Vous êtes sur la page 1sur 28

Olive classification according to external damage

using image analysis

AMIRI ANIS
1 MR-STIC
Plan:

Introduction et problématique

Notions de base

Méthode proposée

Critiques

Conclusion et perspective
Article
 article: « Journal of Food Engineering » en 2008

 auteurs:

1- Pilar Barreiro: Génie agro forestier dans l’Université Polytechnique de Madrid

2- Margarita Ruiz-Altisent : Génie rural dans l’Université Polytechnique de Madrid

3- Constantino Valero : Génie agricole et forestier dans l’Université Polytechnique de Madrid

4- M.T. Riquelme
1- Introduction Générale

 Définition : Petit fruit comestible, oblong, verdâtre puis noirâtre à maturité, à peau
lisse

 La qualité d’une olive a été déterminé à partir de l’aspect extérieur de la peau de


l’olive
Olive dommage indéfinie
Olive endommagé par le grêle Olive moulin

Olive à l’échelle de moule Catégories de l’olive Olive ridée

Olive en bon état Olive violette


 Pour faire le traitement d’une image originale on doit passer nécessairement par
ces 3 méthodes:

Paramètres des
couleurs

Caractéristiques
Les méthodes morphologiques
La segmentation
Problématique:
 Différentes applications qui sont développées utilisent la vision artificielle
comme technique de classification de fruits

Exemples: les pêches – les agrumes – les cerises

 il y a un manque d’études sur la discrimination d'un grand nombre de


défauts externes dans les olives en fonction des catégories commerciales
Solution Proposée
 Une procédure est proposée qui permet l'identification des olives

saines ainsi qu'une variété de défauts sur la base de trois

analyses discriminantes

 Cette méthodologie de classification des olives utilise:

o les caractéristiques de couleur du fruit

o les caractéristiques morphologiques des défauts externes


2- Notions de Bases

 Olive des tables  ou olive de conserve ou olive de bouche est le nom générique du fruit de l'olivier


domestique ayant subi un traitement spécifique afin d'être conservé puis consommé

 Traitement d’image : l'analyse et la manipulation d'une image numérisée, notamment pour


améliorer sa qualité

 La classification des fruits est basée sur :


 La vision artificielle (Diaz et al, 2000, 2004; Mateos et al., 2005)

 les techniques de tri comme rebond de fruits ( Barreiro et al., 2003 )


3- Méthode Proposée

 La chaine principale de traitement d’image est la suivante:

Acquisition prétraitement segmentation mesure interprétation

 La segmentation est une étape essentielle pour l’analyse d’image.

 pour évaluer la qualité des aliments, il existe plusieurs techniques de segmentation telle
qu’histogramme, région, bord et classification basée

 Notre travail examine si la combinaison de couleurs, paramètres et caractéristiques de


l'histogramme extraits d’une image pourrait améliorer la classification
 La couleur est l’objectif principal des systèmes de vision artificielle, car c'est un paramètre
de qualité important dans les fruits et légumes.

 La couleur est définie par les coordonnées RVB(Rouge Vert Bleue) ou HSI

 la couleur est l'un des aspects les plus inégaux lorsqu'il s'agit d'olives.

 On trouve des systèmes qui permettent de trier automatiquement les olives en fonction de:
1. Leur aspect extérieur
2. Leurs des propriétés optiques
3. l'analyse d'image
 La figure 1 représente les différents types de dommages identifiés dans les olives par des
techniciens experts dans les entreprises de transformation:

 Ce tableau représente un échantillon des 260 olives de la variété «Manzanilla sevillana»


Données de référence: Destructive

Test de référence

Non destructive

 Les données de référence sont:

 Poids

 Taille de fruit

 Couleur de fruit
Traitement d’image:

 Les images d'olive en RVB ont été acquises dans des conditions statiques avec une caméra
couleur à capteur unique

 Pour faciliter le processus d'acquisition, toutes les images RVB d'origine contenaient deux
olives

 Les images originales subissent trois segmentations :


