Académique Documents
Professionnel Documents
Culture Documents
Mémoire
Présenté en vue de l’obtention du Diplôme de
LICENCE EN ELETRONIQUE, ÉLECTROTECHNIQUE ET
AUTOMATIQUE
Spécialité : Automatisme et Informatique Industrielle
Par
MAHMOUDI Ameni
BOUKHRIS Mohamed Ridha
Mr le Dr………………. Président
Mr/ Mme le Dr……………… Examinateur
Mme .MHIRI Nesrine Encadrant ISSAT
Dédicaces
À mes chers parents,
Je voudrais vous dédier ce travail en reconnaissance de tout l’amour, le soutien
et l’encouragement que vous m’avez donnés tout au long de ma vie et en
particulier pendant mes études supérieures. Votre confiance en moi a été une
source d’inspiration et de motivation, et je ne pourrais jamais assez vous
remercier pour tout ce que vous avez fait pour moi. Ce PFE est un petit geste pour
vous montrer combien je suis reconnaissante de vous avoir comme parents.
À mes frères,
Je suis très reconnaissant pour tout ce que vous avez sacrifié pour moi et pour
tous les sacrifices que vous avez encore à faire pour m’aider à atteindre mes
objectifs. Votre amour et votre soutien m’ont permis de réaliser mes rêves, et je
suis fier de vous présenter ce projet de fin d’étude qui est le résultat de notre
collaboration.
MAHMOUDI
Ameni
Dédicaces
À mes chers parents,
Nulle dédicace ne peut exprimer ce que nous leurs devons, pour la vie, pour tout
l’amour qu’ils nous portent, pour leurs sacrifices déployés à mes égards, pour
leurs patience et leurs confiance en moi, pour tous l’encouragement qu’ils nous
donnent. Que ce modeste travail soit le témoignage sincère et affectueux de mes
profondes reconnaissances pour tout ce que vous avez fait pour moi.
À ma sœur,
Je suis si reconnaissant de t’avoir dans ma vie, et je ne pourrais jamais exprimer
assez ma gratitude pour tout ce que tu fais pour moi. Je te souhaite tout le
bonheur du monde, et j’espère que notre relation ne fera que grandir et s’épanouir
au fil des années.
À tous mes amis,
Je vous remercie du fond du cœur pour tout ce que vous avez fait pour moi et les
bons moments que nous avons passés.
Finalement, a tous ceux que nous aimons et sans oublier mon binôme pour son
soutien moral, sa patience et sa compréhension tout au long de ce projet.
BOUKHRIS
Remerciement
ISSAT- Mahdia 2022-2023 Page 3
Visiteuse Assisté Par Caméra
Nous exprimons nos profonds remerciements les plus sincères à Mme. MHIRI
Nesrine mon encadreur à l'institut, pour son assistance, ses directives et ses
conseils précieux.
Nous tenons également a remercier infiniment tous les membres de jury qui
m’ont fait l’honneur de juger notre travail.
Finalement, ceux qui mon aidées durant cette période pour effectuer mon projet
dans les meilleurs conditions, et je tiens également à remercier virement tous
ceux qui m'ont fait preuve d'un grand esprit de collaboration et d'initiative tous les
personnels de l'équipe de Sartex et qui m'apportent une aide précieuse par leurs
suggestion et leurs conseils.
Que les membres du jury trouvent nos profondes gratitudes pour l’honneur qu’ils
nous font en assistant à notre soutenance.
II.8.4.Types d’annotation....................................................................................................................37
II.8.4.1.Polygonale...........................................................................................................................37
II.8.4.2.Cadres englobant................................................................................................................37
II.9. Entraîner le modèle......................................................................................................................................................
II.9.1. Traitement des images..............................................................................................................38
II.9.2. Classification.............................................................................................................................39
II.9.3. Détection...................................................................................................................................39
II.9.4. Segmentation............................................................................................................................40
II.10. Le modèle de détection..............................................................................................................................................
II.11. Conclusion..................................................................................................................................................................
CHAPITRE III.........................................................................................................................................................................
REALISATION PRATIQUE......................................................................................................................................................
III.1 Introduction.................................................................................................................................................................
