces

moments invariants en translation, en rotation et en homothétie.

Les moments sont particulièrement sensibles aux variations de la distribution de

masse dans la silhouette de l’image [Reeves et coll. 1988], mais ce n’est pas un problème

pour des images binaires [Castignolles 1995]. Les moments ne font pas que tenir compte

25

des contours, mais aussi des « trous » qui se trouvent à l’intérieur de l’objet. Ils ont donc

l’avantage de bien représenter les formes complexes. Les moments de Hu sont utilisés

pour la reconnaissance du plancton [Tang et coll. 1996], d’avions [Reeves et coll. 1988]

et de poissons [Castignolles 1995].

Les moments d’ordre p+q en deux dimensions d’une fonction f(x,y) se définissent

par la relation 4.6 :

m x y f x ypq

p q

yx

= ∑∑ ( , ) (4.6)

où p et q sont l’ordre du moment par rapport à x et y respectivement. Dans le cas d’une

image binaire, pour un objet donné, la relation se simplifie selon la fonction 4.7.

(4.7) ( ) ∈

=sinon 0

),(pour 1,

objetyxyxf

Le moment de l’image binaire d’un objet peut être alors simplifié pour s’exprimer

selon la relation 4.8.

∑∑=x y

qppq yxm (4.8)

La mesure doit être invariante en translation. À cette fin, l’image est centrée par

rapport à son centre de gravité. Ceci permet d’obtenir une relation invariante en

translation (équation 4.9) :

∑∑ −−=x y

qc

pcpq yyxx )()(µ (4.9)

où xc et yc sont les centres de gravité de l’image de l’objet et µpq est le moment central

normalisé. À partir de ces moments centraux normalisés, de nouveaux moments qui sont

26

invariants par homothétie, c’est-à-dire qu’ils sont invariants aux changements d’échelle,

peuvent être évalués par la relation 4.10.

N pqpq

p q= + +

µ

µ00 21

(4.10)

À partir de cette dernière équation, Hu a dérivé des moments qui sont aussi

invariants en rotation. Les développements mathématiques menant à ces moments

invariants en rotation étant fastidieux, les lecteurs sont référés à [Hu 1962] pour plus de

détails. Seul les six premiers sont détaillés ici aux équations 4.11 à 4.16, car ceux d’ordre

plus élevés ont de très faibles valeurs en pratique et s’avèrent instables.

02201 NNH += (4.11)

( ) 211

202202 4NNNH +−= (4.12)

( ) ( 20321

212303 33 NNNNH −+−= )

)

) ]

) ]

(4.13)

( ) ( 20321

212304 NNNNH +++= (4.14)

( )( ) ( ) ([( )( ) ( ) ( )[ ]2

03212

123003210321

20321

21230123012305

33

33

NNNNNNNN

NNNNNNNNH

−−+−−

+−−++−= (4.15)

( ) ( ) ([( )( ).4 0321123011

20321

2123002206

NNNNNNNNNNNH

−−+−−−−= (4.16)

4.2.2 Descripteurs de Fourier

Les descripteurs de Fourier sont une représentation en une dimension d’une

silhouette en deux dimensions. La transformée de Fourier du « profil de distance

centroïdale » est prise pour obtenir cette représentation [Reeves et coll. 1988]. Le profil

27

de distance centroïdale d’un objet est défini comme la distance entre le centre de gravité

et le contour de ce dernier. La figure 4.4 présente un exemple d’objet 2D (à gauche) et

son profil de distance centroïdale (à droite). Notons que, par convention, la plus grande

valeur de distance est fixée à 0°. Cette représentation est invariante en translation. Pour

avoir l’invariance en rotation, la transformée de Fourier du profil [Reeves et coll. 1988]

est utilisée. La transformée de Fourier discrète permet d’obtenir une mesure invariante en

rotation.

angle0o 360o

Forme Distance centroïdale

Figure 4.4 Exemple de la distance centroïdale d’un carré

Les basses fréquences, c’est-à-dire les premiers descripteurs, représentent

l’information à propos de la forme générale de l’objet. Les hautes fréquences représentent

les détails de l’objet. Les descripteurs de Fourier sont utilisés pour la reconnaissance

d’avions [Reeves et coll. 1988] et du plancton [Tang et coll. 1996].

Le contour d’une silhouette est composé d’une série de pixels consécutifs. La

distance centroïdale r(i), c’est-à-dire la distance entre le centre gravité de l’objet et son

contour, peut être définie par la relation 4.17.

( ) ( ) ( ) 22

0)()( cc

niyiyxixir −+−=

→= (4.17)

où n est le nombre de pixels composant la silhouette. Comme indiqué précédemment,

étant donné que cette fonction est calculée autour du centre de gravité, elle est de fait

invariante en translation. La transformée de Fourier discrète (TFD) est utilisée pour

extraire la signature du contour de la silhouette. Les amplitudes de la TFD sont des

valeurs invariantes en rotation. L’invariance en homothétie est obtenue en normalisant

28

toutes les amplitudes de la TFD par la première amplitude de la TFD comme l’exprime la

relation 4.18:

FD

FF

FF

FFN=

1

0

2

0

2

0

, ,..., /

(4.18)

où N est le nombre de points dans la TFD et Fi la ième amplitude du spectre de Fourier.

4.2.3 Descripteurs géométriques

Il existe plusieurs descripteurs géométriques pouvant servir à l’identification des

poissons. Voici les huit descripteurs géométriques choisis pour l’identification des

poissons :

• Longueur. La mesure de longueur utilisée est la longueur donnée par le

capteur de silhouettes (en centimètre). Cette mesure est évaluée par l’équation

3.3. La figure 4.5 donne un exemple d’une mesure de longueur. Tel que

mentionné au chapitre précédent, en pratique, cette mesure est peu fiable si

l’objet change de vitesse à l’intérieur du capteur.

Figure 4.5 Longueur d’une silhouette de grand brochet

• Hauteur. La mesure de hauteur du poisson est calculée à partir de la hauteur

maximum du poisson. Cette hauteur est évaluée en centimètre, tel que montré

29

à la figure 4.6, sachant que la distance entre deux diodes infrarouges est de

5mm.

Figure 4.6 Hauteur d’une silhouette de grand brochet

• Rapport longueur sur hauteur. Comme son nom l’indique, ce paramètre est le

rapport entre la mesure de longueur du poisson et la mesure de hauteur, tel

qu’exprimé par l’équation 4.19.

hauteur

longueur=hauteursur longueur Rapport (4.19)

• Surface. La surface d’un objet est le nombre de points (ou pixels) qui le

composent. Cette mesure est illustrée par la figure 4.7.

Figure 4.7 Surface d’une silhouette d’achigan

30

• Compacité. La compacité d’un objet s’exprime par la relation 4.20:

S

PCompacité4

2

π= (4.20)

où P est le périmètre et S est la surface du poisson. Une des caractéristiques de

ce paramètre est qu’il est invariable par rapport à la taille de l’objet. Il est

minimum dans le cas d’un disque.

• Périmètre. Le périmètre est la longueur de la ligne qui délimite le contour d’un

objet. Le périmètre se calcule selon le principe de Freeman [Castignolle,

1995]. Cette mesure fonctionne en comptabilisant le nombre N1 de segments

droits (horizontaux et verticaux) et le nombre N2 de segments diagonaux. La

figure 4.8 illustre ceci. La valeur du périmètre est alors exprimée par

l’équation 4.21 :

21 2NNP += (4.21)

Segments horizontaux et verticaux :

Segment diagonaux :

Figure 4.8 Calcul du périmètre

31

•

•

Taux de concavité. Le taux de concavité d’un objet est le rapport entre la

surface de l’enveloppe convexe de l’objet et la surface de l’objet.

Rapport entre la surface du poisson et la surface du rectangle. Comme son

nom l’indique, ce paramètre est le rapport entre la surface du plus petit

rectangle qui englobe totalement le poisson et la surface du poisson. La figure

4.9 illustre ce paramètre, calculé selon l’équation 4.22.

Poisson

Rectanglepoisson surface- rectangle surfaceRapport SS

= (4.22)

Figure 4.9 Enveloppe rectangulaire d’une silhouette

4.2.4 Série de hauteurs

Une série de paramètres simples et qui représentent bien la forme d’un poisson

sont des mesures de hauteurs régulièrement espacées sur toute la longueur du poisson. La

figure 4.10 montre la forme de la série de hauteurs pour une silhouette d’un grand

brochet. Cette mesure est invariable en translation et partiellement invariable en rotation.

C’est-à-dire qu’une légère rotation de la silhouette, comme c’est le cas en pratique,

modifie peu ou pas la série de hauteurs. Un paramètre semblable a déjà été utilisé sur une

des premières versions de l’algorithme de reconnaissance de formes de Strachan

[Strachan, 1990]. Dans ce cas-ci, la silhouette est divisée en 32 hauteurs régulièrement

espacées.

32

Figure 4.10 Série de hauteurs d’une silhouette d’un grand brochet

4.3 Classification des espèces

Plusieurs méthodes ont été développées dans le passé pour associer les

observations aux interprétations. En général, trois types d’approches peuvent être

distingués à la reconnaissance de formes : les méthodes dites statistiques, les méthodes

connexionnistes et les méthodes syntaxiques. Cette taxonomie est simple, mais d’autres

taxonomies existent [Kulkarni et coll. 1998] [Jain et coll. 2000].

Comme le montre la figure 4.11, trois classificateurs de natures différentes ont été

choisis pour le logiciel d’analyse : un classificateur de type statistique et deux

classificateurs de type connexionniste.

33

Extraction des paramètres

Fusion des décisions

Classification des espèces

Estimation dumaximum de

vraisemblance

Quantificationvectorielleadaptative

Réseaux deneuronesartificiels

Figure 4.11 Approche pour la reconnaissance de formes du projet

Dans l’approche statistique, les distributions des observations sont associées aux

statistiques [Duda et coll. 1973]. Il existe deux types de méthodes statistiques : les

méthodes paramétriques et les méthodes non-paramétriques. Les méthodes paramétriques

assument une forme connue pour la distribution des interprétations. Les méthodes non-

paramétriques ne font pas d’hypothèses sur les formes des densités de probabilités. Les

méthodes statistiques les plus populaires sont [Kulkarni et coll. 1998] : les estimateurs de

vraisemblance Bayesien, la fenêtre de Parzen et la méthode des k-plus-proches-voisins.

La méthode choisie est paramétrique, soit un estimateur de vraisemblance Bayesien,

décrit à la section 4.3.1.

Le cerveau humain fait de la reconnaissance comme nulle autre machine n’en est

capable. Ce n’est donc pas surprenant que la structure du cerveau serve de source

d’inspiration pour créer des méthodes performantes de reconnaissance de formes [Haykin

1999]. Le cerveau est une structure composée de milliards de cellules appelées neurones.

Les approches connexionnistes modélisent mathématiquement différentes propriétés ou

opérations des neurones. Ces méthodes sont de natures très différentes, mais elles sont

toutes basées de près ou de loin sur un modèle du fonctionnement du cerveau humain.

Plus de détails sur les méthodes connexionnistes se trouvent dans [Haykin 1999]. Les

deux méthodes choisies, quoique appartenant à l’approche connexionniste, sont bien

34

différentes dans leur fonctionnement : les réseaux de neurones multi-couches à rétro-

propagation de l’erreur et la quantification vectorielle adaptative. Les réseaux de

neurones multi-couches à rétro propagation de l’erreur sont décrits à la section 4.3.2 et le

quantificateur vectoriel adaptatif l’est à la section 4.3.3.

4.3.1 Estimateur de vraisemblance Bayesien

L’estimation par maximum de vraisemblance est une méthode paramétrique basée

sur l’approche probabiliste et la théorie de Bayes. La densité de probabilité est définie par

une forme paramétrique connue, soit la forme gaussienne [Duda et coll. 1973]. Elle existe

sous une forme dite linéaire et une forme dite quadratique, la première étant une

simplification de la deuxième. Cette méthode statistique a l’avantage de ne pas trop

nécessiter de calculs pour la classification. Elle peut être considérée comme optimale si la

distribution des classes est normale. Toutefois, l’estimation du maximum de

vraisemblance nécessite un grand nombre d’échantillons afin de bien évaluer la

distribution statistique des interprétations. Cette méthode est utilisée dans de nombreux

systèmes de reconnaissance de formes. Elle a été utilisée entre autres pour la

reconnaissance de poissons [Castignolles 1995] [Loonis 1996] et d’espèces d’oiseaux par

leurs chants [McIlraith et coll. 1997].

