République Algérienne démocratique et populaire

Ministère de l’enseignement supérieur et de la recherche

scientifique
Université SAAD DAHLAB de BLIDA
 Faculté de Technologie
 Département d’Électronique

Soutenance pour l’obtention du diplôme de Master

En Télécommunication
Spécialité : Système des télécommunications

Reconnaissance de billets
d’argent algérien par
l’apprentissage profond
Encadre par : Présenté par :
Mr. Namane Djellout manel
abderrahmane Anabi nadjet
Plan de travail
1 Introduction

2 Généralité sur les billets

3 Deep learning et l’algorithme de YOLO

4 Les techniques de traitement d’image

5 Test et résultats

Conclusion
Introduction
 Introduction

• L'argent est l’un des outils principaux utilisé pour l’achat et la vente à travers les
époques en particulier ici en Algérie.

• Parmi les domaines de recherche les plus connus en Intelligence artificiel, on trouve le
"Deep Learning" ou l'apprentissage profond

• La reconnaissance des billets de monnaie est un domaine crucial dans de nombreux

secteurs tels que les systèmes de paiement automatisés et la détection de contrefaçons .

• la reconnaissance des billets ne se limite pas seulement à leur détection. Nous avons
également utilisé des techniques de traitement d'image pour extraire des caractéristiques
spécifiques des billets, notamment leurs dimensions

• L’objectif de ce projet était de proposer un modèle basée sur l'apprentissage profond pour la
reconnaissance et la détection des billets d’argent Algériens.
1
Généralité sur les billets d’argent
 Le billets d’argent

• Un billet d’argent, est une forme de monnaie

papier émise par le gouvernement d’un État,
utilisée comme moyen d'échange et de
paiement dans une région.

2
 Les billets d’argent algériens

• Le dinar algérien est l’unité de base de la monnaie algérienne et

symbole de la République algérienne.

• Depuis 1964, le dinar algérien a été commercialisé et la banque

centrale algérienne introduit plusieurs séries de billets de banque.

• Aujourd’hui, il existe 8 catégories de billets utilisées en Algérie 200,

500, 1000, 2000 dinars.

3
Deep learning et l’algorithme YOLOV5
 Aperçu sur le Deep Learning

• Le Deep Learning est un sous-domaine de la Machine Learning qui utilise des algorithmes inspirés de
la structure et des fonctions des réseaux neuronaux du cerveau humaine pour résoudre des différents
types de problèmes.

Artificiel Intelligence

Machine Learning

Deep
Learning

4
 Réseaux de Neurones Artificiels

• Les RNA sont des réseaux de fonctions connectées qui permettent à la machine d'apprendre à effectuer
des tâches complexes.

5
 Architecture de CNN

CNN

6
 Algorithme YOLO

• YOLO (You Only Look Once) est un modèle

de détection d’objets populaire connu pour sa
vitesse et sa précision.

7
 Architecture de YOLO

YOLO

8
• Le "backbone" est un réseau pré-entraîné utilisé pour
extraire une représentation riche en caractéristiques
des images. Cela permet de réduire la résolution
spatiale de l'image et d'augmenter sa résolution en
termes de caractéristiques.
• Le "neck" est utilisé pour extraire des pyramides de
caractéristiques. Cela permet au modèle de bien
généraliser aux objets de différentes tailles et échelles.
• La "head" est utilisée pour effectuer les opérations
finales. Elle applique des boîtes d'ancrage (boxes) sur
les cartes de caractéristiques et génère la sortie finale :
classes, scores de présence d'objet et boîtes
englobantes
 Fonctionnement de YOLO

Blocs résiduels :

• L’algorithme YOLO divise l’image en cellules de

grille NxN de forme égale.

• Chaque cellule de la grille est responsable de la

localisation et de la prévision de la classe de l’objet.
Régression des boîtes limitatives :

• L’étape suivante consiste à déterminer les boîtes de

délimitation qui correspondent à des rectangles
mettant en évidence tous les objets de l’image.

• YOLO détermine les attributs de ces boîtes de

délimitation en utilisant un module de régression
unique
 Intersection over Unions (IoU) :

• La plupart du temps, un seul objet d’une image peut

présenter plusieurs possibilités de prédiction, même si
elles ne sont pas toutes pertinentes.