III.2.1 Environnement matériels..........................................................................................................44
III.2.1.1 Les ordinateurs...................................................................................................................44
III.2.1.2 La caméra...........................................................................................................................45
III.2.2 Environnement logiciels........................................................................................................45
III.2.3 Langage de programmation..................................................................................................45
Conclusions générale..........................................................................................................................................................
Bibliographie.......................................................................................................................................................................
Liste de figure
FIGURE1. 1. LOGO SARTEX...................................................................................................................................17
FIGURE1. 2. ORGANIGRAMME DU SARTEX............................................................................................................19
FIGURE1. 3. LA MACHINE VISITEUSE.......................................................................................................................22
FIGURE1. 4.PROCÉDURE D’INSPECTION...................................................................................................................23
FIGURE 3. 1. ……....................................................................................................................................................48
Liste de tableau
Introduction général
L’intelligence artificielle intervient aujourd'hui presque dans tous les domaines et tous les
secteurs pour rendre le travail plus précis, plus facile, et surtout bien géré.
A cet égard, le Groupe Sartex, en tant que leader du secteur textile en Tunisie, s'engage
toujours à répondre aux besoins de ses clients et de ses employés par l'amélioration continue de
ses services. C'est dans ce contexte que ce projet s'inscrit dans le cadre d'un stage de fin
d'études visant la conception et la réalisation d'une visiteuse assistée par caméra pour détecter
les défauts des tissus et leur attribuer automatiquement leur type.
Le présent rapport évoque les différentes étapes de la mise en œuvre de notre travail, il est
subdivisé en trois grands chapitres.
D'abord, dans le premier chapitre, nous présentons le cadre général du projet, la présentation de
la société accueille en introduisant des notions liées au projet demandé. Dans le deuxième
chapitre ……………………………………………………..
CHPITRE I
Présentation de
l’organisme d’accueil
et étude de l’existant
I.1. Introduction
Le chapitre actuel se concentre sur la présentation générale du projet, notamment en ce qui
concerne l’organisme d’accueil, la problématique à résoudre et l’évaluation critique de l’état
actuel des choses.
SARTEX est la société mère et le siège administratif de trois autres sociétés situées à
environ 3 km de SARTEX et travaillent toutes les quatre en collaboration. Ces trois sociétés
sont :
• TEXPRO: Spécialisée dans la confection de textile.
• SOPAH : Spécialisée dans la confection de textile.
• ELNOUR : Spécialisée dans la préparation et la maintenance des équipements pour les
autres sociétés du groupe [1].
Les principales stratégies du SARTEX :
Rechercher la qualité globale.
Recherche de l'innovation technologique.
Les performances de production ont continué de s'améliorer. La réalisation d'une étude
approfondie et avancée sur le marché.
I.3.2. Les services
SARTEX GROUP est organisé en 12 services, qui sont :
Service personnel
Service commercial
Service étude et développement
Service production
Service qualité
Service financier-comptabilité
Service maintenance et entretient
Magasin de pièces de rechange
Magasin de fourniture
Service de planification
Service logistique
Service informatique
I.3.3. L’organigramme du SARTEX
SARTEX occupe une place favorisée grâce à la politique adoptée par ses services rendus
à la clientèle et à la coordination entre ses différents services. La hiérarchie de l’entreprise
suit l’organigramme de la figure 1.2 ci-dessous
Laine La laine est un tissu naturel chaud et durable qui est souvent utilisé pour les
manteaux, les chapeaux et les écharpes.
Polyester Le polyester est un tissu synthétique résistant et facile à entretenir qui est
souvent utilisé pour les vêtements de sport et les vêtements d’extérieur.
Soie La soie est un tissu luxueux et doux qui est souvent utilisé pour les vêtements
de soirée et les articles de literie haut de gamme.
Coton Le coton est un tissu naturel doux et respirant, souvent utilisé pour les
vêtements d’été, les draps et les serviettes.
I.6.1 Problématique
L’avancée rapide de la technologie a permis à de nombreuses tâches humaines d’être
effectuées par des appareils. Que ce soit dans les domaines de l’industrie, de la médecine, de
Page 20
ISSAT- Mahdia 2022-2023
Chapitre I : Présentation de l’organisme d’accueil et étude de l’existant
l’agriculture ou même de la vie quotidienne, les machines et les robots peuvent désormais
effectuer des tâches qui étaient auparavant réservées aux êtres humains.