La méthode fonctionne comme suit. Soit la probabilité que l’observation v

appartienne à la classe ci, que l’on écrit P(ci v). L’objectif est de minimiser l’erreur de

classification, ce qui équivaut à minimiser la probabilité de faire une erreur de

classification, comme exprimé par la relation 4.23:

( ) ( )∑≠

=ji

| minarg vv ij

cPF (4.23)

où cj est la classe à laquelle l’observation v appartient. L’observation doit absolument

appartenir à une des classes. Donc, la somme des probabilités que l’observation v

appartienne à une des classes doit être égale à 1. En remplaçant dans 4.23, la relation 4.24

est obtenue:

35

(4.24) ( ) ( )vv | maxarg1 ii

cPF −=

où

( ) ( vv | maxarg| ii

j cPcP = )

)

(4.25)

Le problème de minimiser l’erreur de classification revient donc à maximiser

P(ci v). En utilisant la règle de Bayes, P(ci v) s’exprime par l’équation 4.26:

( ) ( ) (( )v

vv

PcPcP

cP iii

|| = (4.26)

où P(ci) est la probabilité d’apparition a priori de la classe ci, P(v ci) est la densité de

probabilité de la classe ci et P(v) la densité de probabilité de l’observation v. Étant donné

que P(v) est la même pour chaque classe, cette variable n’intervient pas dans la

maximisation de P(ci v) dans l’équation 4.27:

(4.27) ( ) ( )vv ii

gF maxarg=

où

(4.28) ( ) ( ) ( )iii cPcPg |vv =

Supposons une densité de probabilité gaussienne pour la classe ci, exprimée par

l’équation 4.29:

( )

−Σ−− −

Σ=

)()(21 1

21|

iit

i vv

idi ecP

µµ

πv (4.29)

36

où Σi est la matrice de covariance associée à la classe ci et µi est le vecteur moyen associé

à la classe ci. Les vecteurs de moyennes et les matrices de covariances se calculent à

partir de la base de données d’entraînement. La fonction discriminante est représentée par

gi(v). Pour déterminer la classe d’une observation, la fonction gi(v) doit être maximisée.

La figure 4.12 résume le fonctionnement de l’estimation du maximum de vraisemblance

Bayesien.

Maximum

...

Décision

moyenne 1

g (x)1

matrice decorrélation 1

moyenne 2

g (x)2

matrice decorrélation 2

moyenne i

g (x)i

matrice decorrélation i

Figure 4.12 Fonctionnement de l’estimation par maximum de vraisemblance Bayesien

En remplaçant par la densité gaussienne, en prenant le logarithme et en simplifiant

un peu, gi(v) s’exprime par l’équation 4.30. Cette simplification est possible étant donné

la monotonicité des logarithmes. Maximiser une variable ou son logarithme revient au

même.

( ) ( ) ( ) ( )( ) ∑∑ −+−−−= −

iii it

ii cPg ln21ln

21 1 µµ vvv (4.30)

Cette règle de décision se nomme la règle de décision bayésienne quadratique, car

la fonction a une forme quadratique par rapport à v. Dans le cas d’une décision

quadratique, la matrice de covariance et la moyenne sont différentes pour chacune des

classes. En supposant que la matrice de covariance est la même ou suffisamment proche

pour chacune des classes, gi(v) s’exprime par la relation 4.31. Cette fonction

37

discriminante est linéaire par rapport à v, ce qui est qualifié de décision bayésienne

linéaire.

( ) ( )iit

it

ii cPg ln21 11 +−= ∑∑ −− µµµ vv (4.31)

Donc, pour résumer, l’estimation du maximum de vraisemblance choisit la classe

dont la probabilité de se tromper est minimisée par rapport aux autres classes. Cette

méthode statistique paramétrique a l’avantage de ne pas trop nécessiter de calculs pour la

classification, une fois les moyennes et covariances pour chaque classe calculée.

4.3.2 Réseau de neurones artificiels multi-couches à rétro-propagation de l’erreur

Parmi les méthodes dites connexionnistes, les réseaux de neurones artificiels

multi-couches à rétro-propagation de l’erreur (Multi-Layered Perceptron with error

backpropagation ou MLP) sont de loin les plus utilisés et les plus populaires [Haykin

1999]. Les réseaux de neurones multi-couches à rétro-propagation de l’erreur sont en fait

des fonctions mathématiques complexes et fortement non-linéaires. Ces réseaux sont

composés de couches, qui sont elles mêmes composées d’éléments appelés neurones.

Chaque neurone a pour entrée les sorties de chacun des neurones de la couche

précédente. Ces entrées sont pondérées par les poids, pour ensuite être combinées et

traitées par une fonction d’activation. Les poids entre les neurones sont fixés lors de

l’apprentissage. L’ajustement des poids se fait de façon à réduire l’erreur quadratique

entre les valeurs obtenues en sortie et les valeurs désirées. Le gradient de l’erreur est

utilisé à cette fin. Le processus se poursuit jusqu’à la convergence, c’est-à-dire tant que

l’erreur totale n’atteint pas une valeur inférieure à un seuil.

Les réseaux de neurones multi-couches sont reconnus pour leurs excellentes

capacités de généralisation. Ils nécessitent un long entraînement où la convergence est

d’autant plus difficile que la dimension des vecteurs d’observation augmente. Ils sont

utilisés entre autres pour la reconnaissance de caractères manuscrits [Cho et coll. 1995],

la reconnaissance de poissons [Loonis, 1996], la reconnaissance de véhicules [Prampero

38

et coll. 1998], la classification d’images satellites [Benediktsson et coll. 1998] et la

reconnaissance des empreintes digitales [Jain et coll. 1999].

Tel que mentionné plus haut, un MLP est composé de cellules élémentaires,

nommées neurones (appelées aussi perceptrons), organisées en plusieurs couches en

cascade. Chaque couche est reliée avec la ou les couches voisines. Il est à noter que les

réseaux MLP ne présentent pas de cycle, chaque cellule ne dépendant que des neurones

antérieurs et du biais.

Tel qu’illustré à la figure 4.13, des réseaux de neurones à trois couches sont

utilisés dans ce projet. Voici la fonction de chacune des couches :

1. La couche d’entrée est formée de neurones qui transmettent un vecteur

d’entrées, aussi appelé le vecteur d’observation, à la couche suivante.

2. La couche cachée est formée de neurones qui sont reliés à toutes les cellules

de la couche précédente et à toutes celles de la couche suivante.

3. La couche de sortie regroupe les neurones de sortie en fonction des sorties de

la couche cachée précédente.

39

{ { {couched'entrée

couchecachée

couchede sortie

sign

aux

d'en

trées

sign

aux

de so

rties

Figure 4.13 Structure d’un MLP

Un neurone est une cellule de calcul élémentaire. Chaque neurone possède

plusieurs entrées, ei, et une sortie sj, illustré à la figure 4.14. Chaque lien entre neurone de

différentes couches est pondéré par un poids w, dit poids synaptique par analogie aux

neurones biologiques. En fonctionnement normal, la dynamique d’un neurone est de type

propagation vers l’avant (feedforward propagation), c’est-à-dire que les signaux se

propagent de l’entrée vers la sortie. La sortie d’un neurone se calcule en faisant une

combinaison linéaire des signaux entrant dans ce neurone et en limitant le résultat.

L’équation 4.32 décrit cette opération :

(4.32)

= ∑=

−N

i

kj

kij

kj swfs

1

1

où wijk est le poids entre la sortie du perceptron i de la couche k-1, sj

k-1 est la sortie du

perceptron i de la couche k-1 et le perceptron j de la couche k, alors que sj est la sortie du

perceptron j de la couche k et f() est la fonction d’activation.

40

w

w3j

w4jw5j

wnj

...

n

Σ sj

fonctiond'entrée

fonctiond'activation sortie

1j

e 1j

e 2j

e 3j

e 4j

e 5j

e nj

...

w2j

Figure 4.14 Modèle d’un neurone artificiel

Le rôle de la fonction d’activation est de limiter la sortie. Il existe plusieurs

fonctions d’activation utilisées en pratique : la fonction signe, la fonction sigmoïde et la

fonction tangente hyperbolique (tanh). Tel que recommandé dans [Haykin, 1999], la

fonction tanh est utilisée. Cette dernière est illustrée à la figure 4.16 et décrite par

l’équation 4.33.

( ) ( ) vv

vv

eeeevvf −

−

+−== tanh (4.33)

-1.5

-1

-0.5

0

0.5

1

1.5

-3

-2.7

-2.3 -2

-1.6

-1.3

-0.9

-0.5

-0.2

0.15 0.

5

0.85 1.

2

1.55 1.

9

2.25 2.

6

2.95

x

y =

tanh

(x)

Figure 4.15 Fonction d’activation tanh

L’apprentissage se fait en utilisant l’algorithme de rétro-propagation de l’erreur

du gradient. Cet algorithme permet de corriger l’erreur issue de la propagation vers

41

l’avant de l’information. Des couples observations-interprétations de la base de données

d’entraînement servent à entraîner le réseau. Les sorties du réseau sont comparées aux

sorties désirées. Puisque chaque poids reliant les neurones ont concouru à la création du

vecteur de sortie, l’erreur finale doit être redistribuée de façon rétroactive sur chacun des

poids reliant les neurones des couches précédentes. Ceci permet de corriger pas à pas les

pondérations associées à chaque lien entre les neurones des couches voisines. Ce

processus est répété itérativement jusqu’à la convergence, c’est-à-dire tant que l’erreur

n’atteint pas une valeur inférieure à un seuil ou pour un nombre fini d’itérations.

Le principe d’apprentissage consiste en fait à trouver les poids qui minimisent

l’erreur entre la sortie si, obtenue sur la couche de sortie et la sortie désirée di. Plus

spécifiquement, ce critère consiste à minimiser l’erreur quadratique globale sur

l’ensemble d’apprentissage tel que définie par la relation 4.34.

(∑ −=i

iki dsE 2

21 )

)

)

(4.34)

L’algorithme du gradient appliqué à un MLP se résume à l’expression 4.35 :

(4.35) ( ) ( ) ( tikij

kij Etwtw ∇⋅−=+ ε1

où ε est le pas de variation aussi nommé le taux d’apprentissage, puis ∇ i est le vecteur de

gradient d’erreur entre le neurone i et les neurones de la couche précédente. Le gradient

est différent s’il vient d’un neurone de sortie et d’une couche cachée. Le tableau 4.1 en

présente les équations [Haykin, 1999].

Tableau 4.1 Gradient de l’erreur

Perceptrons de sortie ( ) ( iiti afEE '=∇

Perceptrons des couches cachés ( ) ( ) ( )∑ ∇=∇

jtjijiti EwafE '

42

Le taux d’apprentissage peut être fixe ou bien varier selon une règle. Dans ce

projet, nous utilisons une règle inspirée du Neural Networks Toolbox [Demuth et coll.

1997] pour Matlab. À chaque époque, le taux d’apprentissage varie selon l’évolution de

l’erreur. Cet algorithme de variation du taux d’apprentissage fonctionne de la manière

suivante : si l’erreur augmente de plus que d’un seuil d’erreur (maximum error ratio), le

taux d’apprentissage est réduit d’un pourcentage nommé le taux de réduction (learning

rate decrease). Dans le cas contraire, le taux d’apprentissage est augmenté d’un

pourcentage nommé le taux d’augmentation (learning rate increase). L’heuristique

derrière cette algorithme est que l’augmentation de l’erreur du réseau peut être attribuable

à un rythme d’apprentissage trop élevé.

