MIZAB

Notre recherche se place à l’intersection de trois domaines scientifiques : la télédétection, la vision artificielle et l’apprentissage automatique. La littérature en vision par ordinateur est abondante concernant l’interprétation de données visuelles, y compris pour la télédétection. Récemment, les méthodes dites d’apprentissage profond ont permis de réaliser des avancées Considérables en interprétation automatique d’images. Cette thèse se trouve ainsi au croisement entre la télédétection, la vision par ordinateur et l’apprentissage automatique. En particulier, nous nous proposons de mettre en oeuvre des méthodes d’apprentissage profond permettant la détection de catastrophes naturelles automatisées utilisant le deep learning, qui peut prévoir les catastrophes en temps réel et envoyer un message d'alerte. À cet effet, nous avons entrainé le modèle ResNet50 CNN, et les performances sont mesurées en calculant la matrice de confusion. Le modèle est également testé avec des vidéos préenregistrées acquises à partir de satellites et de drones. Les résultats expérimentaux donnent une précision de 91% et fonctionnent parfaitement lorsqu'ils sont testés avec des vidéos collectées sur You Tube.; Notre recherche se place à l’intersection de trois domaines scientifiques : la télédétection, la vision artificielle et l’apprentissage automatique. La littérature en vision par ordinateur est abondante concernant l’interprétation de données visuelles, y compris pour la télédétection. Récemment, les méthodes dites d’apprentissage profond ont permis de réaliser des avancées Considérables en interprétation automatique d’images. Cette thèse se trouve ainsi au croisement entre la télédétection, la vision par ordinateur et l’apprentissage automatique. En particulier, nous nous proposons de mettre en oeuvre des méthodes d’apprentissage profond permettant la détection de catastrophes naturelles automatisées utilisant le deep learning, qui peut prévoir les catastrophes en temps réel et envoyer un message d'alerte. À cet effet, nous avons entrainé le modèle ResNet50 CNN, et les performances sont mesurées en calculant la matrice de confusion. Le modèle est également testé avec des vidéos préenregistrées acquises à partir de satellites et de drones. Les résultats expérimentaux donnent une précision de 91% et fonctionnent parfaitement lorsqu'ils sont testés avec des vidéos collectées sur You Tube.; manel, MIZAB

Please use this identifier to cite or link to this item: http//localhost:8080/jspui/handle/123456789/6831

Title:	MIZAB
Authors:	Notre recherche se place à l’intersection de trois domaines scientifiques : la télédétection, la vision artificielle et l’apprentissage automatique. La littérature en vision par ordinateur est abondante concernant l’interprétation de données visuelles, y compris pour la télédétection. Récemment, les méthodes dites d’apprentissage profond ont permis de réaliser des avancées Considérables en interprétation automatique d’images. Cette thèse se trouve ainsi au croisement entre la télédétection, la vision par ordinateur et l’apprentissage automatique. En particulier, nous nous proposons de mettre en oeuvre des méthodes d’apprentissage profond permettant la détection de catastrophes naturelles automatisées utilisant le deep learning, qui peut prévoir les catastrophes en temps réel et envoyer un message d'alerte. À cet effet, nous avons entrainé le modèle ResNet50 CNN, et les performances sont mesurées en calculant la matrice de confusion. Le modèle est également testé avec des vidéos préenregistrées acquises à partir de satellites et de drones. Les résultats expérimentaux donnent une précision de 91% et fonctionnent parfaitement lorsqu'ils sont testés avec des vidéos collectées sur You Tube. Notre recherche se place à l’intersection de trois domaines scientifiques : la télédétection, la vision artificielle et l’apprentissage automatique. La littérature en vision par ordinateur est abondante concernant l’interprétation de données visuelles, y compris pour la télédétection. Récemment, les méthodes dites d’apprentissage profond ont permis de réaliser des avancées Considérables en interprétation automatique d’images. Cette thèse se trouve ainsi au croisement entre la télédétection, la vision par ordinateur et l’apprentissage automatique. En particulier, nous nous proposons de mettre en oeuvre des méthodes d’apprentissage profond permettant la détection de catastrophes naturelles automatisées utilisant le deep learning, qui peut prévoir les catastrophes en temps réel et envoyer un message d'alerte. À cet effet, nous avons entrainé le modèle ResNet50 CNN, et les performances sont mesurées en calculant la matrice de confusion. Le modèle est également testé avec des vidéos préenregistrées acquises à partir de satellites et de drones. Les résultats expérimentaux donnent une précision de 91% et fonctionnent parfaitement lorsqu'ils sont testés avec des vidéos collectées sur You Tube. manel, MIZAB
Keywords:	Analyse multi-résolution; Analyse vibratoire ; DET; Diagnostic des défauts ; Paramètres statistiques ; Perceptron multi couche; Roulement à billes.
Issue Date:	23-Jun-2020
Abstract:	Dans ce travail nous avons proposé une démarche pour améliorer le diagnostic automatique des défauts de roulement à bille. La contribution proposée, consiste à utilisés, dans un premier temps, l’analyse multi résolution en ondelettes pour décomposer le signal de vibration à différentes niveaux. Les paramètres statistiques sont ensuite extraits à partir du signal original et de toutes les bandes de fréquences obtenues. La technique d’évaluation de la distance (DET) est ensuite employée pour la sélection des paramètres pertinents. Finalement, la phase de classification est assurée par un perceptron multicouche. Les résultats obtenus montrent l’efficacité de l’approche appliquée pour le diagnostic des défauts dans les roulements à billes.
URI:	http//localhost:8080/jspui/handle/123456789/6831
Appears in Collections:	3- Génie Electrique

Files in This Item:

File	Description	Size	Format
Technique D’évaluation Des Distances Et Réseau De Neurones Pour Le Diagnostic Des Défauts Dans Les Roulements Abeilles.pdf		11,75 MB	Adobe PDF	View/Open

Show full item record

Admin Tools