• Le but de l’IoU est de jeter ces boîtes de grille pour ne

garder que celles qui sont pertinentes.
Suppression non maximale :

• Fixer un seuil pour l'IoU n'est pas toujours suffisant,

car un objet peut avoir plusieurs boîtes avec un IoU
dépassant le seuil, et conserver toutes ces boîtes
pourrait inclure du bruit.

• C'est ici que nous pouvons utiliser la suppression non

maximale (NMS) pour ne garder que les boîtes ayant
le score de probabilité de détection le plus élevé.
Les techniques de traitement d’image
 1- Profil d’images ou projection

• la méthode du profil d'images, en calculant les profils

de projection verticale et horizontale, permet de
segmenter ou d'extraire des objets dans une image en
détectant les variations significatives dans les valeurs
de somme des pixels le long des axes vertical et
horizontal.

2- Conversion d’image couleur en niveau de gris

• Pour convertir une image couleur (RVB) en une

image en niveaux de gris ou en noir et blanc, on
applique l’équation :
G = 0,299*R + 0,587*V + 0,114*B
 3- Seuillage ou binarisation d’une image

• Le suillage ou la binarisation consiste a convertir

l’image en une forme binarisée
• Si la valeur d’un pixel est inférieure à la valeur seuil,
convertissez-la en 0 (Noir) et si la valeur d’un pixel
est supérieure à la valeur seuil, convertissez-la en 1
(blanc) ou vice-versa

4- Le filtrage gaussian

Un filtre gaussien est un filtre passe-bas utilisé pour

réduire le bruit (composants haute fréquence) et les zones
de flou d’une image.
5 -Filtrage morphologie

Fermeture :

• La fermeture consiste à faire subir à l’image une

dilatation suivie d’une érosion.
• Elle permet d’éliminer les taches noirs qui se trouvent
dans l’objet

Ouverture :

• L’ouverture est l’opération inverse de la fermeture,

constituée par une opération d’érosion suivie d’une
dilatation.
• Elle permet d’éliminer les taches blanches dans le
fond de l’image.
6 -Détection de contour

• La détection des contours est une technique de

traitement d’image.
• Elle permet de segmenter l'image en régions distinctes
et de préserver les détails importants tout en réduisant
la quantité de données à traiter.
Test et Résultats
 Description de base de données

Base de données

Train Valid Test

79% 19% 1%

àà
Class Precision Recall mAP mAP Inference
% % [0.5] [0.5:0.95] Time (ms)

1000F 0,989 0,952 0,98 0,98 24min24sec

1000P

2000F
 B- calcule du rapport par les technique de traitement d’image

Dans ce partie on à créé une system Dans le but

d’extraire plus d’information des billets détecté tel que
leurs dimensions (largeur et hauteur) afin de calculer le
rapport R=(largeur/hauteur).

Extraction de la zone de billet à partir de la fenêtre englobante détecté par le YOLOV5.

Pour ce faire, nous devons éliminer la fenêtre englobante de différentes couleurs, cette
couleur dépend de la classe détectée 

Cette couleur est utilisée comme seuillage pour extraire a fenêtre englobante et convertir
la couleur correspondante en blanc, selon la relation suivante :
█(𝑔={255 𝑠ⅈ 𝐹(𝑥,𝑦,2)≥255}@0 𝑠𝑖𝑛𝑜𝑛)
Nous appliquons une projection verticale et
horizontale pour déterminer le début et la fin dans le
cas horizontale et verticale de la boite englobante, ce
qui nous a permis d’extraire l’objet billet de
l’intérieur de la fenêtre englobante
Les techniques que nous avons utilisé est :

Conversion d’image couleur en niveau de gris

Filtrage Gaussien
Seuillages de l’image
Fermeture
Ouverture 
Calcule les dimensions 
Calcule les dimensions :
Pour déterminer les dimensions de billets, nous avons
appliqué le contour ensuit nous avons utilisé d’autre
instruction pour trouver les dimensions concernant la
largeur et la hauteur :

les résultats de rapport obtenus après de calculer tous

les dimensions des billets de test 
Après ces résultats, nous avons prend un échantillon de
10 billets de 1000 DA et 2000 DA et mesurer leurs
dimensions et calculé leurs rapports manuellement,
afin de les comparer avec les résultats précédents.
Nous avons constaté que les dimensions de 10 de
billets sont fixe de valeur :
Largeur=16,1 , hauteur=7,1 , le rapport=2,26.
Conclusion
Merci pour votre attention