4.3.3 Quantification vectorielle adaptative

La quantification vectorielle adaptative (Learning Vector Quantization ou LVQ)

[Kohonen 1989] est une autre méthode de l’approche dite connexionniste, bien qu’elle

soit très différente des MLP. La quantification vectorielle adaptative construit un livre de

codes (codebook) composé de vecteurs qui représentent bien les interprétations. Afin de

reconnaître l’interprétation à partir d’une nouvelle observation, le LVQ consiste à

chercher le vecteur du livre de codes le plus près (selon une mesure de proximité) et

assigner l’interprétation de ce vecteur à l’observation. La mesure de proximité la plus

souvent utilisée est la distance Euclidienne entre un vecteur à interpréter et les vecteurs

du livre de codes.

Selon Kohonen [Kohonen 1989], cette méthode fonctionne mieux que les

estimateurs par maximum de vraisemblance, probablement parce qu’elles ne se basent

pas sur aucune forme paramétrique pour modéliser la distribution. La méthode LVQ est

utilisée dans plusieurs systèmes de reconnaissance de formes, comme par exemple pour

la reconnaissance de plancton [Tang et coll. 1996].

La quantification vectorielle adaptative est une méthode qui ressemble beaucoup à

la méthode des k-plus-proche-voisins dans le cas où k = 1 [Duda et coll. 1973]. Les deux

méthodes évaluent la proximité d’une observation à des vecteurs. La différence entre les

43

deux méthodes est que les k-plus-proche-voisins utilisent toutes les observations de la

base de données d’entraînement comme vecteurs pour évaluer la distribution des

interprétations, tel qu’illustré à la figure 4.16. Dans cet exemple, étant donné que le

vecteur de la base de données le plus près de l’observation à interpréter appartient à la

classe « o », on considère que l’observation appartient à la classe « o ». Dans le cas de la

méthode LVQ, plusieurs observations représentatives pour chaque interprétation sont

créées. Ces observations représentatives ou vecteurs, composent le livre de codes. Les

observations de la base de données d’entraînement sont utilisées pour ajuster de façon

adaptative les vecteurs du livre de codes lors de l’apprentissage, tel que montré à la figure

4.17. Dans cet exemple, le vecteur du livre de codes le plus près de l’observation

appartient à la classe « o », alors il est possible de considérer que l’observation appartient

à la classe « o ».

o xxxxxx xx

xxxxx

x

x

x

xxx x

xx

x

x

x

xx

xx

x

xx

x xx

xo

o ooo ooo ooo

o

oo

oo

o

ooo

o

o

o

oo

o

o

o

observation à interpréter

Figure 4.16 Fonctionnement de la méthode des k-plus-proches-voisins

44

o xxxxxx xx

xxxxx

x

x

x

xxx x

xx

x

x

x

xx

xx

x

xx

x xx

xoo oo

o ooo ooo

o

oo

oo

o

ooo

o

o

o

oo

o

o

o

o

oo

ox

xx

x

livre decodes

classe "o"

livre de codesclasse "x"

observation à interpréter

Figure 4.17 Fonctionnement de la méthode LVQ

D’une manière plus spécifique, la quantification vectorielle crée M vecteurs de

références, constituant ainsi le livre de codes. Ces vecteurs de références doivent

représenter le mieux possible les vecteurs de la base d’entraînement. Le nombre de

vecteurs par classe dans le livre de codes représente la densité de probabilités des classes,

c’est-à-dire qu’une classe qui est plus présente qu’une autre dans l’ensemble

d’entraînement aura plus de vecteurs la représentant dans le livre de codes. Le nombre de

vecteurs par classe dans le livre de codes est donc proportionnel à la probabilité a priori

de la classe.

Chaque vecteur du livre de codes est associé à une classe. Un vecteur

d’entraînement de l’ensemble d’entraînement, appelé v, et appartenant à la classe ce se

définit par la relation 4.37.

v ∈ ce (4.37)

Le vecteur du livre de code, li, est le plus près de v et appartenant à la classe ci se

trouve à partir de la relation 4.38.

45

vll jj

i −= minarg (4.38)

où li ∈ ci (4.39)

La détermination de la classe d’une observation se fait en choisissant le vecteur de

tous les livres de codes qui est le plus près du vecteur d’observation. La figure 4.18

résume le fonctionnement de la quantification vectorielle adaptative.

Minimum

...

Décision

Livre de codes classe 1

...

Livre de codes classe 2

...

Livre de codes classe i

...

Figure 4.18 Fonctionnement de la quantification vectorielle adaptative

Lors de l’entraînement, les vecteurs du livre de codes sont d’abord initialisés de

façon aléatoire. Ensuite, un entraînement optimise les vecteurs du livre de codes afin

qu’ils représentent le mieux possible l’ensemble d’entraînement. Les vecteurs du livre de

codes sont mis à jour par la règle d’apprentissage exprimée par les équations suivantes

(4.40) :

ikl

CClvlCClvl

i

kiii

kiii

≠=∆≠−−=∆=−=∆

pour 0 si )( si )(

αα

(4.40)

où α est le taux d’apprentissage. Il est important de remarquer que seul le vecteur li est

mis à jour. La direction de la correction dépend de l’appartenance ou la non-appartenance

du vecteur de l’ensemble d’entraînement à l’une ou l’autre des classes. En fait, les

46

vecteurs du livre de codes ont tendance à se rapprocher des régions où la classification est

exacte et à s’éloigner des régions où la classification est erronée.

4.4 Modularité et extensibilité pour l’identification des espèces

Notre système de reconnaissance de poissons doit non seulement permettre à

l’utilisateur d’ajouter des espèces au classificateur, mais aussi de choisir les espèces

auxquelles il est intéressé. Les méthodes choisies doivent donc permettre à l’utilisateur de

pouvoir désactiver certaines classes (ou espèces) et même d’en entraîner de nouvelles

sans avoir à réentraîner les classificateurs déjà existants. Cette caractéristique a été

nommée la modularité des classificateurs. Elle permet au logiciel d’analyse de pouvoir

tenir compte de la faune spécifique à chaque rivière.

Beaucoup de méthodes utilisées en reconnaissance de formes n’offrent pas de

modularité : les classificateurs doivent être entraînés de nouveau lorsque les classes à

reconnaître changent. Les méthodes pouvant être utilisées de façon modulaire sont entre

autres certaines des méthodes statistiques bien connues [Duda et coll. 1973] : estimateurs

de vraisemblance, la fenêtre de Parzen et la méthode des k-plus-proche-voisins.

Les classificateurs dits « à une classe » sont une autre solution qui pourrait

permettre d’avoir cette modularité [de Ridder et coll. 1998] [Murshed et coll. 1996]

[Kung et coll. 1995] [Jou et coll. 1999] [Lee et coll. 1999]. Les méthodes dites « à une

classe » ne nécessitent que la classe donnée pour leur entraînement. Dans ce type de

problème, le but est de différencier une classe par rapport à tout le reste de l’espace de

représentation. Les classificateurs habituels nécessitent des exemples négatifs pour

l’entraînement. Très peu de méthodes de ce type existent en pratique.

Nous présentons dans les sections qui suivent l’utilisation des méthodes choisies

dans le contexte de la modularité et extensibilité de la classification des espèces pour

notre projet.

47

4.4.1 Estimation de vraisemblance Bayesien modulaire

La première des trois méthodes choisies, soit l’estimation du maximum de

vraisemblance, est déjà modulaire. En effet, il n’existe aucune interaction entre les

différentes classes lors de l’entraînement. Chaque classe est composée d’un vecteur de

moyenne des paramètres et d’une matrice de corrélation des paramètres. En assemblant

les vecteurs de moyennes et les matrices de corrélation des espèces choisies, tel qu’il est

présenté à la figure 4.12, un classificateur qui ne tient compte que des espèces d’intérêts

est obtenu.

4.4.2 Quantification vectorielle adaptative modulaire

Même si elle n’est pas faite pour être utilisée de façon modulaire en tant que telle,

la quantification vectorielle adaptative pourrait être utilisée de façon modulaire sans trop

d’effet sur sa performance. Si les exemples négatifs ont été bien choisis, la dégradation

des performances à cause du manque d’exemples négatifs ne devrait pas trop nuire. Les

classes de la LVQ sont composées de livres de codes composés eux-mêmes de vecteurs.

Il y a un livre de codes par classe. Encore une fois, seuls les livres de codes des espèces

d’intérêts sont assemblés (comme le montre la figure 4.18) pour former un classificateur

modulaire.

4.4.3 Réseau de neurones multi-couches modulaire

Les MLP ne permettent pas de désactiver une classe ou d’en ajouter une autre. Ils

n’offrent pas cette modularité. Si une ou des classes doivent être modifiées, le réseau doit

être entraîné de nouveau. Étant donnée la longueur de l’entraînement des MLP, ceci est

inacceptable pour ce projet.

Habituellement, les MLP utilisés en reconnaissance de formes se composent d’un

seul réseau avec une sortie pour chaque classe. La classe choisie est la classe qui a eu la

plus grande valeur en sortie. Ce type de réseau est illustré à la figure 4.19.

48

Maximum

Décision

sortieclasse 1

sortieclasse 2

...sortie

classe i

Figure 4.19 Structure d’un MLP classique en reconnaissance de formes

L’approche « une classe un réseau » (one class one network ou OCON) [Pandya

et coll. 1995] est utilisée avec succès depuis quelques années. Dans cette approche,

chaque classe est entraînée sur un sous-réseau individuel. Chaque sous-réseau possède

une sortie. Dans l’approche « une classe un réseau », il y a autant de sous-réseaux à une

sortie qu’il y a de classes. Comme dans l’approche classique, le résultat de classification

consiste à choisir la classe du sous-réseau dont la sortie est la plus élevée. Ce type de

réseau est illustré à la figure 4.20.

49

...

Maximum

Décision

Réseau de la classe 1

Max

sortieclasse 1

Réseau de la classe 2

Max

sortieclasse 2

Réseau de la classe i

Max

sortieclasse i

Figure 4.20 Structure d’un MLP OCON

Dans la littérature, plusieurs méthodes existent pour calculer la sortie des réseaux

individuels. Quelques brefs essais nous ont permis de choisir la méthode présentée. La

méthode utilisée dans ce projet utilise deux neurones de sortie comme le montre la figure

4.20. La première sortie définit l’appartenance à la classe du réseau et la deuxième définit

la non-appartenance à la classe [Drouhard et coll. 1994]. Lorsque l’observation présentée

appartient à la classe que représente le réseau, la première sortie est à 1 et la deuxième est

à -1. Si l’observation appartient à une autre classe, c’est le contraire : la première sortie

est à -1 et la deuxième est à 1. La sortie finale est obtenue en soustrayant les deux sorties

tel que présenté à l’équation 4.41.

sréseau = s1 - s2 (4.41)

Les coefficients de classification pour une classe donnée correspondent ici aux

poids synaptiques du réseau de neurones une fois entraîné.

4.4.4 Coefficients représentant une espèce

La figure 4.21 montre les différents coefficients des classificateurs représentant

une classe ou une espèce. Ces coefficients sont pour chaque classe : un vecteur moyenne,

une matrice de corrélation, un livre de codes contenant N vecteurs et deux matrices de

50

poids synaptiques. Ce sont à l’aide de ces coefficients que le logiciel d’analyse peut

tenter d’identifier les espèces des poissons. Une fois toutes les espèces d’intérêts

sélectionnées pour l’identification, les coefficients de chacune des classes sont assemblés.

.

Classifieur pour 1 espèce

Maximum de vraisemblance

moyenne (1 x n)

matrice decorrélation

(n x n)

LVQ

C = nbr de vecteurs dansle livre de codes

Livre de codes(C x n)

n = nombre de paramètres

Réseau de neurones MLP

Poids synaptiques

Nbr. de poids synaptique =n x NC + NC x 2

Figure 4.21 Coefficients des classificateurs pour une espèce

4.5 Fusion des décisions par une approche multi-classificateurs

La méthode classique en reconnaissance de formes consiste à utiliser un seul

classificateur pour faire l’association entre les observations et les interprétations. Lorsque

le problème prend de l’ampleur et gagne en complexité, le classificateur tend aussi à

grossir et ses performances à diminuer. Ainsi, dans les applications réelles, qui sont

généralement très complexes, les performances sont souvent moins bonnes.

