Avec cette technique, nous avons démontré empiriquement que les réseaux de neurones de type resnet sont capables d’effectuer l’identification d’essences d’arbres uniquement à partir d’images de
leur écorce, et ce, pour 20 espèces canadiennes. Sur notre jeu de données, les performances de notre méthode varient entre 93,88% (avec l’utilisation de plusieurs crops sur une seule image) à 97,81% (en utilisant toutes les images d’un arbre), ce qui est largement supérieur à une classification aléatoire qui obtiendrait environ 5%. Nous avons aussi remarqué que l’entraînement est beaucoup plus susceptible au nombre d’arbres dans le jeu de données qu’au nombre total d’images. Ce résultat permet de diriger les efforts futurs lors de la collecte de nouvelles données.
Cependant, plus de travaux sont nécessaires afin d’adapter spécifiquement l’architecture d’un réseau de neurones à cette tâche. En effet, les architectures de type resnet sont avant tout conçues pour la reconnaissance d’images et non de textures. Par conséquent, il serait intéressant d’explorer la créa- tion d’architectures spécifiquement développées pour faire de la classification de texture. D’un autre côté, il serait intéressant d’exploiter l’information du DBH qui a été récolté avec les images pour en faire une approche multi-tâches fonctionnelle, contrairement aux expériences menées à la section3.4. L’utilisation d’un type de classification à plusieurs échelles spatiales devrait aussi être étudiée dans un effort pour déterminer l’échelle optimale à laquelle faire la classification d’écorce.
Chapitre 4
Applications
Nous nous sommes intéressés à savoir si les techniques de classification d’images présentées au cha- pitre3pouvaient être employées sur d’autres applications similaires. Nous avons tout d’abord tenté le procédé sur un problème très proche, soit encore la classification d’essences d’arbres, mais cette fois dans un milieu industriel. Nous avons ensuite exploré un problème différent, mais qui présente des caractéristiques semblables, soit la classification visuelle des moisissures. Ce chapitre présente des expérimentations préliminaires sur ces deux problèmes, incluant les jeux de données collectés et les résultats de classification obtenus.
4.1
Classification d’essences d’arbres en industrie
Suite à la qualité des résultats de classification d’essences obtenus, la compagnie FPInnovations s’est intéressée à savoir s’il était possible d’appliquer cette méthode sur des données récoltées en usine. En particulier, parce que la reconnaissance automatique de l’essence ajoute la possibilité d’ajuster des processus industriels en fonction du type d’essence. Pour l’opération visée, soit l’écorçage, la force appliquée pour retirer l’écorce d’une bille de bois varie grandement en fonction de l’essence. Celle-ci doit être suffisamment élevée pour retirer toute l’écorce. En même temps, elle ne doit pas l’être trop afin de retirer le moins possible le bois situé en dessous, car cela réduirait le volume de la bille, et donc sa valeur commerciale.
4.1.1 Jeu de données
La création du jeu de données a été effectuée directement sur place dans une scierie par la compagnie, en collaboration avec un ingénieur de recherche de l’Université Laval. Une caméra et un éclairage artificiel ont été placés sur le convoyeur situé en amont de l’écorceuse. La prise de photo était au- tomatisée par ordinateur et une photo était prise pour chaque bille qui défilait sur ce convoyeur. La récolte des données s’est effectuée sur plusieurs jours, et chaque lot de bille a été identifié par un humain sur place. Deux types d’images ont été récoltés pour chaque essence, soit des images avec de l’écorce et des images sans écorce. Le tableau4.1 présente la composition du jeu de données qui a
Essence N. d’images N. d’images sans écorce N. d’images totales N. de jours significatifs Épinette noire 5 017 838 5 855 7 Pin gris 5 139 2 575 7 714 4 Sapin 1 864 1 236 3 100 2 Total 12 020 4 649 16 669 -
TABLE4.1 – Composition du jeu de données de FPInnovations
FIGURE4.1 – Images représentatives du jeu de données de FPInnovations
ainsi été collecté. La colonne nombre de jours significatifs indique pour chaque essence le nombre de jour contenant plus de 100 images de cette essence.
Nous avons remarqué que les images de ce jeu de données étaient généralement de très mauvaise qualité, par contraste à notre jeu de données BarkNet 1.0 (voir la figure2.5). Comme il est possible de remarquer en regardant les images de la figure4.1, l’éclairage est insuffisant, ce qui empêche de bien distinguer les caractéristiques des billes dans les images. Ensuite, la position de la bille dans l’image est variable, en particulier pour le sapin. De plus, la caméra semble avoir été déplacée de temps en temps, ce qui empêche de détecter facilement la bille dans l’image de manière automatique. L’écorce est aussi souvent très abîmée, à un point tel que parfois, il est difficile de voir si la bille en possède vraiment. Toutefois, pour ce dernier point, il s’agit de la réalité de l’industrie. Les billes sont souvent très abîmées et le système doit être en mesure de les classer malgré tout.
