JavaScript is disabled for your browser. Some features of this site may not work without it.
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
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.
La compression d'images avec perte permet d'obtenir des taux de compression élevés en éliminant les informations qui ne contribuent pas à la perception humaine des images, ou qui y contribuent le moins possible. En raison ...
L’analyse des sentiments également connu sous le nom d’opinion mining. C’est une approche pour identifier et classifier les émotions des clients (Positive, Négative, Neutre). C’est un domaine multidisciplinaire qui fait ...
L’analyse et contrôle de la diffusion d'information sur les réseaux sociaux jouent un grand rôle dans plusieurs domaines comme la sante, le marketing, les banques, la détection de fraude, l’analyse des marches, Ces analyses ...