Une approche multi-classificateurs consiste à utiliser différents classificateurs

ayant des propriétés ou même des paramètres distincts [Suen et coll. 1992] [Ho et coll.

1994] [Kittler et coll. 1998]. Ces classificateurs sont individuellement plus petits, mais le

résultat combiné a tendance à être plus performant que le meilleur des classificateurs

individuels [Suen et coll., 1992]. Un multi-classificateurs est composé de deux types de

blocs, comme illustré à la figure 4.22 : les classificateurs individuels et le bloc de fusion.

Les classificateurs individuels ont chacun des entrées qui leurs sont propres et un jeu de

paramètres différents des autres. Le bloc de fusion reçoit ses entrées des classificateurs et

choisit la classification finale.

51

Classificateur 1

. . .paramètres 1

Classificateur n

. . .

Classificateur 2

. . .

. . .

Fusion

classification

paramètres 2 paramètres n

Figure 4.22 Approche multi-classificateurs

Fusionner l’interprétation de plusieurs classificateurs améliore les performances

parce que les lacunes de chaque classificateur individuel sont comblées en combinant les

résultats de tous. Les classificateurs étant différents, ils n’ont probablement pas toutes les

mêmes limitations. De plus, le fait d’avoir plusieurs classificateurs qui confirment

l’identification donne une plus grande confiance dans cette dernière. Cela évite aussi les

instabilités dues à un seul classificateur.

Plusieurs méthodes de fusion de classificateurs existent [Suen et coll., 1992] [Ho

et coll. 1994] [Foggia et coll. 1999] [Huang et coll. 1993] [Huang et coll. 1994]. Chaque

méthode de fusion ne s’applique qu’à certains types de classificateurs. Ceci doit être

considéré lors de la sélection d’un algorithme de fusion. Nous avons choisi la fusion par

vote majoritaire pour sa simplicité et sa modularité. La figure 4.23 illustre le principe

d’identification de l’espèce dans notre système avec un classificateur de chaque type pour

chacune des espèces reconnaissables par le système.

52

Classification des espècesEstimation du maximum de vraisemblance

Maximum

...

Quantification vectorielle adaptative

Minimum

...... ... ...

Réseaux de neurones artificiels

...

Maximum

Fusion des décisions par vote

Silhouettes

Extraction des paramètresMoments

invariants deHu

Descripteursde Fourier

Descripteursgéométriques

Série dehauteurs

Figure 4.23 Structure de fusion des décisions des classificateurs

Le vote majoritaire est basé sur la résolution de conflits dans la société humaine

[Suen et coll. 1992] [Lam et coll. 1997]. Lorsqu’il y a conflit dans les opinions de

chacun, la décision est prise par vote majoritaire. Ainsi, chaque classificateur possède un

vote. Chacun vote pour la classe qu’il croit être la bonne. Plusieurs types de majorités

existent, il y a entre autres : la simple majorité (50% et plus), l’unanimité (100%) et la

double majorité (66% et plus).

La fusion par simple majorité possède plusieurs avantages. Elle nécessite peu de

calculs et fonctionne peu importe le type de classificateur utilisé. Toutefois, elle a aussi

l’inconvénient de ne pas tenir compte de l’importance relative de chaque classificateur.

53

En effet, elle donne le même poids à chaque vote, ce qui ne tient pas compte de la

performance relative de chaque classificateur. La fusion par vote est tout de même

appropriée à la reconnaissance de poissons à cause de sa simplicité. De plus, elle peut

être utilisée dans un système modulaire, car elle ne nécessite aucun entraînement ou

connaissance a priori. La fusion par vote majoritaire a été utilisée par plusieurs

chercheurs pour la reconnaissance de caractères manuscrits [Suen et coll. 1992] [Lam et

coll. 1997] et la reconnaissance de signatures [Dimauro et coll. 2000].

4.6 Rejet des débris

La majorité des algorithmes de classification n’ont pas la propriété de rejeter les

observations qui ne ressemblent en rien à une des interprétations apprises, si un objet non

appris est présenté au système, il est associé de façon erronée à l’interprétation la plus

proche. Par exemple, si la silhouette d’un long bâton passait dans notre système, une

interprétation qui ressemble le plus à la forme d’un bâton (la classe anguille par

exemple) pourrait être choisie. C’est pourquoi il faut introduire la notion de rejet. Une

fois l’espèce choisie par la classe, cette décision est évaluée par le bloc de rejet, qui peut

soit l’accepter ou la refuser. Si la silhouette est refusée, cette silhouette est considérée

comme un débris. Ce mécanisme est illustré à la figure 4.24.

54

Classification des espècesEstimation du maximum de vraisemblance

Maximum

...

Quantification vectorielle adaptative

Minimum

...... ... ...

Réseaux de neurones artificiels

...

Maximum

Fusion des décisions par vote

Silhouettes

Extraction des paramètresMoments

invariants deHu

Descripteursde Fourier

Descripteursgéométriques

Série dehauteurs

Bloc de rejet des débris

Figure 4.24 Bloc de rejet

La classification fonctionne donc en deux étapes : la sélection d’une interprétation

suite à la fusion des décisions et ensuite la vérification que l’observation est

suffisamment similaire à cette classe. Cette dernière étape est effectuée par le bloc de

55

rejet. Le rejet s’applique aux observations dont les vecteurs représentatifs sont situés loin

de toutes les classes connues, comme le montre la figure 4.25.

x

o oo

o oo ooo ooo

o oooo

o

oxxxxxx x

xxxx

xxx

x

x

xx

xx

x

x

xx

espèce A espèce B

nouvelleobservation

Figure 4.25 Principe du rejet

La plupart des méthodes de rejets sont basées sur un critère de distance

[Castignolles, 1995] [Clavier et coll. 1999] [Kato et coll. 1999]. Plusieurs types de

mesures de distances existent : la distance Euclidienne, distance Mahalonibis, etc. La

difficulté de ces méthodes réside dans le choix des seuils de rejet. Dans notre projet, la

distance Euclidienne est utilisée comme mesure de distance. Si la distance entre

l’observation et le prototype d’une classe est plus grande qu’un certain seuil Ri, cette

observation est rejetée. Ceci est illustré à la figure 4.26.

56

m

oo

o

o oo oo

o ooo

oo

ooo

o

o

nouvelleobservation

seuil

Figure 4.26 Rejet par distance

Deux solutions sont proposées pour fixer le seuil Ri de la classe i :

1. Ri est fixé à la plus grande distance Euclidienne entre les observations de

l’ensemble d’entraînement appartenant à la classe i et le vecteur d’observation

moyen de la classe i, selon la relation 4.42.

jij

i vmR −= maxarg (4.42)

où mi est le vecteur d’observation moyen de la classe i et vj les vecteurs

d’observation de l’ensemble d’entraînement.

2. Ri est fixé proportionnellement à l’écart-type [Catignolles,1995] de la distribution

des observations de la classe i dans les bases de connaissances

d’entraînement (4.43).

iii kMR σ+= (4.43)

57

où k est une constante à ajuster empiriquement. Mi est la moyenne des distances

entre les observations appartenant à la classe i et le vecteur moyen de la classe i

telle que définie par la relation 4.44:

∑=

−=N

kkii vm

NM

0

1 (4.44)

où N est le nombre d’observations dans l’ensemble d’entraînement et v un vecteur

d’observation. σi est l’écart-type de la distance entre les observations appartenant

à la classe i et le vecteur moyen de la classe i comme le défini la relation 4.45:

∑−

−−=N

kkiii vmM

N 1

1σ (4.45)

58

5. SÉLECTION DES PARAMÈTRES OPTIMAUX

En examinant les sections précédentes avec un peu de recul, il est possible de

constater que nous disposons d’un nombre important de paramètres pour réaliser la

classification. La sélection de paramètres est en fait un des aspects de la reconnaissance

de formes qui nécessite le plus d’expérience et d’ajustement. Une façon d’éviter le

problème est d’automatiser la sélection des paramètres. L’optimisation des paramètres

permet ainsi d’avoir de meilleures performances en classification en réduisant le nombre

de paramètres. La plupart du temps, le taux de reconnaissance ou le temps de calcul des

classificateurs sont optimisés.

Cette section présente les méthodes qui ont été utilisées pour automatiser la

sélection des paramètres utilisées pour les expérimentations [Jain et coll. 1997] [Jain et

coll. 2000] [Kudo et coll. 2000] [Pudil et coll. 1994]. Quatre méthodes sont présentées

dans cette section: la recherche exhaustive, la recherche progressive séquentielle,

l’analyse discriminante pas à pas et les algorithmes génétiques.

5.1 Recherche exhaustive

La recherche exhaustive est la méthode la plus simple, mais aussi la moins

performante. Cette méthode fonctionne en essayant toutes les possibilités de

combinaisons de paramètres et en évaluant leurs performances. Cependant, lorsque le

nombre de paramètres augmente, le nombre d’évaluations nécessaires augmente de façon

exponentielle selon l’équation 5.1 :

59

Nombre d’évaluations = 2n (5.1)

où n est le nombre de paramètres en entrées. Par exemple, pour 46 paramètres, il y a 246

évaluations, soit environ 7 x 1013 évaluations à effectuer. Sur un ordinateur puissant

d’aujourd’hui, un tel calcul prendrait environ 32 millions d’années à compléter! Le seul

avantage de cette méthode est qu’elle garantie de trouver la combinaison optimale de

paramètres. Étant donné les limites de cette méthode, elle n’est utilisée que dans quelques

petits systèmes, par exemple, la reconnaissance de cellules cancéreuses [Murshed et coll.

1996].

5.2 Recherche progressive séquentielle

La recherche progressive séquentielle (Sequential Forward Search, SFS) est assez

simple [Jain et coll. 2000]. Cette méthode de recherche fait partie des méthodes dites

heuristiques. Dans sa version standard des paramètres sont ajoutés un à un en choisissant

à chaque étape celui qui améliore le plus les performances. Au premier pas, l’algorithme

débute dans un espace à une dimension et calcule la performance en considérant les

paramètres un à un. Le paramètre retenu est celui pour lequel la performance est

maximale. Ensuite, l’algorithme travaille dans un espace en deux dimensions et cherche

le paramètre qui, couplé avec celui de l’étape précédente, maximise la performance du

système. La même opération se répète jusqu’à l’obtention d’un classement des p

paramètres par ordre de pouvoir discriminant. La combinaison de paramètres qui donne

la meilleure performance est enfin choisie.

Il faut remarquer que la solution de cette méthode n’est pas optimale, puisque

chaque étape ne remet pas en cause le choix des paramètres déjà introduits. La sélection

du sous-ensemble optimal nécessiterait une recherche exhaustive. Cette méthode ne

nécessite que le nombre d’évaluations décrit par la relation 5.2.

( )2

1 sévaluationd' Nombre += nn (5.2)

60

Dans le cas de 46 paramètres en entrées, 1081 évaluations doivent être réalisées.

Cette méthode a l’avantage d’être assez rapide et est souvent utilisée comme algorithme

de présélection des paramètres. Ainsi, elle est utilisée par divers chercheurs [Kudo et coll.

2000] [Jain et coll. 2000] dans plusieurs domaines d’application.

5.3 Analyse discriminante pas à pas

L’analyse discriminante pas à pas est encore plus simple que la recherche

progressive séquentielle. Elle fait aussi partie des méthodes heuristiques. L’algorithme

évalue d’abord la performance de chacun des paramètres dans un espace à une dimension

en considérant les paramètres un à un. Les paramètres sont ensuite ajoutés

successivement un à un, en les choisissant dans l’ordre de performance dans un espace à

une dimension. Donc, au premier pas l’algorithme sélectionne le paramètre qui avait eu la

meilleure performance lorsque utilisé seul. Au deuxième pas le paramètre classé en

deuxième, soit le deuxième meilleur paramètre, est couplé avec le précédent et la

performance de ce nouveau couple est évaluée. La même opération est répétée jusqu’à

l’obtention d’un classement des p jeux de paramètres par ordre de pouvoir discriminant.