Comment les entreprises peuvent-elles remplacer les tâches manuelles par des tâches
automatiques de manière efficace et responsable, tout en garantissant la qualité du travail et
en préservant les emplois des travailleurs ?
défauts peut être réalisée à haute vitesse et avec une grande précision, ce qui permet
d’améliorer la qualité des produits et de réduire les déchets.
En outre, la solution basée sur l’IA peut être utilisée pour la maintenance prédictive de
machines dans l’industrie textile. Les capteurs intégrés aux machines peuvent collecter des
données en temps réel sur les vibrations, la température et d’autres paramètres clés, qui
peuvent être analysées par des algorithmes d’IA pour détecter les anomalies et les problèmes
potentiels. La maintenance prédictive permet de réduire les temps d’arrêt imprévus,
d’optimiser la durée de vie des équipements et de minimiser les coûts de maintenance.
I.9. Conclusion
Dans ce chapitre, nous avons présenté l’organisation d’accueil Sartex Group, leur service et
leur organigramme. Nous avons posé la problématique de ce projet et nous avons pris une
vision plus claire sur le sujet. Par ailleurs, nous avons pu déterminer les objectifs à
atteindre .Lors du chapitre suivant, nous allons faire la partie théorique de ce projet.
CHAPITRE II
Etude théorique
Chapitre III : Réalisation Pratique
II.1. Introduction
Ce chapitre décrit la mise en place du projet et détaille les étapes nécessaires à sa réalisation.
La première étape est la collecte des données, suivie de l’analyse des données et de leur
préparation en vue d’une utilisation appropriée. La collecte des données permet de recueillir
toutes les informations nécessaires, tandis que l’analyse des données permet de comprendre
les tendances et les modèles qui existent entre elles.
Le cycle de vie de Data Science est une approche méthodique pour résoudre des problèmes à
l’aide de techniques de science des données. Le processus de cycle de vie de la science des
données suit les étapes suivantes :
1. Comprendre le problème : La première étape consiste à comprendre le problème
commercial et les objectifs de l’analyse de données.
2. Collecte de données : La deuxième étape consiste à collecter les données pertinentes à
partir de sources variées et les préparer pour l’analyse.
3. Exploration de données : La troisième étape consiste à explorer les données en
utilisant des techniques de visualisation et de statistiques pour comprendre les
relations entre les différentes variables.
4. Préparation de données : La quatrième étape consiste à nettoyer, transformer et
préparer les données pour la modélisation.
5. Modélisation : La cinquième étape consiste à développer des modèles statistiques et
des algorithmes pour répondre au problème de l’analyse de données.
6. Évaluation : La sixième étape consiste à évaluer les performances des modèles à
l’aide de techniques de validation croisée et de tests.
7. Déploiement : La septième et dernière étape consiste à déployer les résultats de
l’analyse de données dans l’entreprise pour aider à la prise de décision et à
l’élaboration de stratégies.
Chapitre II : Etude théorique
II.3.Apprentissage profond
L’apprentissage profond, également connu sous le nom de « Deep Learning », est une
branche de l’intelligence artificielle qui utilise des réseaux de neurones artificiels pour
apprendre à partir de données. Les réseaux de neurones profonds sont composés de couches
de neurones interconnectées qui sont capables de modéliser des relations complexes entre les
entrées et les sorties.
L’apprentissage profond est utilisé dans de nombreux domaines, notamment la reconnaissance
d’images, la reconnaissance de la parole, la traduction automatique et la prédiction de séries
chronologiques. Les réseaux de neurones profonds sont particulièrement bien adaptés pour la
reconnaissance de motifs complexes dans les données, ce qui en fait une technologie
prometteuse pour les applications qui nécessitent une analyse approfondie de grandes
quantités de données.
II.4.Apprentissage automatique
II.4.1. Définition
C’est lorsque le modèle est entraîné avec un ensemble de données étiquetées, c’est-à-dire des
données qui sont déjà classées ou étiquetées avec des étiquettes prédéfinies. Le but de
l’apprentissage supervisé est de permettre au modèle de prédire des étiquettes pour de
nouvelles données non étiquetées.