4.1.2 Expérimentations et résultats
Nous avons opté pour suivre une procédure similaire à celle décrite au chapitre3. C’est-à-dire que nous avons tout d’abord réduit la taille des images (son échelle) de moitié afin d’accélérer le chargement des données en mémoire et pour augmenter la probabilité que les crops aléatoires contiennent de l’information sur le tronc. L’entraînement, en tant que tel, se fait exactement de la même façon que celui du chapitre3. Pour le test, nous avons repris la méthode de la grille de crops, ainsi que le vote de majorité sur toute l’image.
Afin d’éviter un biais similaire à celui décrit à la section2.3.1du chapitre2, nous avons aussi séparé les images entre le jeu d’entraînement et le jeu de test, selon les journées où celles-ci avaient été prises. Sinon, le réseau aurait pu apprendre à reconnaître certaines caractéristiques spécifiques à une journée.
Classe Précision avec écorce Précision sans écorce
Épinette 83,77% 63,64%
Pin 84,26% 97,49%
Sapin 37,15% 0,00%
TABLE4.2 – Résultats préliminaires sur le jeu de test
Épinette
Épinette sans écorce
Pin Pin sans
écorce Sapin
Sapin sans écorce
Épinette 387 38 11 19 7 0
Épinette sans écorce 3 21 0 6 0 2
Pin 1 0 1215 225 1 0
Pin sans écorce 0 0 24 933 0 0
Sapin 1 0 230 214 263 0
Sapin sans écorce 0 0 0 377 1 0
TABLE4.3 – Matrice de confusion des résultats préliminaires
Le tableau4.2et la matrice de confusion4.3montrent les premiers résultats que nous avons obtenus sur ce jeu de données. Ici, il est important de noter que toutes les images (avec et sans écorce) ont contribué à l’entraînement et que les images avec et sans écorce ont été considérées comme étant des classes différentes. C’est-à-dire que si un pin sans écorce était classé en tant que pin, on considérait que c’était une erreur.
Comme ces résultats l’indiquent, nous avons rapidement remarqué que le sapin était l’essence la plus problématique. En observant les données, nous avons émis quatre hypothèses pour expliquer cela. Premièrement, le nombre d’images de sapin était moins élevé que celui des deux autres essences. Deuxièmement, les images étaient prises principalement sur deux jours différents ce qui est largement insuffisant. En effet, cela risque d’encourager le réseau à utiliser des caractéristiques spécifiques à la
seule journée présente dans les données d’entraînement, puisque l’autre journée doit être systéma- tiquement employée comme donnée de test. Troisièmement, la majorité des arbres présents étaient relativement petits ce qui augmentait la probabilité que, pendant l’entraînement, les crops utilisées contiennent uniquement de l’arrière-plan. Finalement, l’écorce de sapin étant fragile, l’écorce avait tendance à être fortement endommagée pour de nombreuses images, au point qu’elles auraient pues être classées avec les images sans écorce.
Classe Précision avec écorce
Épinette 94,37%
Pin 99,65%
Sapin 86,83%
TABLE4.4 – Résultats finaux sur le jeu de test en utilisant uniquement les images avec écorce
Épinette Pin Sapin
Épinette 435 27 0
Pin 0 1442 0
Sapin 27 66 613
TABLE4.5 – Matrice de confusion des résultats finaux
Pour tenter de résoudre certains des problèmes associés au sapin, nous avons rogné toutes les images de sapins possédant de l’écorce, afin d’en retirer l’arrière-plan. Par manque de temps, nous n’avons pu le faire pour les autres essences. Le tableau4.4montre les résultats obtenus. Ici, nous avons unique- ment entraîné sur les images comportant de l’écorce, car nous avions remarqué qu’utiliser les images sans écorce semblait nuire au résultat. Il est possible de constater une amélioration significative de la précision. En effet, pour le sapin, elle est passée de 37,15% à 86,83%, soit un gain de 49,68%. De plus, le rognage a aussi bénéficié indirectement aux autres classes en rendant plus facile la classifica- tion du sapin. En effet, la précision pour l’épinette s’est améliorée de 10,6% tandis que celle du pin s’est améliorée de 15,39%.
4.1.3 Discussion
Les résultats obtenus semblent indiquer qu’il est possible de procéder à la classification des grumes de sciage en usine en autant que ceux-ci aient encore de l’écorce. En effet, même avec des images de mauvaises qualités, il a été possible d’obtenir un taux de classification satisfaisant pour la poursuite du projet. En ce sens, il est possible de faire certaines recommandations sur le processus de récolte des images, afin d’en augmenter la qualité. Tout d’abord, il faudrait augmenter la quantité de lumière éclairant les billes au moment de la prise de photos. Ceci permettrait d’obtenir des images plus claires, pour lesquelles les caractéristiques de l’écorce pourraient mieux ressortir. Par la suite, plus d’images doivent être récoltées, et ce, sur un plus grand nombre de jours différents. En particulier, il faudrait mettre l’accent sur la prise d’images de sapins, car il s’agit de l’essence la plus problématique. Fina-
lement, si possible, il faudrait s’assurer que les images produites contiennent uniquement la bille de bois et son écorce, car cela permettrait d’éviter d’avoir à retirer l’arrière-plan manuellement. Une autre possibilité serait de s’assurer que l’arrière-plan reste constant, pour faciliter son retrait automatique.