Le jeu de paramètres offrant la meilleure performance est choisi.

Cet algorithme n’est pas plus optimal que l’algorithme de recherche progressive

séquentielle. Le nombre d’évaluation nécessaire est donné par la relation 5.3.

Nombre d’évaluations = 2n - 1 (5.3)

Cette méthode nécessite encore moins d’évaluations que la méthode de recherche

progressive séquentielle. Dans le cas de 46 paramètres en entrées 92 évaluations doivent

être effectuées. Cette méthode a l’avantage d’être très simple. Elle est utilisée par

Castignolles [Castignolles, 1995] dans son étude de la reconnaissance des espèces de

poisson.

61

5.4 Algorithme génétique

L’optimisation par algorithme génétique est appliquée à de nombreux problèmes

d’optimisation [Goldberg, 1989] [Cadieux et coll. 1997]. Elle a été mise au point dans les

années 70 par l’équipe de John Holland à l’Université du Michigan. Après être demeurée

mal connue pendant des années, l’intérêt pour cette méthode s’est accru récemment.

L’avantage de cette méthode d’optimisation est qu’elle trouve une solution qui

s’approche de la solution optimale, et ce même pour des problèmes fortement non-

linéaires [Goldberg, 1989]. Cet algorithme donne de bonnes performances même lorsque

le nombre de dimensions est très élevé. De nombreuses variations quant aux opérateurs et

à l’encodage utilisé existent dans la littérature, mais il n’est question ici que de

l’algorithme génétique simple. Cette version de base est celle la plus souvent utilisée

[Goldberg, 1989]. Les algorithmes génétiques sont utilisés pour la sélection des

paramètres par plusieurs chercheurs [Loonis 1996] [Loonis et coll. 1996b] [Fukumi et

coll. 1996] [Sherrah et coll. 1996].

Les algorithmes génétiques s’inspirent de la sélection naturelle tel que proposé par

Darwin [Darwin 1859] au 19ième siècle. C’est le phénomène de la sélection naturelle qui

permet à la nature « créer » avec succès des organismes adaptés à leur environnement.

Les organismes qui sont le moins adaptés disparaissent peu à peu tandis que ceux qui

survivent et qui sont mieux adaptés peuvent se reproduire. Les descendants sont

semblables à leurs parents, mais pas identiques. Ils retiennent une partie de « la clé du

succès » de leurs parents. Lorsque l’environnement change lentement, les espèces

s’adaptent graduellement et en défavorisant les traits avantageux et défavorisant les traits

désavantageux. Les mécanismes qui gèrent la recherche d’un optimum dans un

algorithme génétique s’inspirent de ce phénomène.

Des opérateurs génétiques servent à faire évoluer artificiellement un ensemble de

vecteurs. Par analogie, l’ensemble des vecteurs est qualifié de population et les vecteurs

sont qualifiés d’individus. Dans les algorithmes génétiques simples, trois opérateurs sont

utilisés : la reproduction, la mutation et le croisement. Les opérateurs modifient de façon

successive la population, ce qui permet d’explorer l’espace de recherche afin de trouver

62

un optimum. Une fonction d’évaluation sert à évaluer l’adaptation des individus. Cette

fonction évalue l’adéquation de l’individu à la solution recherchée. Plus la valeur

qu’évalue la fonction d’évaluation est élevée, plus cet individu est adapté. Chaque

application des trois opérateurs sur une population se nomme une génération ou une

itération. Les étapes détaillées de traitement d’un algorithme génétique sont :

• Reproduction. La reproduction est un mécanisme selon lequel les individus

d’une population sont copiés dans la population de la génération suivante

selon la fonction d’évaluation. Plus la valeur obtenue par la fonction

d’évaluation est grande, plus la probabilité d’être copiée dans la prochaine

population est élevée. La sélection étant aléatoire, les meilleurs ont tendance à

être copiés plusieurs fois dans la prochaine population proportionnellement à

l’importance de la valeur de la fonction d’évaluation des parents dans la

population. Ceux qui sont moins adaptés sont, quant à eux, probablement

abandonnés et non présents dans la population suivante. Cette phase a pour

but d’accroître l’importance des bonnes solutions par rapport aux mauvaises.

Elle tend à augmenter l’uniformité de la population.

63

•

•

•

•

•

•

Croisement. Cet opérateur permet de mélanger les caractéristiques de deux

individus dans la recherche de nouvelles solutions. Le principe consiste à

utiliser l’information contenue dans deux solutions afin d’en produire deux

nouvelles. Des couples sont créés en sélectionnant deux individus de façon

aléatoire. Ensuite, les caractéristiques des individus sont mélangées de façon

aléatoire. Ce type de croisement se nomme le croisement uniforme.

Mutation. La mutation consiste à modifier aléatoirement un individu. La

probabilité que cette modification ait lieu est en réalité très faible. Cet

opérateur permet de changer la direction de l’exploration et ainsi s’extraire

d’un éventuel optimum local.

Fonction d’évaluation. Cette fonction évalue l’adéquation de l’individu à la

solution recherchée. Plus la valeur qu’évalue la fonction d’évaluation est

élevée, plus cet individu est adapté.

Les individus de la population initiale sont initialisés de façon aléatoire.

L’algorithme s’arrête lorsqu’il y a convergence ou après un nombre fixe d’itérations (ou

générations). Dans notre cas, nous avons fait le choix d’arrêter l’algorithme après un

nombre fixe d’itérations. Les paramètres à ajuster pour les algorithmes génétiques

simples sont :

Nombre maximal de générations : spécifie le nombre d’itérations qui

seront effectuées.

Nombre d’individus formant une population : représente en quelque sorte

la mémoire de l’algorithme : plus il est grand, plus l’algorithme a tendance

à garder de bonnes parties de solutions. Cependant, plus la population

contient d’individus, plus il y a d’évaluations.

Probabilité de croisements : spécifie le taux avec lequel les deux individus

parents sont mélangés lors du croisement.

64

• Probabilité de mutations : contrôle la variation aléatoire des individus et

dicte donc l’exploration de l’espace de recherche.

Dans le cas de la sélection de paramètres optimaux en reconnaissance de formes à

l’aide d’algorithmes génétiques, la fonction d’évaluation utilisée est le taux de

reconnaissance du système. Les individus sont composés d’un vecteur de valeurs

booléennes. Il y a une valeur booléenne par paramètre du jeu de paramètre initial. Chaque

valeur booléenne détermine l’inclusion ou la non inclusion du paramètre. Dans la

littérature, une population d’au moins deux fois le nombre de paramètres [Jain et coll.

2000] est recommandée.

Le nombre d’évaluations requises pour une recherche par algorithme génétique

correspond au produit du nombre de générations maximal avec le nombre d’individus tel

qu’exprimées par la relation 5.4.

Nbr. évaluations = Nbr. générations max. x Nbr. individus population (5.4)

65

6. RÉSULTATS D’EXPÉRIMENTATION

Ce chapitre décrit la mise en œuvre expérimentale et les performances des

méthodes de reconnaissance et de comptage du système construit selon les

caractéristiques présentées aux chapitres 3 et 4. Tout d’abord, la section 6.1 présente la

façon dont la base de connaissances a été assemblée. La section 6.2 décrit les espèces de

poissons utilisées. La section 6.3 traite de la topologie des classifieurs utilisés. La section

6.4 met en évidence les performances individuelles et combinées des classificateurs pour

divers jeux de paramètres de reconnaissance. Ces résultats permettent d’évaluer la

performance des différents types de paramètres utilisés pour la caractérisation des

silhouettes de poissons. La section 6.5 décrit l’effort de réduction et d’optimisation qui a

été fait sur le jeu de paramètres d’entrées. Une nouvelle évaluation de la performance du

système pour un jeu de paramètres optimisé est présentée à la section 6.6. La section 6.7

traite de la façon dont la base de connaissances des silhouettes de débris a été élaborée et

présente les résultats expérimentaux de l’algorithme de rejet. Finalement, la section 6.8

discute de l’impact de l’ajout d’espèces à l’algorithme de reconnaissance.

6.1 Essais au barrage de Rivière-des-Prairies

Tel qu’expliqué au chapitre 4, les algorithmes de reconnaissance de formes

nécessitent des connaissances a priori des espèces de poissons à reconnaître. Cette

connaissance prend la forme d’une base de données contenant des silhouettes de poissons

des espèces d’intérêt. Cette dernière doit autant que possible être élaborée à partir

d’images de poissons acquises dans des conditions proches des conditions de

fonctionnement du système, c’est-à-dire dans une passe à poissons et directement avec le

capteur de silhouettes.

66

Nos données ont été prises au cours d’essais qui ont eu lieu au barrage d’Hydro-

Québec de Rivière-des-Prairies. Ce barrage est construit sur la rivière des Prairies, entre

l’île de Montréal et l’île Jésus. Le barrage est doté d’une passe à poissons depuis

quelques années. Cette passe fut choisie pour la diversité de la faune aquatique de la

rivière des Prairies, sa proximité de l’IREQ et la facilité d’accès au site. Les essais ont eu

lieu entre le 18 et le 21 octobre 1999.

Le processus pour la prise de données était fort simple. La passe a été aménagée

afin de permettre l’expérimentation. La figure 6.1 présente l’aménagement initial de la

passe. L’entrée et la sortie du premier bassin de la passe ont été grillagées, créant ainsi

une cage. Nous avons ensuite installé le capteur de silhouettes au milieu de ce bassin. En

lâchant des spécimens vivants dans la passe, une seule espèce à la fois, nous étions sûrs

de l’espèce des silhouettes saisies par le capteur.

grillage

séparateur de la passe

vitre d'observation

courant

capteurs linéaires

unité de contrôle

Figure 6.1 Aménagement de la passe pour la prise de données

La firme Environnement Illimité avait le contrat de capturer des spécimens vivants

pour cette expérience. Les poissons ont été capturés par pêche électrique. Cette méthode

a l’avantage de peu blesser les poissons lors de leur capture. Étant donné l’efficacité de la

pêche électrique, elle n’est généralement utilisée que pour des fins scientifiques.

Brièvement, la pêche électrique fonctionne en envoyant une forte tension électrique dans

67

l’eau, ce qui paralyse les poissons qui sont à proximité des électrodes. Les poissons

paralysés par l’électricité remontent à la surface et sont capturés à l’aide d’épuisettes. La

figure 6.2 montre cette procédure. Un bateau équipé d’une génératrice est utilisé. Le

bateau montré à la figure 6.3, lui-même en aluminium, fait office de cathode et deux

perches font office d’anode.

Figure 6.2 Pêche électrique

Figure 6.3 Chaloupe équipée pour la pêche électrique

Pour toute la durée des tests, les poissons vivants ont été gardés dans deux bassins

aménagés sur le barrage juste à côté de la passe à poissons (tel que montré à la figure

6.4). Les bassins faisaient environ 1,5m de diamètre. Afin de ne pas perdre de spécimens,

68

les poissons prédateurs ont été séparés des autres poissons. L’eau de la rivière était

pompée aux bassins afin de les alimenter en eau oxygénée, ce qui a permis de garder

vivants les poissons plusieurs jours après leur capture.

Figure 6.4 Installation sur la passe

La saisie de données ayant eu lieu tardivement à l’automne, l’eau était froide.

Après avoir mis plusieurs poissons dans notre aménagement de la passe à poissons, il

était évident que ces derniers ne voulaient pas « coopérer » aux essais. Selon les

biologistes, le niveau d’activité des poissons varie avec la température de l’eau : plus

l’eau est froide moins ils sont actifs. Nous avons donc dû changer nos plans. La solution

choisie fut de faire les essais dans un troisième bassin, soit celui montré à la figure 6.5

avec le capteur installé dans cet environnement. Ce nouvel aménagement est présenté à la

figure 6.6.

69

Figure 6.5 Le capteur de silhouettes installé dans un des bassins

capteurs linéaires

pompe

bassin de tests bassin des poissons

eau de la rivièreunité de contrôle

entrée d'eauentrée d'eau

sortie d'eau

vers la rivière

Figure 6.6 Installation des bassins de tests sur la passe à poissons

Les essais ont été faits de la façon suivante : les poissons appartenant à une espèce

étaient d’abord mis dans le bassin de tests. Ensuite, nous agitions les poissons à l’aide

d’une perche pour les forcer à passer dans le capteur de silhouettes. Cette étape durait

environ une heure. Enfin, les poissons étaient remis dans la rivière et nous passions à

l’espèce suivante.

6.2 Ensemble d’entraînement et de tests

Étant donnée la date tardive des essais, les espèces capturées ne sont pas

nécessairement des espèces migratrices. Par exemple, cinq spécimens de poissons-castors

(Amia calva) ont été capturés, même si cette espèce est rarement rencontrée dans la

70

passe. Les espèces capturées servent donc à valider les principes développés et ne sont

pas nécessairement les mêmes espèces que les utilisateurs potentiels du système

voudraient reconnaître. Le tableau 6.1 présente le nombre de poissons et les espèces

capturées.

Tableau 6.1 Liste des poissons capturés

Espèces Nom latin Nombre de spécimens

Achigan à petite bouche Micropterus dolomieui 4 Chevalier blanc Moxostoma anisurum 13 Chevalier rouge Moxostoma macrolepidotum 7 Doré jaune Stizostedion vitreum 10 Doré noir Stizostedion canadense 1 Grand brochet Esox lucius 3 Maskinongé Esox masquinongy 2 Perchaude Perca flavescens 5 Poisson-castor Amia calva 5

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

Figure 6.11 Doré jaune (Stizostedion vitreum)

73

Figure 6.12 Silhouette d’un doré jaune

Figure 6.13 Chevalier rouge (Moxostoma macrolepidotum)

Figure 6.14 Silhouette d’un chevalier rouge

74

Figure 6.15 Poisson-castor (Amia Calva)

Figure 6.16 Silhouette d’un poisson-castor

Les silhouettes acquises avec le capteur de silhouettes ont été ensuite triées

manuellement. Elles ont été choisies de telle manière que les poissons soient

reconnaissables « à l’œil » et en enlevant les silhouettes corrompues par autre chose que

des poissons (par la présence de la perche par exemple). Le nombre de silhouettes ainsi

sélectionnées est présenté au tableau 6.3.

Tableau 6.3 Nombre de silhouettes

Espèce Nombre de silhouettes Achigans 208 Brochets 182 Chevaliers 354 Dorés 350 Poisson-castors 106

La base de connaissances a ensuite été séparée en deux parties : l’ensemble

d’entraînement et l’ensemble de test. L’ensemble d’entraînement est constitué de 60

75

silhouettes de chaque espèce et l’ensemble de test est constitué du reste des silhouettes.

La division des ensembles a été faite de façon aléatoire.

6.3 Topologie des classificateurs

Tout au cours des expérimentations, les classificateurs ont été créés en utilisant

l’ensemble des silhouettes d’entraînement. Après plusieurs évaluations préliminaires et

de brèves optimisations manuelles, une configuration qui donne de bons résultats pour

chaque type de classificateurs a été choisie. Cependant, il est possible qu’une recherche

plus approfondie des configurations optimales des classificateurs aurait pu avoir

légèrement améliorer les résultats de classification. Dans ce projet, c’est la structure du

système de classification qui est le point d’intérêt plutôt que le raffinement de chacun de

ses composants.

Voici la configuration des trois classificateurs :

•

•

•

Le classificateur par estimation du maximum de vraisemblance est entraîné en

calculant le vecteur de moyennes et la matrice de covariances pour chaque

espèce. La règle de discrimination utilisée est la règle quadratique.

Le classificateur par LVQ utilise sept vecteurs par espèce dans le livre de

codes. L’entraînement est fait sur 750 époques avec un taux d’apprentissage

de 0,04.

Le réseau de neurones utilise la configuration OCON décrite à la section 4.4.3.

Chaque réseau est composé d’une couche cachée de sept neurones. Chacun est

entraîné à reconnaître une espèce de poisson. Les entraînements se font sur

400 époques, avec un taux d’apprentissage initial de 0,1, un taux

d’augmentation de 0,2 et un taux de réduction de 0,3. Le seuil d’erreur est de

1,02. L’entraînement est en mode séquentiel [Haykin, 1999] et n’utilise pas de

momentum.

76

6.4 Performances par groupements de paramètres

Les premiers tests effectués permirent d’abord d’évaluer la performance

préliminaire des divers groupements de paramètres utilisés pour représenter les

silhouettes. Les paramètres présentés à la section 4.2 ont été divisés en sept groupes :

I. 6 moments de Hu;

II. 2 premiers moments de Hu;

III. 8 descripteurs de forme;

IV. 32 coefficients de Fourier;

V. 32 coefficients de hauteur;

VI. 2 premiers moments de Hu et les 8 descripteurs de forme (II+III);

VII. 6 moments de Hu, les 8 descripteurs de forme et les 32 coefficients de

hauteur (I+III+V).

Les cinq premiers groupes sont composés de paramètres d’un seul type. Les deux

derniers groupes sont des combinaisons des cinq premiers. Le groupe VI représente à peu

près les paramètres utilisés par Castignolles dans son étude [Castignolles, 1995]. Seuls

dix des treize paramètres pouvaient être reproduits à partir des silhouettes obtenues par

notre capteur de silhouettes. Le groupe VII est l’association des jeux de paramètres les

plus performants parmi ceux étudiés.

Des classificateurs furent entraînés avec chacun des groupes de paramètres

présentés. Les cinq espèces de l’ensemble d’entraînement ont été utilisées. Étant donné la

nature aléatoire de l’initialisation des classificateurs LVQ et OCON, les performances des

classificateurs entraînés varient un peu d’un entraînement à l’autre. Pour cette raison, la

performance moyenne sur cinq entraînements est présentée. Les résultats sur l’ensemble

d’entraînement sont présentés dans le tableau 6.4 et ceux sur l’ensemble de test sont

présentés dans le tableau 6.5. La colonne « devin » indique le cas où au moins un des

trois algorithmes utilisés a su trouver la bonne espèce après un entraînement sur les cinq

espèces. Cette valeur représente en quelque sorte le plafond que peut atteindre la fusion

des décisions des trois algorithmes.

77

Tableau 6.4 Performance sur l’ensemble d’entraînement

Paramètres MV LVQ RNA Combi. DevinI 29% 33% 38% 35% 52% II 27% 33% 37% 32% 57% III 52% 70% 67% 69% 87% IV 22% 44% 67% 36% 74% V 87% 75% 88% 88% 99% VI 54% 69% 67% 66% 88% VII 97% 80% 90% 92% 98%

Tableau 6.5 Performance sur l’ensemble de test

Paramètres MV LVQ RNA Combi. DevinI 28% 29% 32% 29% 52% II 27% 30% 32% 28% 43% III 49% 56% 58% 56% 74% IV 21% 31% 39% 21% 50% V 44% 60% 64% 58% 73% VI 47% 57% 58% 56% 74% VII 55% 63% 67% 61% 78%

Si nous examinons les performances en fonction des paramètres, il est possible de

remarquer que les moments invariants de Hu pris seuls, c’est-à-dire les groupes I et II, ne

donnent pas de bons résultats. Cette mauvaise performance peut être attribuée au fait que

tous les poissons ont la même forme générale et ne diffèrent que dans les détails. Les

moments invariants de Hu semblent mal adaptés aux différences qui ne sont que dans les

détails d’une silhouette. Les taux de reconnaissance pour les moments de Hu sont

d’environ 29%, soit près de 20% qui est la limite extrême de classification pour cinq

classes. En effet, en choisissant de façon totalement aléatoire la classe d’une silhouette, le

taux de classification serait donné par la relation 6.1 :

Taux = 1 / nombre d’interprétations possibles (6.1)

Le meilleur des quatre types de paramètres utilisés parmi les groupements I à V

est la série de hauteurs (groupe V), suivi des huit descripteurs de formes (groupe III),

avec 58% et 56% de reconnaissance respectivement. Il est intéressant de noter que ces

deux types de paramètres sont basés directement sur la forme sans passer par des

78

transformations comme les moments et les coefficients de Fourier. Il est surprenant que le

bruit et les déformations dus à l’inclinaison des poissons ne semblent pas trop être

nuisibles à la reconnaissance.

Le meilleur résultat de tous les classificateurs est obtenu en utilisant le groupe

VII, qui inclut le plus grand nombre et la plus grande variété de paramètres. Cela prouve

que chaque type de paramètres apporte sa contribution à la différentiation des espèces.

Les pires résultats ont été pour les coefficients de Fourier. Ces derniers ne semblent pas

permettre de bien caractériser la forme des poissons. Une explication de cette piètre

performance pourrait être qu’étant donné la forme allongée des poissons, dans le profil

radial, seule une basse fréquence est fortement présente. Les plus hautes fréquences, où

se trouvent l’information contenant les détails, sont masquées par la grandeur de ces

basses fréquences. Ce phénomène est illustré à la figure 6.17 et à la figure 6.18.

Figure 6.17 Profil radial d’un poisson dans le domaine spatial

Figure 6.18 Profil radial d’un poisson dans le domaine fréquentiel

79

En examinant les performances en fonction des classificateurs, nous constatons

que les réseaux de neurones artificiels donnent toujours de meilleurs résultats de

classification que les deux autres classificateurs. Ceci peut être attribué à la grande

adaptabilité des réseaux de neurones artificiels. Le manque de généralisation du

classificateur par maximum de vraisemblances est notable : il obtient de bons résultats

sur l’ensemble d’entraînement pour la plupart des groupes de paramètres, mais de

beaucoup moins bons sur l’ensemble de test. Une des raisons expliquant ces résultats

pourrait être le manque d’exemples dans l’ensemble d’entraînement (60 silhouettes par

espèces), ce qui pourrait ne pas permettre de construire une représentation gaussienne

valable des paramètres. La piètre représentativité des coefficients de Fourier fait que les

classificateurs peuvent à peine reconnaître mieux qu’une décision aléatoire. Enfin, le

classificateur LVQ donne des résultats de quelques points inférieurs aux réseaux de

neurones artificiels, mais il est tout de même robuste.

Il est important de noter que lors de ce test et contrairement à des tests présentés

plus loin, la fusion des décisions n’améliore pas la performance en classification. Elle a

tout de même une utilité. En regardant les matrices de confusion de chaque classificateur

et la matrice de la combinaison des décisions, nous remarquons comment les

classificateurs se complètent. Un exemple de matrices de confusion pour le groupe de

paramètres VII pour quatre espèces est présenté aux tableaux 6.6 à 6.9. En comparant les

matrices de confusion, nous constatons que les faiblesses d’un classificateur ne sont pas

les mêmes entre les espèces. Par exemple, le classificateur par RNA a de la difficulté à

bien reconnaître les dorés alors que le classificateur par maximum de vraisemblances a de

la difficulté à reconnaître les chevaliers. Ceci constitue un autre avantage de la

combinaison des décisions de plusieurs classificateurs sur celle d’un seul classificateur,

c’est-à-dire la robustesse des décisions finales.

80

Tableau 6.6 Matrice de confusion maximum de vraisemblances

Classification réelle Classification Brochet Chevalier Doré Poisson-castor

Brochet 81% 5% 8% 0% Chevalier 0% 34% 3% 0% Doré 2% 32% 76% 0% Poisson-castor 17% 29% 13% 100%

Tableau 6.7 Matrice de confusion pour LVQ

Classification réelle Classification Brochet Chevalier Doré Poisson-castor

Brochet 89% 7% 9% 0% Chevalier 3% 69% 11% 7% Doré 3% 15% 74% 2% Poisson-castor 4% 9% 6% 91%

Tableau 6.8 Matrice de confusion pour les réseaux de neurones artificiels

Classification réelle Classification Brochet Chevalier Doré Poisson-castor

Brochet 91% 6% 8% 0% Chevalier 2% 71% 23% 0% Doré 6% 17% 67% 0% Poisson-castor 2% 5% 2% 100%

Tableau 6.9 Matrice de confusion lorsque la décision des classificateurs est combinée

Classification réelle Classification Brochet Chevalier Doré Poisson-castor

Brochet 90% 3% 6% 0% Chevalier 0% 64% 7% 0% Doré 3% 17% 75% 0% Poisson-castor 2% 6% 2% 98%

6.5 Sélection du jeu de paramètres optimaux

Pour la plupart des classificateurs, plus le nombre de paramètres est élevé, plus

l’entraînement et la reconnaissance sont longs [Jain et coll. 2000]. De plus, la redondance

dans les paramètres peut réduire les performances du système. Les résultats de la section

précédente démontrent que les meilleurs résultats sont obtenus avec les paramètres du

groupe VII, c’est-à-dire avec tous les paramètres présentés, sauf les coefficients de

81

Fourier. Les coefficients de Fourier donnant de très mauvais résultats, ils ont donc été

abandonnés. Il reste alors, quarante-six paramètres. Nous avons alors cherché à réduire le

nombre de paramètres utilisé à l’aide des trois algorithmes présentée au chapitre 5. : une

recherche séquentielle progressive, une analyse discriminante pas à pas et un algorithme

génétique.

6.5.1 Recherche progressive séquentielle

Pour chaque jeu de paramètres évalués, les classificateurs ont été entraînés deux

fois et la performance finale est la moyenne des deux. L’ensemble de départ étant

composé de 46 paramètres, un total de 2162 entraînements ont été effectués.

L’optimisation a nécessité environ 145 heures sur un Pentium 233MHz. La performance

pour chaque paramètre ajouté est présentée à la figure 6.19.

35%

40%

45%

50%

55%

60%

65%

70%

75%

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46

Nombre de paramètres

Tau

x de

rec

onna

issa

nce

Figure 6.19 Performance de la recherche séquentielle progressive

Le meilleur résultat est de 70% pour le cas où il y a 18 paramètres. C’est une

amélioration d’environ 9% par rapport à l’ensemble des paramètres de départ. Ces

paramètres sont résumés au tableau 6.10 .

82

Tableau 6.10 Paramètres sélectionnés par la recherche progressive séquentielle

# Nom des paramètres # Nom des paramètres 1 25ième hauteur 10 1er moment de Hu 2 13ième hauteur 11 15ième hauteur 3 29ième hauteur 12 24ième hauteur 4 23ième hauteur 13 Rapport longueur sur hauteur 5 14ième hauteur 14 2ième moment de Hu 6 Longueur 15 12ième hauteur 7 19ième hauteur 16 27ième hauteur 8 7ième hauteur 17 11ième hauteur 9 18ième hauteur 18 Compacité

Il est intéressant de noter que la plupart des paramètres sélectionnés font partie

des séries de hauteurs. Sur les dix-sept paramètres, douze (soit 70%) en font partie.

Moins de la moitié des paramètres sont sélectionnés, ce qui prouve que beaucoup d’entre

eux sont redondants ou n’apportent que peu d’informations.

6.5.2 Analyse discriminante pas à pas

Pour chaque jeu de paramètres évalué, les classificateurs ont été entraînés deux

fois et la performance finale est la moyenne des deux. Cette méthode d’optimisation étant

très grossière, elle nécessite que 92 entraînements pour 46 paramètres. L’optimisation a

demandé environ 7 heures sur un Pentium 233MHz. La performance pour chaque jeu de

paramètres créé par l’algorithme est présentée à la figure 6.20.

83

35.00%

40.00%

45.00%

50.00%

55.00%

60.00%

65.00%

1 5 9 13 17 21 25 29 33 37 41 45

Nombre de paramètres

Tau

x de

rec

onna

issa

nce

Figure 6.20 Performance de l’analyse discriminante pas à pas

Le meilleur résultat est de 63% pour le cas où il y a 33 paramètres. Dans ce cas,

une amélioration d’environ 2% par rapport à l’ensemble des paramètres est observé. Ces

paramètres sont résumés au tableau 6.11.

Tableau 6.11 Paramètres sélectionnés par l’analyse discriminante pas à pas

# Nom des paramètres # Nom des paramètres 1 25ième hauteur 18 28ième hauteur 2 24ième hauteur 19 14ième hauteur 3 31ième hauteur 20 1ième hauteur 4 5ième hauteur 21 29ième hauteur 5 7ième hauteur 22 30ième hauteur 6 6ième hauteur 23 23ième hauteur 7 2ième hauteur 24 27ième hauteur 8 26ième hauteur 25 Taux de concavité 9 9ième hauteur 26 13ième hauteur 10 8ième hauteur 27 16ième hauteur 11 3ième hauteur 28 15ième hauteur 12 17ième hauteur 29 22ième hauteur 13 4ième hauteur 30 Surface 14 11ième hauteur 31 21ième hauteur 15 10ième hauteur 32 20ième hauteur 16 Longueur 33 3ième moment de Hu 17 Hauteur

Encore une fois, la plupart des paramètres sélectionnés (28 sur 33 soit 85% des

paramètres) font parties des séries de hauteurs. De plus, 60% des paramètres choisis par

84

la recherche progressive séquentielle ont aussi été choisis par l’analyse discriminante pas

à pas. En comparant avec la recherche progressive séquentielle nous constatons que

l’analyse discriminante pas à pas a éliminé peu de paramètres de l’ensemble de départ.

6.5.3 Algorithme génétique

Un algorithme génétique simple a été utilisé pour optimiser le jeu de paramètres

d’entrées au système. Les opérateurs utilisés sont la reproduction, la mutation et le

croisement. Les taux de croisement et de mutation ont été fixés à 0,08 et 0,05

respectivement. La population a été arbitrairement fixée à 50 et le nombre de générations

à 20. Chaque jeu de paramètres est entraîné deux fois et la performance finale est la

moyenne des deux performances. Ceci fait un total de 2000 entraînements.

L’optimisation a nécessité environ 275 heures (environ deux semaines) sur un Pentium

233 MHz.

La performance des jeux de paramètres créés par l’algorithme est présentée à la

figure 6.21. Dans cette figure, le jeu de paramètres choisis par l’algorithme génétique

ayant obtenu la meilleure performance est présenté. Ce graphe permet de démontrer que

l’algorithme tendait lentement vers un meilleur jeu de paramètres.

0.00%

10.00%

20.00%

30.00%

40.00%

50.00%

60.00%

70.00%

80.00%

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Nombre de générations

Taux

de

reco

nnai

ssan

ce

MoyenneMaximumMinimum

Figure 6.21 Performance de l’algorithme génétique

85

Le meilleur résultat est de 68% pour le cas où il y a 25 paramètres. L’algorithme

génétique trouve un sous-ensemble de paramètres qui améliore de 6% le taux de

reconnaissance par rapport à l’ensemble de départ. Ces paramètres sont résumés au

tableau 6.12.

Tableau 6.12 Paramètres sélectionnés par l’algorithme génétique

# Nom des paramètres # Nom des paramètres 1 25ième hauteur 18 28ième hauteur 2 24ième hauteur 19 14ième hauteur 3 31ième hauteur 20 1ième hauteur 4 5ième hauteur 21 29ième hauteur 5 7ième hauteur 22 30ième hauteur 6 6ième hauteur 23 23ième hauteur 7 2ième hauteur 24 27ième hauteur 8 26ième hauteur 25 Taux de concavité 9 9ième hauteur 26 13ième hauteur 10 8ième hauteur 27 16ième hauteur 11 3ième hauteur 28 15ième hauteur 12 17ième hauteur 29 22ième hauteur 13 4ième hauteur 30 Surface 14 11ième hauteur 31 21ième hauteur 15 10ième hauteur 32 20ième hauteur 16 Longueur 33 3ième moment de Hu 17 Hauteur

La majorité des paramètres sélectionnés (28 sur 33, soit 85% des paramètres) font

partie des séries de hauteurs. Selon [Jain et coll. 2000] l’algorithme génétique devrait

donner de meilleurs résultats que la recherche séquentielle progressive pour des

problèmes avec beaucoup de paramètres. La pratique recommande une population d’au

moins deux fois le nombre de paramètres [Jain et coll. 2000]. Dans notre cas, ceci aurait

nécessité une population d’au moins 92, donc un temps d’évaluation d’autour de deux

semaines sur l’ordinateur disponible. Ce délai a été considéré beaucoup trop long. De

plus, la longueur de l’évaluation des algorithmes génétiques a empêché la possibilité de

faire plusieurs essais d’optimisation.

86

6.5.4 Choix du meilleur jeu de paramètres

L’automatisation de la sélection des paramètres a permis de choisir les paramètres

qui donnent les meilleures performances. Les performances sont améliorées par rapport à

l’utilisation de tous les paramètres. Selon les résultats présentés dans cette section, le

meilleur choix de paramètres est le groupe de dix-huit trouvé par la méthode de recherche

séquentielle progressive. Cet ensemble a été choisi à cause de son haut taux de

reconnaissance et du petit nombre de paramètres faisant partie de l’ensemble.

6.6 Performance des classificateurs avec un jeu de paramètres optimisé

Dans cette section, nous présentons une étude plus approfondie des performances

de reconnaissance des algorithmes selon le nombre d’espèces utilisées avec ces

paramètres pour effectuer la classification. Chacun des résultats de performance présentés

ici sont la moyenne des résultats de cinq entraînements. Nous présentons dans cette

section des résultats d’entraînement lorsque seulement deux, trois, quatre ou cinq espèces

sont entraînées, afin d’évaluer la performance d’un classificateur en fonction du nombre

d’espèces.

Les résultats de reconnaissance lorsqu’il y a deux espèces sont présentés aux

tableaux 6.13 et 6.14.

Tableau 6.13 Performances pour deux espèces sur l’ensemble d’entraînement

Espèces MV LVQ RNA Combi. Achigans+Brochets 100% 97% 99% 100% Achigans+Chevaliers 63% 69% 70% 73% Achigans+Dorés 93% 86% 94% 94% Achigans+Poissons-castors 97% 98% 100% 100% Brochets+Chevaliers 97% 95% 97% 97% Brochets+Dorés 97% 94% 95% 97% Brochets+Poissons-castors 99% 96% 87% 99% Chevaliers+Dorés 88% 90% 95% 95% Chevaliers+Poissons-castors 89% 96% 99% 99% Dorés+Poisson-castor 99% 97% 100% 100%

Moyenne : 92% 92% 94% 95%

87

Tableau 6.14 Performances pour deux espèces sur l’ensemble de test

Espèces MV LVQ RNA Combi. Achigans+Brochets 96% 92% 93% 96% Achigans+Chevaliers 50% 49% 52% 52% Achigans+Dorés 84% 80% 83% 86% Achigans+Poissons-castors 92% 96% 95% 97% Brochets+Chevaliers 94% 93% 93% 95% Brochets+Dorés 92% 90% 90% 93% Brochets+Poissons-castors 97% 98% 87% 98% Chevaliers+Dorés 74% 82% 84% 84% Chevaliers+Poissons-castors 79% 93% 95% 95% Dorés+Poissons-castors 93% 94% 97% 97%

Moyenne : 85% 87% 87% 89%

La performance sur l’ensemble de test est de 89%. Il est à remarquer que la fusion

des décisions des trois classificateurs augmente de 3% les performances comparativement

aux performances individuelles. La raison pour laquelle cet effet ne pouvait être observé

lors des essais de la section 6.4 est sûrement parce qu’il semble que pour qu’il y ait une

augmentation du taux de reconnaissance, il faut que les trois classificateurs aient des

performances semblables. C’est le cas ici pour presque tous les couples d’espèces.

Une autre chose qui peut être remarquée est que le couple « Achigans -

Chevaliers » donne une performance bien en deçà de celle des autres couples. Il semble

que tous les classificateurs aient de la difficulté à les différencier.

Les résultats de reconnaissance lorsqu’il y a trois espèces sont présentés aux

tableaux 6.15 et 6.16.