3. Développer une Fonction Coût qui mesure les erreurs entre le modèle et le Dataset
4. Développer un Algorithme d’apprentissage pour trouver les paramètres du modèle qui
minimisent la Fonction Coût
C’est lorsque le modèle est entraîné sans étiquettes ou catégories prédéfinies. L’objectif est
de découvrir des structures ou des relations cachées dans les données, comme des groupes ou
des clusters de données similaires.
C’est lorsque le modèle est entraîné pour prendre des décisions en fonction d’un
environnement dynamique. Le modèle apprend en interagissant avec l’environnement et en
recevant des récompenses ou des pénalités pour ses actions, ce qui permet d’optimiser ses
décisions pour maximiser la récompense globale.
II.5.1. Définition
La vision par ordinateur (ou computer vision en anglais) est une branche de l’intelligence
artificielle qui permet à un ordinateur de comprendre et d’interpréter des images ou des
vidéos. Elle utilise des algorithmes et des techniques de traitement d’images pour extraire des
informations des données visuelles, telles que la reconnaissance d’objets, la détection de
mouvement, la segmentation d’images, la reconnaissance de formes
Les techniques de vision par ordinateur sont souvent combinées avec d’autres techniques
d’apprentissage automatique, telles que l’apprentissage profond, pour améliorer la précision et
la performance des modèles de reconnaissance d’images.
Les pixels (abréviation de « élément d’image ») sont les minuscules points qui composent
les images numériques sur les écrans d’ordinateur, les appareils photo et autres appareils.
Chaque pixel est un point de lumière unique qui peut afficher une couleur ou une nuance
spécifique. Plus une image a de pixels, plus sa résolution est élevée et plus elle peut afficher
de détails.
La vision par ordinateur est une branche de l’intelligence artificielle qui s’intéresse à la
compréhension et à l’interprétation des images et des vidéos par les ordinateurs. Les pixels
sont les éléments fondamentaux qui composent une image numérique. Ainsi, la relation entre
la vision par ordinateur et les pixels est très étroite.
La vision par ordinateur implique l’utilisation d’algorithmes et de techniques pour extraire des
informations utiles à partir des pixels d’une image. Les pixels sont les points les plus basiques
d’une image, chacun ayant une couleur et une position dans l’image. Les algorithmes de
vision par ordinateur peuvent traiter ces pixels pour détecter des formes, des contours, des
objets, des visages et d’autres caractéristiques dans l’image.
En outre, la qualité de l’image dépend également de la densité de pixels. Plus il y a de pixels
dans une image, plus elle est détaillée et précise. C’est pourquoi les techniques de vision par
ordinateur peuvent être utilisées pour améliorer la résolution et la qualité des images.
II.6.Comprendre de métier
Il existe plus de vingt types de défauts de tissu, voici quelques exemples :
Les nœuds : ce sont des zones où les fibres sont tordues ou nouées entre elles, créant des
bosses sur la surface du tissu.
Figure 2. 4. Nœud
Les trous : des zones où le tissu est complètement manquant ou endommagé.
Figure 2. 5. Trou
Les taches : des zones de coloration ou de décoloration du tissu, souvent causées par des
produits chimiques ou des liquides.
Figure 2. 6. Tâche
Les fils étranger : des fils qui se trouvent à la surface du tissu et qui ne sont pas fixés.
Grosse trame : Le défaut de grosse trame peut être causé par divers facteurs, tels qu’une erreur
dans la sélection des fils, une erreur dans la configuration des machines de tissage, une
tension incorrecte des fils ou une usure excessive des pièces de la machine.
Les lignes de tension : Ce sont des zones où le tissu est plus serré ou plus lâche que le reste du
tissu, créant des lignes visibles sur la surface du tissu. Les lignes de tension peuvent être
causées par des problèmes de tension des fils lors du tissage.
Les défauts de motif : Ce sont des erreurs dans le motif imprimé sur le tissu, créant des erreurs
visibles dans le motif. Les défauts de motif peuvent être causés par des problèmes avec les
plaques d’impression ou des erreurs lors du processus d’impression.
