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
(2020-06-23)
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 ...