88

Tableau 6.15 Performances pour trois espèces sur l’ensemble d’entraînement

Espèces MV LVQ RNA Combi. Achigans+Brochets+Chevaliers 75% 77% 77% 79% Achigans+Brochets+Dorés 93% 87% 92% 94% Achigans+Brochets+Poissons-castors 97% 95% 99% 99% Achigans+Chevaliers+Dorés 70% 72% 75% 77% Achigans+Chevaliers+Poissons-castors 73% 79% 78% 80% Achigans+Dorés+Poissons-castors 93% 89% 95% 96% Brochets+Chevaliers+Dorés 88% 86% 89% 91% Brochets+Chevaliers+Poissons-castors 92% 94% 97% 97% Brochets+Dorés+Poissons-castors 97% 93% 97% 98% Chevaliers+Dorés+Poissons-castors 86% 90% 95% 95%

Moyenne : 86% 86% 90% 91%

Tableau 6.16 Performances pour trois espèces sur l’ensemble de test

Espèces MV LVQ RNA Combi. Achigans+Brochets+Chevaliers 64% 62% 65% 65% Achigans+Brochets+Dorés 84% 79% 83% 85% Achigans+Brochets+Poissons-castors 92% 91% 93% 94% Achigans+Chevaliers+Dorés 56% 55% 57% 57% Achigans+Chevaliers+Poissons-castors 62% 63% 67% 66% Achigans+Dorés+Poissons-castors 83% 82% 86% 88% Brochets+Chevaliers+Dorés 76% 80% 84% 84% Brochets+Chevaliers+Poissons-castors 83% 91% 93% 93% Brochets+Dorés+Poissons-castors 90% 90% 93% 94% Chevaliers+Dorés+Poissons-castors 73% 81% 86% 85%

Moyenne : 76% 77% 81% 81%

La performance sur l’ensemble de test pour la reconnaissance lorsque trois

espèces sont utilisées est de 81%. Encore une fois, la fusion des décisions des trois

classificateurs augmente la reconnaissance. De plus, dans la plupart des cas, tous les

groupements contenant le couple « achigans-chevaliers » donnent une moins bonne

performance que les autres groupes.

Les performances de reconnaissance pour quatre espèces sont présentées aux

tableaux 6.17 et 6.18.

89

Tableau 6.17 Performances pour quatre espèces sur l’ensemble d’entraînement

Espèces MV LVQ RNA Combi. Achigans+Brochets+Chevaliers+Dorés 75% 75% 77% 79% Achigans+Brochets+Chevaliers+Poissons-castors 79% 80% 82% 83% Achigans+Brochet+Doré+Poisson-castor 93% 88% 93% 94% Achigans+Chevaliers+Dorés+Poissons-castors 76% 78% 82% 83% Brochets+Chevaliers+Dorés+Poissons-castors 88% 89% 93% 94%

Moyenne : 82% 82% 86% 87%

Tableau 6.18 Performances pour quatre espèces sur l’ensemble de test

Espèces MV LVQ RNA Combi. Achigans+Brochets+Chevaliers+Dorés 63% 60% 63% 64% Achigans+Brochets+Chevaliers+Poissons-castors 69% 70% 72% 71% Achigans+Brochets+Dorés+Poissons-castors 83% 82% 86% 87% Achigans+Chevaliers+Dorés+Poissons-castors 62% 63% 66% 66% Brochets+Chevaliers+Dorés+Poissons-castors 75% 81% 86% 86%

Moyenne : 71% 71% 75% 75%

La performance sur l’ensemble de test pour quatre espèces est d’environ 75%. Les

meilleurs résultats sont les deux cas où le couple « achigans-chevaliers » ne sont pas

présents dans les ensembles d’entraînement et de test en même temps.

Finalement, les résultats globaux de reconnaissance des cinq espèces sont

présentés au tableau 6.19. Dans le cas où l’ensemble de test comprend cinq espèces, le

taux de reconnaissance est de 70%. La tendance des performances de reconnaissance

avec l’ajout d’espèces est illustrée à la figure 6.22.

Tableau 6.19 Performances pour cinq espèces

Ensemble MV LVQ RNA Combi. Entraînement 79% 79% 83% 85% Test 67% 65% 69% 70%

90

75%81%70%

89%

0%

20%

40%

60%

80%

100%

2 3 4 5Nombre d'espèces

Taux

de

reco

nnai

ssan

ce

Figure 6.22 Performance selon le nombre d’espèces

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

1 Achigan 75% 79% 86% 82% 91% 2 Brochet 62% 62% 67% 64% 91% 3 Chevalier 83% 78% 87% 83% 91% 4 Doré 69% 69% 72% 70% 91% 5 Poisson-castor 63% 59% 64% 61% 91%

Moyenne : 71% 69% 75% 72% 91%

Remarquons que la performance moyenne des classificateurs n’a pas été affectée

par la désactivation d’une espèce, si elle est comparée au taux de reconnaissance pour

quatre espèces présenté au tableau 6.23, c’est-à-dire de 72%. De plus, le rejet des débris,

100

91%, est aussi équivalent à celui du test de rejet présenté au tableau 6.21. Ainsi, il est

possible d’affirmer que la désactivation d’une espèce affecte peu ou pas la performance

des autres classificateurs.

6.8.2 Cas a.ii : Désactivation d’une espèce avec présentation de l’espèce désactivée au système de classification

Ce deuxième test permet d’évaluer la performance du système lorsqu’une espèce

non activée est présentée au système. Ce serait le cas si une espèce dont l’opérateur ne

prévoyait pas la présence dans une rivière donnée est belle et bien présente.

Afin de prouver cette limite du système d’identification des espèces, nous avons

fait le test suivant : nous avons présenté à quatre classificateurs les silhouettes d’une

cinquième espèce. Les silhouettes de l’espèce désactivée seront sûrement identifiées

comme appartenant à une autre espèce parmi celles activées, probablement à l’espèce qui

lui ressemble le plus. Il faut rappeler que le bloc de rejet ne rejette que les silhouettes qui

n’ont rien de la silhouette d’un poisson, son rôle n’est pas de rejeter les poissons qui ne

sont pas d’une des espèces d’intérêt. Il est donc très important de choisir judicieusement

les espèces d’intérêt.

Le test consiste à présenter à quatre classificateurs (brochet, chevalier, doré et

poisson-castor), entraînés selon les conditions présentées au tableau 6.26, des silhouettes

d’une autre espèce, soit l’achigan. La première colonne, intitulée « Espèce activée »

spécifie quelles espèces ont été activées. 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 »). Le tableau

6.27 présente les résultats de classification des silhouettes d’achigan présentées au

système de classification.

101

Tableau 6.26 Entraînement pour la désactivation de l’achigan

Espèce activée Ent. positif Ent. Négatif Brochet B A-C-D-PC Chevalier C A-B-D-PC Doré D A-B-C-PC Poisson-castor PC A-B-C-D

A = Achigan, B = Brochet, C = Chevalier, D = Doré et PC = Poisson-castor.

Tableau 6.27 Classification des silhouettes d’achigan

Espèce reconnue % Brochet 1% Chevalier 77% Doré 13% Poisson-castor 3% Rejet 6%

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

Test Espèce ajoutée MV LVQ RNA Combi. Rejet 1 Achigan 67% 67% 69% 66% 91% 2 Brochet 67% 64% 67% 65% 91% 3 Chevalier 67% 63% 68% 64% 91% 4 Doré 67% 64% 69% 65% 91% 5 Poisson-castor 67% 65% 66% 64% 91%

Moyenne : 67% 65% 68% 65% 91%

104

En comparant avec les résultats de la section 6.7.2, nous constatons qu’il y a

diminution de la reconnaissance, tel que prévue, mais que cette diminution n’est que

d’environ 2%, soit 65% comparativement à 67%. Si un ensemble d’entraînement

contenant de nombreux exemples négatifs pour l’entraînement d’une espèce ajoutée est

utilisé, le taux de reconnaissance n’est presque pas diminué. Cette faible réduction des

performances est acceptable compte tenu que l’on n’a pas à entraîner de nouveau tous les

classificateurs à chaque ajout d’une nouvelle espèce. La diminution des performances

peut en pratique être limitée en choisissant un ensemble d’entraînement comprenant des

silhouettes d’espèces déjà présentes dans la banque d’espèces. Ce test prouve la

possibilité d’utiliser des classificateurs modulaires pour construire le système de

classification avec de bonnes performances.

6.8.4 Cas b.ii : Ajout d’une nouvelle espèce pas entraînée négativement avec les espèces existantes

Ce dernier test consiste à évaluer l’ajout d’une nouvelle espèce qui n’est pas

entraînée avec toutes les autres espèces existantes dans le système. Dans ce cas, ni la

nouvelle espèce ni les anciennes ne « connaissent » l’existence de l’autre. Ici, le risque de

confusion entre les espèces est maximal. Ce genre de test permet de bien situer les limites

de la modularité du système d’identification de l’espèce des poissons.

De nombreuses topologies de tests auraient pu être utilisées ici, mais nous nous

sommes contenté de tester un cas type. Supposons qu’en premier lieu on entraîne toutes

les espèces de la banque d’espèces par paire, c’est-à-dire avec des exemples négatifs

d’une seule autre espèce. Cette première étape nous permet d’obtenir 10 paires ou 20

classificateurs différents. Les classificateurs entraînés lors de la première étape sont

présentés au tableau 6.30. La deuxième colonne, intitulée « Espèce activée », spécifie de

quelles espèces chaque paire est composée. Le chiffre qui suit le nom de l’espèce permet

de différencier entre les différents classificateurs pour chaque espèce. Il y a donc quatre

classificateurs par espèce. 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

105

(troisième colonne intitulée « Ent. positif ») et quelles espèces il a été entraîné à ne pas

reconnaître (quatrième colonne intitulée « Ent. négatif »).

Tableau 6.30 Entraînement des classificateurs

Paire# Espèce activée Ent. positif

Ent. négatif

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

Paire # Classificateur Paire # Classificateur 1 Achigan – 1 19 Achigan – 3 Chevalier – 2 Brochet – 2 2 Achigan – 1 20 Achigan – 3 Chevalier – 3 Brochet – 3 3 Achigan – 1 21 Achigan – 3 Chevalier – 4 Brochet – 4 4 Achigan – 1 22 Achigan – 3 Doré – 2 Chevalier – 2 5 Achigan – 1 23 Achigan – 3 Doré – 3 Chevalier – 3 6 Achigan – 1 24 Achigan – 3 Doré – 4 Chevalier – 4 7 Achigan – 1 25 Achigan – 3 Poisson-Castor - 2 Poisson-Castor – 2 8 Achigan – 1 26 Achigan – 3 Poisson-Castor – 3 Poisson-Castor – 3 9 Achigan – 1 27 Achigan – 3 Poisson-Castor – 4 Poisson-Castor – 4

10 Achigan – 2 28 Achigan – 4 Brochet – 2 Brochet – 2

11 Achigan – 2 29 Achigan – 4 Brochet – 3 Brochet – 3

12 Achigan – 2 30 Achigan – 4 Brochet – 4 Brochet – 4

13 Achigan – 2 31 Achigan – 4 Doré – 2 Chevalier – 2

14 Achigan – 2 32 Achigan – 4 Doré – 3 Chevalier – 3

15 Achigan – 2 33 Achigan – 4 Doré – 4 Chevalier – 4

16 Achigan – 2 34 Achigan – 4 Poisson-Castor – 2 Doré – 2

17 Achigan – 2 35 Achigan – 4 Poisson-Castor – 3 Doré – 3

18 Achigan – 2 36 Achigan – 4 Poisson-Castor – 4 Doré – 4

A = Achigan, B = Brochet, C = Chevalier, D = Doré et PC = Poisson-castor.

107

Tableau 6.32 Performance d’ajout d’une nouvelle espèce pas entraînée négativement avec les espèces existantes

Espèce MV LVQ RNA Combi. Rejet Achigan 81% 76% 71% 75% 90% Brochet 95% 89% 84% 89% 94% Chevalier 81% 74% 72% 74% 93% Doré 94% 88% 85% 89% 93% Poisson-castor 98% 92% 89% 92% 94%

Moyenne : 90% 84% 80% 84% 93%

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.

117