Les irrégularités de texture : Ce sont des zones où la texture du tissu est différente du reste du
tissu, créant des zones de texture inégale sur la surface du tissu. Les irrégularités de texture
peuvent être causées par des problèmes lors du processus de tissage ou du traitement du tissu.
Les marques de pli : il s’agit de zones où le tissu a été plié pendant une période prolongée,
créant une marque permanente. Les marques de pli peuvent être causées par le stockage ou le
transport du tissu.
Les effilochures : ce sont des zones où les bords du tissu se sont dégradés et commencent à
s’effilocher.
Les fils tirés : il s’agit de fils qui se sont déplacés de leur position normale, souvent causés par
un accroc ou une friction avec un objet tranchant.
Reconnaît les défauts qu’ils se trouvent dans les tissus puis nous prendrons cinq milles
images des différents défauts avec la caméra Canon FULL HD 20.2 MEGAPIXELS.
La caméra Canon FULL HD 20.2 MÉGAPIXELS dispose des caractéristiques dans le tableau
2.1 ci-dessous :
Etape 2 :
Etape 3:
Diviser les données en six catégories de défauts qui sont présents en abondance et les avons
classées selon les types de défauts..
II.8.3.Rob Flow
Rob Flow annote les images très rapidement, directement dans le navigateur. Étiquetez en
utilisant n’importe quel système d’exploitation sans télécharger de logiciel. Utilisez les
formats d’annotation les plus courants. Vous et votre équipe pouvez annoter des centaines
d’images en quelques minutes.
II.8.4.Types d’annotation
II.8.4.1.Polygonale
Polygonale est une méthode précise d’annotation où une collection de coordonnées est
dessinée autour d’une image. Ces coordonnées sont destinées à entourer étroitement un objet
spécifique dans une image. Les annotations polygonales peuvent éviter de capturer des
informations d’arrière-plan inutiles qui ne sont pas pertinentes pour une annotation.
II.8.4.2.Cadres englobant
Une annotation de cadre de sélection est un rectangle qui entoure un objet et qui spécifie sa
position.
Utilisez des annotations de cadre de sélection lorsque vous n’êtes pas préoccupé par la capture
de la forme spécifique d’un objet ou pour des annotations rapides et faciles.
II.9.2. Classification
La classification est une tâche qui consiste à attribuer une étiquette ou une catégorie à une
image ou à une partie d’une image. Par exemple, dans une image de chat, la classification
peut consister à déterminer s’il s’agit d’un chat noir ou blanc.
II.9.3. Détection
La détection est une tâche qui consiste à localiser et à identifier les objets dans une image.
Dans cette tâche, le modèle doit non seulement classifier l’objet, mais aussi localiser sa
position dans l’image. Par exemple, dans une image de rue, la détection peut consister à
localiser et à classifier les voitures.
II.9.4. Segmentation
La segmentation est une tâche qui consiste à diviser une image en différentes régions ou
segments, où chaque segment peut représenter un objet ou une partie d’un objet. Cette tâche
est plus fine-grain que la détection, car elle permet de distinguer les différentes parties d’un
objet. Par exemple, dans une image de pomme, la segmentation peut consister à identifier la
pomme en tant qu’objet, ainsi que les différentes parties de la pomme (la peau, la chair, le
trognon, etc.)
Il y a eu plusieurs versions de YOLO au fil des ans, chacune avec des améliorations et des
ajustements pour améliorer la précision et la vitesse de détection :
YOLOv1: La première version de YOLO a été publiée en 2016 et est connue sous le nom de
YOLOv1. Elle a été la première à proposer une détection d’objets en temps réel et a été
une avancée majeure dans le domaine.
YOLOv2 : YOLOv2 a été publié en 2017 et a apporté des améliorations significatives à la
version originale. Elle a introduit un réseau plus profond, un processus de prédiction à trois
échelles différentes et une nouvelle méthode pour prédire les boîtes englobâtes.
YOLOv3 : YOLOv3 a été publié en 2018 et a été une autre grande amélioration par rapport à
YOLOv2. Elle a utilisé un réseau encore plus profond, a ajouté des blocs résiduels et une
attention spatiale, et a utilisé une méthode de prédiction de la forme des boîtes englobâtes
pour améliorer la précision.
