Reconnaissance d`algues toxiques par vision artificielle et réseau

UNIVERSITÉ DU QUÉBEC
RECONNAISSANCE D'ALGUES TOXIQUES PAR VISION
ARTIFICIELLE ET RÉSEAU DE NEURONES
MEMOIRE DE RECHERCHE
PRESENTE A
L'UNIVERSITE DU QUEBEC A RIMOUSKI
Comme exigence
du programme de maîtrise en ingénierie
pour l'obtention du grade de maître es sciences appliquées (M.Sc.A.)
PAR
RICHARD LEPAGE
09,2004

bibliothèque
Paul-Emile-Bouletj
UIUQAC
Mise en garde/Advice
Afin de rendre accessible au plus
grand nombre le résultat des
travaux de recherche menés par ses
étudiants gradués et dans l'esprit des
règles qui régissent le dépôt et la
diffusion des mémoires et thèses
produits dans cette Institution,
l'Université du Québec à
Chicoutimi (UQAC) est fière de
rendre accessible une version
complète et gratuite de cette œuvre.
Motivated by a desire to make the
results of its graduate students'
research accessible to all, and in
accordance with the rules
governing the acceptation and
diffusion of dissertations and
theses in this Institution, the
Université du Québec à
Chicoutimi (UQAC) is proud to
make a complete version of this
work available at no cost to the
reader.
L'auteur conserve néanmoins la
propriété du droit d'auteur qui
protège ce mémoire ou cette thèse.
Ni le mémoire ou la thèse ni des
extraits substantiels de ceux-ci ne
peuvent être imprimés ou autrement
reproduits sans son autorisation.
The author retains ownership of the
copyright of this dissertation or
thesis. Neither the dissertation or
thesis, nor substantial extracts from
it, may be printed or otherwise
reproduced without the author's
permission.

RESUME
Depuis de nombreuses années, on cherche à identifier rapidement si des zones de
pêches côtières ont été contaminées par des algues toxiques. Une volonté affirmée se
développe quant à la conception d'un système automatisé de reconnaissance d'organismes
cellulaires à traitement différé ou en temps réel; l'utilité d'un tel système étant avant tout de
palier les délais d'analyse taxonomique qui prennent plusieurs jours à s'effectuer avant d'en
arriver à une conclusion définitive. De ce fait, la prévention est tardive et les risques plus
élevés de contamination toxique pour la population humaine et animal (huîtres, moules,
poissons...). La situation, en ce qui a trait aux systèmes existants pour la reconnaissance
automatisée du phytoplancton, est en plein développement. Il y a néanmoins des difficultés
inhérentes quant à la précision de la classification et de la détection.
L'objectif de ce projet de recherche est la reconnaissance automatisée d'une espèce
spécifique de phytoplancton, soit YAlexandrium tamarense. Un appareil, que l'on nomme
FLOWCAM, fournit des données (images et informations cytométriques) provenant
d'échantillons prélevés à des sites spécifiques. Ces données permettent à un système de
reconnaissance de discriminer les espèces végétales contenant des toxines de celles qui sont
inoffensives pour l'espèce humaine.

II
On privilégie deux stratégies dans ce mémoire de recherche, la première est une
fusion de données obtenues par traitement d'images associées à des paramètres
cytométriques générés par le FLOWCAM et la seconde est d'utiliser la totalité des
paramètres cytométriques sans procéder au calcul des moments d'ordre n<3 sur chacune
des images. Pour les deux approches, la discrimination des classes est effectuée par un
réseau de neurones dont l'optimisation a été calculée par la méthode des plans
d'expériences de Taguchi.
Dans les deux stratégies, nous avons émis l'hypothèse que les données présentaient
une distribution normale. À partir de cette distribution, 33% des données provenant de la
base de données #1 et #2 ont été choisies de manière aléatoire pour être présenté au réseau
de neurones lors de l'étape d'apprentissage. Nous avons ensuite présenté les données
provenant de la base de données #1 et #3 au système de reconnaissance pour les deux
stratégies.
Les résultats que nous avons obtenus permettent de conclure que le calcul des
paramètres par la méthode des moments d'ordre n<3 dans la stratégie #1 est imprécise et
inadéquate comparativement à la stratégie #2 dont la discrimination se base uniquement sur
les paramètres existants du FLOWCAM. Une étude plus exhaustive sera donc nécessaire
pour vérifier si la méthode des moments pour n>3 fournit des résultats plus probants.

Ill
AVANT-PROPOS
Ce travail a été effectué au sein du laboratoire de recherche en génie électrique à
l'Université du Québec à Rimouski, dirigé par le professeur Jean-François Méthot.
Je désire remercier mon directeur de recherche, M. Jean-François Méthot, pour la
qualité de son aide, sa disponibilité ainsi que sa patience et son amabilité durant la première
correction de ce mémoire. Je désire également remercier mon co-directeurs, M. Jean-
François Dumais, pour le soutien moral qu'il m'a apporté durant mes études à la maîtrise et
sa confiance envers mes capacités à poursuivre mes études. Je tiens à remercier en
particulier M. Maurice Levasseur, du département de biologie de l'Université Laval du
Québec qui a eu l'amabilité de me fournir les données permettant de tester adéquatement le
système de reconnaissance dans son ensemble.
Je tiens à remercier également M. Abderrazak El Ouafi qui présidait le jury
d'évaluation ainsi que M. Pierre-Martin Tardif qui évalua le mémoire de recherche en tant
qu'évaluateur externe de l'Université du Québec à Rimouski.
Je remercie également mes coéquipiers de travail qui partageaient le même
laboratoire et avec lesquels j'ai eu des discussions des plus intéressantes et fructueuses sur
nombre de sujets.