Académique Documents
Professionnel Documents
Culture Documents
Presantation Djellout-Anabi
Presantation Djellout-Anabi
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
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 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
2
Les billets d’argent algériens
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
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 :
4- Le filtrage gaussian
Fermeture :
Ouverture :
Base de données
àà
Class Precision Recall mAP mAP Inference
% % [0.5] [0.5:0.95] Time (ms)
1000P
2000F
B- calcule du rapport par les technique de traitement d’image
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 :