YOLOv4: YOLOv4 a été publié en 2020 et a été la version la plus récente et la plus avancée
de YOLO. Elle a introduit des techniques avancées de traitement de l’image, une
architecture de réseau plus complexe, une amélioration de la formation et une
augmentation de la vitesse de traitement.
YOLOv5 : Cette version a été publiée en 2020 et a utilisé une architecture entièrement
nouvelle pour améliorer la précision et la vitesse de la détection d’objets. Elle a également
introduit une méthode d’augmentation de données appelée « Mosaic Data Augmentation »
pour améliorer la généralisation du modèle.
YOLOv8 : est la dernière version du modèle de détection d’objets et de segmentation
d’images YOLO. En tant que modèle de pointe à la pointe de la technologie (SOTA),
YOLOv8 s’appuie sur le succès des versions précédentes, introduisant de nouvelles
fonctionnalités et améliorations pour améliorer les performances, la flexibilité et
l’efficacité.
⮚ Chaque version de YOLO a été largement utilisée dans différents domaines de la vision par
II.11. Conclusion
Au cours de ce chapitre, nous avons présenté notre méthodologie de travail pour réaliser
notre projet, et les fondamentaux des différentes notions d'apprentissage profond et
automatique ainsi nous comprenons la notion de vision par ordinateur.
CHAPITRE III
REALISATION PRATIQUE
Chapitre III : Réalisation Pratique
III.1 Introduction
Comme détaillé dans ce chapitre, nous avons terminé les étapes nécessaires de la phase de mise
en œuvre. Le problème a été analysé en profondeur et nous avons défini la préparation des
données. Dans ce chapitre, nous commencerons par une description de l'environnement de travail
(matériel et logiciel) et du langage de programmation utilisé. Ensuite, nous couvrirons les
différents aspects opérationnels de la caméra.
▪ ACER
Marque
▪ Aspire E 15
Modèle
▪ 8GB
RAM
▪ 1TB
Disque Dur
Marque
▪ Lenovo
Modèle
Processeur
▪ AMD Ryzen 7 5800H
4.4 GHz
Système d’exploitation
▪ Windows 11
RAM
▪ 16 GB
Disque Dur
▪ 512 Go
III.2.1.2 La caméra
Aussi nous avons besoin d’une caméra, le tableau 3 suivant montre les différentes
caractéristiques et notre choix d’elle.
Tableau 3 :
Figure 3. 1. ……
Conclusions générale
Chapitre III : Réalisation Pratique
Chapitre III : Réalisation Pratique
Bibliographie
[1] Ibtissem TISS &Nesrine MHIRI 2013/2014. Conception et réalisation d’un système PV muni
d’un suiveur solaire connecté sur le réseau électrique. Projet Fin d’Etudes ENISS,Sfax,Tunisia
[2] LE POMPAGE SOLAIRE Guide de bonnes pratiques à l’attention des agriculteurs
[3] LORENTZ : Sun. Water. Life. Pompage solaire de l’eau pour l’irrigation à Oujda au Maroc
[4] Pompage photovoltaïque : Guide à l’intention des ingénieurs et techniciens. par Jimmy Royer
Thomas Djiako Eric Schiller Bocar Sada Sy Sous la direction de Eric Schille
[5] Système photovoltaïque : dimensionnement pour pompage d’eau pour une irrigation goutte à
goutte. Mémoire de fin d’étude Thierry Maurice
[6] https://grafikart.fr/blog/raspberry-pi-utilisation
[7] https://www.raspberrypi-france.fr/guide/choisir-modele-raspberry-pi/
[8] https://deusyss.developpez.com/tutoriels/RaspberryPi/PythonEtLeGpio/
[9] C. Daux et C. Lusseau – Sciences de lʼIngénieur-EduSCOL/ENS, «ARCHITECTURE DE
LA CHAINE DʼENERGIE DE POMPAGE DE LʼEAU BRUTE»-Cachan-01 janvier 2004.
[10]https://www.collegegujan.fr/sites/technopc/img/4eme/sequence1/FCressources/TICE40.pdf