Soutenance de thèse de Marwa KECHAOU Jeudi 24 novembre 2022 à 9h Amphi Tillion de l'INSA Rouen Normandie
Date :
Marwa KECHAOU soutient sa thèse le Jeudi 24 Novembre à 9h dans l'amphithéâtre Germaine Tillion du bâtiment Magellan de l'INSA de Rouen Normandie. Cette thèse cifre a été réalisée à l'Institut National des Sciences Appliquées de Rouen Normandie (LITIS) en collaboration avec Luxscan Technologies, et s'intitule :
"Apprentissage Automatique pour la Segmentation et la Classification des Défauts du Bois"
La soutenance aura lieu devant le jury composé de :
- Mme. Michèle SEBAG, Directrice de Recherche, CNRS, Président du jury
- Mme. Céline HUDELOT, Professeur, CentraleSupélec, MICS, Rapportrice
- M. Fabrice MÉRIAUDEAU, Professeur, Université de Bourgogne, ImViA, Rapporteur
- M. Julien RABIN, Maître de conférences, Université de Caen, GREYC, Examinateur
- M. Mokhtar ALAYA, Maître de conférences, Université de Technologie de Compiègne, LMAC, Examinateur
- M. Romain HÉRAULT, Maître de conférences, HDR, INSA de Rouen, Encadrant de thèse
- M. Gilles GASSO, Professeur, INSA de Rouen Normandie, LITIS, Directeur de thèse
La soutenance s'effectuera en mode hybride. Ceux qui souhaitent assister à la soutenance en distanciel sont donc invités à le faire via les identifiants Zoom suivants :
Join Zoom Meeting
https://zoom.us/j/92679855656
ID de réunion : 926 7985 5656
Résumé
Cette thèse cifre est réalisée en collaboration avec Luxscan Technologies, une entreprise leader dans la conception, le développement et l'installation de scanners industriels pour l'automatisation de l'industrie du bois. Les algorithmes dédiés à la détection et à la classification des défauts du bois pour aider à contrôler la qualité du bois impliquent un grand nombre de paramètres. Ils doivent être configurés par un technicien expert afin de garantir de bonnes performances, entraînant ainsi un long processus d'installation. Afin d'automatiser la configuration des scanners pour diverses conditions, nous avons recours aux techniques d'apprentissage profond appliquées à la vision par ordinateur. La base fournie par l’entreprise pour élaborer les architectures d'apprentissage profond est multimodale, met en évidence un déséquilibre extrême entre les défauts, dont certains sont très difficiles à décrire en raison de leur forme ou de leur interférence avec d'autres défauts.
Dans cette thèse, nous traitons deux tâches de vision par ordinateur : classification et segmentation sémantique pour résoudre le problème de détection et classification des défauts de bois et également les différents défis scientifiques et industrielles reliés. Le bois provient de plusieurs espèces présentant des caractéristiques différentes, à savoir la liste des défauts et leurs proportions. Pour assurer la généralisation du modèle, nous explorons l'adaptation de domaine basée sur le transport optimal pour le cas d’ensemble ouvert pour la tâche de classification. De même, nous étudions l'adaptation semi-supervisée au domaine, appliquée aux réseaux de segmentation sémantique, où nous supposons un accès partiel aux étiquettes du domaine cible. Nous revisitons les objectifs d'apprentissage des méthodes standard basées sur l'apprentissage antagoniste et proposons une nouvelle approche.