1) La 1ére segmentation pour laisser de côté le fond
2) La 2éme segmentation pour identifier une olive par photo
3) La 3éme segmentation pour les défauts externes à l'intérieur de chaque zone fruitière
Prétraitement d’image:
 la zone fruitière a été séparée de l'arrière-plan avec l'algorithme d'Otsu (1979)

 algorithme d’Otsu : c’est une méthode non paramétrique et non supervisée de sélection
automatique de seuil pour la segmentation de l'image, basée sur des informations
statistiques et spatiales des histogrammes

 Lorsque le seuil (T) est appliqué, l'image est automatiquement


convertie en valeurs binaires (noir et blanc)
où «1» signifie arrière-plan et «0» avant-plan (objet)

 le niveau de seuillage obtenu après l'application de l'algorithme d'Otsu est une valeur
d'intensité normalisée qui se situe dans la plage [0,1]
 Les images ont été converties en binaire en utilisant un seuillage automatique

 un filtre a été appliqué pour supprimer les petits objets de l'image. Un opérateur
d'ouverture morphologique a été utilisé avec un élément structurant en forme de disque
considérant un rayon de six pixels

 les objets avec un rayon inférieur à la valeur sélectionnée ont été éliminés

 un autre opérateur morphologique (remplissage d'objet) a été utilisé pour combler les trous
possibles présentés dans les images binaires segmentées
Extraction de défauts:
 Afin de segmenter les défauts de la zone d'olive saine, les images ont été réajustées pour
chaque canal RVB afin de respecter les valeurs d'intensité 0–255

cela augmente le contraste de l'image de sortie

 Dans notre cas, les plages spécifiques définies - de manière à inclure 99% des valeurs de
pixels - ont entraîné :
1. Des niveaux d'intensité inférieurs (rouge 0,6, vert 0,2, bleu 0)
2. Des supérieur (rouge 0,7, vert 0,9, bleu 1).

 Le reste des algorithmes appliqués pour l'extraction des défauts étaient similaires à ceux
utilisés pour les fruits entiers
1. Seuillage
2. Élimination des petits éléments
3. Remplissage des trous
4. Étiquetage des objets
Caractérisation d’image
 Après segmentation, les olives ont été caractérisées par différentes caractéristiques tirées de
chaque fruit de toutes les images filtrées:
 Paramètres extraits faisant référence aux olives:
o Les coordonnées de couleur analysées étaient RGB et HSV
o L’image RVB est transformée en HSV avec la routine ‘rgb2hsv’ de la boîte à outils
de traitement d’image

 Paramètres extraits faisant référence à des défauts: Plusieurs paramètres


géométriques ont été définis et quantifiés, définis dans le tableau de nomenclature
Analyses statistiques
 Une matrice de covariance pour chacune des matrices d'histogramme correspondant à
l'histogramme de chaque paramètre de couleur (R, G, B, H, S et V) a été étudiée

 la diagonale de la matrice correspond à la variance des niveaux d'intensité de gris correspondants

 La figure 2 montre un exemple de visualisation de la matrice de covariance

 Des différences significatives entre les catégories


d'olives ont été déterminées à l'aide d'une analyse
de variance
 un test de différence la moins significative (LSD) de Fisher a été utilisé pour déterminer les
différences significatives entre les moyennes des groupes dans une analyse de variance

 Ce test a été appliqué à tous les paramètres afin de réduire l'énorme quantité de paramètres
analysés

 Les variables significatives ont été introduites dans une analyse discriminante (DA) pas à pas
pour obtenir les fonctions de classification en étapes successives

 La fonction canonique obtenue est une combinaison linéaire d'attributs discriminants, étant la
somme des coefficients canoniques bruts multipliés par les coefficients de chaque fonction

 Trois analyses discriminantes différentes (DA) ont été effectuées dans ce travail pour séparer les
défauts:
1- le premier DA a classé les olives en deux catégories: les défauts globaux et les défauts locaux

2- Pour chaque groupe obtenu, deux DA successifs ont été nécessaires afin de séparer tous les
défauts
Résultats et discussion:
 Caractérisation de fruits:

 Ce tableau montre une ANOVA pour


les valeurs de référence

 Les lettres correspondent au test


LSD

 Les données ont été organisées en


fonction du poids des fruits

 Trois groupes d'olives ont été 1. olives violettes (5,0 ± 1,0 g / fruit)
trouvés en fonction des poids: 2. olives ridées (1,9 ± 0,6 g / fruit)
3. les autres (3,5–4,4 g / fruit)
 Analyse d'images: étalonnage et validation 

 Cette figure indique que les défauts


externes sont classés en 4 groupes:
1. histogramme gauche asymétrique
2. Normal
3. Bimodal
4. Skewed Right
 Cette figure montre la covariance des niveaux d'intensité d'histogramme (256) pour le canal
rouge

 Le graphique montre la symétrie de la matrice où les lignes et les colonnes sont reflété par
les niveaux de gris

 La barre d'intensité à droite montre la


magnitude de la covariance représentée
par les couleurs dans le graphique

 Les variables résultantes sont:


Rouge: R70, R158; Vert: G66, G168;
Bleu: B71, B110; Teinte: H59, H199;
Saturation: S30, S102; et Valeur: V72, V168.
 Un test Fisher LSD a été utilisé pour déterminer les différences significatives entre les
moyennes des groupes dans une analyse de variance.

 Le but de ce test était de réduire le nombre de paramètres analysés, en éliminant les


variables qui étaient totalement interdépendantes au sein de groupes homogènes

 Cette figure représente la classification correcte pour les deux types de défauts

 Le pourcentage de classification correct


des défauts globaux montre que les olives
ridées sont la seule catégorie bien classée
dans ce groupe
 Cette figure représente les olives étudiées dans DA2, sur un espace à deux fonctions
canoniques (racine 1 et racine 2).

 Comme le nombre de catégories de


défauts à classer dans le DA2 est de trois,
deux fonctions racine sont nécessaires

 Une troisième analyse discriminante (DA3) a été nécessaire pour classer parmi les défauts
locaux.
 Cette figure montre la meilleure représentation
d'une analyse discriminante canonique des
défauts globaux pour DA3, dans un espace
racine 1 à racine 2

 Les olives intactes sont parfaitement séparées


du reste des catégories incluses dans DA3

 les échantillons «non endommagés» semblent


être inférieurs au nombre réel (calibrage 16,
validation 14), ce n'est qu'un effet optique
4- Critiques

 La présence des lésions de la peau dans l’olive permet de déterminer la qualité externe d’une
olive

 La segmentation est une étape essentielle pour l’analyse d’image

 il existe plusieurs techniques de segmentation telle qu’histogramme, région, bord La sélection

d’une méthode ou autre dépend du cas

 Dans le champ de vision artificielle, la couleur est définie par les coordonnées RVB ou HSI

 Le modèle HSV est très similaire au modèle couleur HSI

 la couleur est l'un des aspects les plus inégaux lorsqu'il s'agit d'olives.
 La transformation des valeurs RVB en HSV en utilisant un algorithme de MATLAB.
 Pour le prétraitement, un simple seuillage n'était pas suffisant, car les images binaires
montraient deux grands éléments (zones d'olivier) et, dans certains cas, plusieurs petits
éléments (dus à des ombres sous une faible lumière)
 Les images ont été converties en binaire en utilisant un seuillage automatique
 La caractérisation des olives au moyen d'ensembles d'images vise à fournir des
références fiables qui seront utilisées pour évaluer les dispositifs de vision des
équipements de classification en ligne
 la forme et la distribution des histogrammes étaient suffisantes pour indiquer les défauts
externes des olives
5- Conclusion

 Notre méthode proposée permet l'identification des olives saines ainsi qu'une variété de
défauts sur la base de trois analyses discriminantes

 Cette méthodologie de classification des olives utilise:


1. Les caractéristiques de couleur du fruit
2. Les caractéristiques morphologiques des défauts externes

 La classification des olives en huit classes a été correctement réalisée

 La caractérisation des olives au moyen d'ensembles d'images vise à fournir des références
fiables qui seront utilisées pour évaluer les dispositifs de vision des équipements de
classification en ligne