Application de la vision artificielle à l'identification de groupes benthiques dans une optique de suivi environnemental des récifs coralliens

Prévost, Isabelle (2015). Application de la vision artificielle à l'identification de groupes benthiques dans une optique de suivi environnemental des récifs coralliens. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (3MB) | Prévisualisation
Prévisualisation	PDF Télécharger (922kB) | Prévisualisation

Résumé

La composition des récifs coralliens est un excellent indicateur de la santé de la faune marine. Pour cette raison, les biologistes de l’Australian Institute of Marine Science (AIMS) en effectuent un suivi constant par l’analyse de photos acquises chaque année à travers la Grande Barrière de corail. Pour accélérer l’identification de leur contenu, on développe des algorithmes automatisés de reconnaissance de forme qui sont basés sur l’intelligence et la vision artificielles.

Nous avons optimisé chaque étape d’un de ces algorithmes pour les caractéristiques de la base de données de l’AIMS. Pour débuter, nous avons évalué divers prétraitements pour compenser l’effet de l’imagerie sous-marine. Ensuite, nous avons itéré sur la taille de la fenêtre d’analyse pour former une segmentation simple et facile d’application. Puis, nous avons extrait des descripteurs à plusieurs échelles et sur plusieurs canaux de couleur de manière à exploiter adéquatement la richesse en information visuelle des images de coraux et nous avons réduit la dimensionnalité de l’espace de descripteurs. Enfin, nous avons défini une plage de valeurs idéales pour les paramètres des classificateurs. Pour compléter le tout, nous avons comparé la performance des étapes optimisées à celle d’algorithmes correspondant à la fine pointe de la technologie.

Postérieurement, nous avons généralisé l’application à toute la base de données par des validations croisées qui ont permis de définir les limites de performance du système. Nous avons aussi développé des stratégies réalistes d’exploitation de la base de données. Pour ce faire, nous avons évalué la compatibilité de divers groupes d’entrainement et de test, appartenant à la même période temporelle, mais à des emplacements spatiaux distincts et vice-versa, puis à des groupes petits, grands, homogènes et diversifiés. La stratégie ainsi développée a permis d’atteindre les objectifs fixés et de compléter un outil efficient pour les biologistes marins de l’AIMS.

Titre traduit

Application of artificial vision to benthic groups identification towards the environmental monitoring of coral reefs

Résumé traduit

The content of coral reefs is an excellent indicator of the health of the sea fauna. Because of this, biologists at the Australian Institute of Marine Science (AIMS) constantly monitor it through the analysis of pictures, which are acquired every year in the Great Barrier Reef. To accelerate the identification of their content, automated coral recognition algorithms that are based on artificial intelligence and artificial vision have been developed.

We optimized each step of a pattern recognition algorithm for the AIMS’ database’s particularities. To begin with, we tested the pre-processing techniques in order to compensate the effect of underwater imaging. Afterwards, we iterated on the size of the region of interest to create a simple and easy to apply segmentation method. Then, we extracted features through different scales and color channels to use as much of the available visual information as possible and we reduced the dimensionality of the feature space. Finally, we defined a range of ideal values for the classifier’s parameters. We completed this series of step by comparing the performance of the optimized pattern recognition algorithm to that of the state of the art.

Subsequently, we generalized the application of this algorithm to the entire database by the use of cross-validations. The latter helped define the performance’s limits of the system. We also developed operational strategies for AIMS’ database. To do this, we assessed the compatibility of various training and testing groups belonging to the same time period, but to different locations and vice versa, then to small, large, homogeneous and diverse groups. The resulting strategy achieved the set objectives and yielded an efficient tool for the marine biologists of the AIMS.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise en génie de l'environnement". Bibliographie : pages 130-134.
Mots-clés libres:	Reconnaissance optique des formes (Informatique) Algorithmes. Biologie Classification Logiciels. Vision artificielle (Robotique) Conservation des récifs coralliens. Faune benthique. Intelligence artificielle Applications biologiques. récifs coralliens, groupes benthiques
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Landry, Jacques-André
Programme:	Maîtrise en ingénierie > Génie de l'environnement
Date de dépôt:	02 déc. 2015 14:52
Dernière modification:	02 déc. 2015 14:52
URI:	https://espace.etsmtl.ca/id/eprint/1568

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt