Contribution à la réalisation d’un support intelligent pour la classification des déchets a l’aide de deep Learning
Des informations générales:
Le niveau |
Master |
Titre |
Contribution à la réalisation d’un support intelligent pour la classification des déchets a l’aide de deep Learning |
SPECIALITE |
chaîne logistique |
Page de garde:
Sommaire:
Chapitre I: Notions fondamentale de la chaine logistique directe/inverse.
1. Introduction
1.1 La logistique.
1.3 La chaîne logistique
1.4 Les maillons de la chaine logistique
1.4.1 L’approvisionnement.
1.4.2 La fabrication/production
1.4.3 Stockage
1.4.4 Distribution
1.4.5 La vente.
1.5 Les flux dans la chaîne logistique.
1.5.1 Le flux informationnel
1.5.2 Le flux physique
1.5.3 Le flux financier
1.6 La chaine logistique inverse
1.6.1 Définition
1.7 Re-manufacturing.
1.8 Maintenance d’un produit en fin de cycle
1.9 Recyclage
1.10 Technique de collecte et de tri
Conclusion.
-Chapitre II-
2. Introduction
2.1 Intelligence artificielle.
2.1.1 Machine Learning
2.1.2 Deep Learning
2.1.3 Pourquoi le deep Learning?.
2.2 Le deep Learning pour le traitement des images
2.3 Le système de vision industriel.
2.3.1 Définition de la vision industrielle (machine vision).
2.4 La segmentation par seuillage.
2.5 La reconnaissance en utilisant une base de données
2.6 Quelque méthode d’imagerie utilisé dans l’industrie
2.6.1 La radiographie industrielle
2.6.2 La camera industriel
2.6.3 La tomographie industrielle
2.7 Etat de l’art
Conclusion.
Chapitre III: PROGRAMMATION ET IMPLEMENTATION DU CADRE D’ETUDE.
3. Introduction
Positionnement du problème.
3.1 Deep Learning.
3.2 Réseau de neurones
3.3 Fonctionnement du réseau de neurones (backpropagartion algorithm).
3.4 Les types d’architectures des réseaux de neurones.
3.5.1 Le perceptron multicouches
3.5.2 Le réseau de neurones récurrent (RNN)
3.5.3 Le réseau de neurone convolutifs (CNN)
3.6 Pourquoi choisir CNN?.
3.7 L’architecture d’un réseau de convolution.
3.7.1 Les couches d’un réseau convolution
3.8 Les architecture classique du CNN.
3.8.1 LeNet.
3.8.2 Alex-Net
3.8.3 GoogleNet.
3.8.4 Res-Net
3.9 Organigramme de l’algorithme
3.10 Les outils utilisés pour la programmation
3.11 Les logiciels
Python
Google colab
3.12 Les bibliothèques.
3.13 Visualisation des résultats
3.13.1 Préparer l’environnement
3.13.2Installer les bibliothèques. 3.13.31mporter les données
3.13.4 Diviser la base de données
3.13.5 Prétraitement de réseaux de neurones.
3.13.6L’augmentation de base de données.
3.13.7Le Transfert Learning
3.13.8L’entrainement de réseaux de classificateur
3.13.9 Visualiser les résultats
CONCLUSION.
CONCLUSION GENERAL
Bibliographie
1. Introduction
1.1 La logistique.
1.3 La chaîne logistique
1.4 Les maillons de la chaine logistique
1.4.1 L’approvisionnement.
1.4.2 La fabrication/production
1.4.3 Stockage
1.4.4 Distribution
1.4.5 La vente.
1.5 Les flux dans la chaîne logistique.
1.5.1 Le flux informationnel
1.5.2 Le flux physique
1.5.3 Le flux financier
1.6 La chaine logistique inverse
1.6.1 Définition
1.7 Re-manufacturing.
1.8 Maintenance d’un produit en fin de cycle
1.9 Recyclage
1.10 Technique de collecte et de tri
Conclusion.
-Chapitre II-
2. Introduction
2.1 Intelligence artificielle.
2.1.1 Machine Learning
2.1.2 Deep Learning
2.1.3 Pourquoi le deep Learning?.
2.2 Le deep Learning pour le traitement des images
2.3 Le système de vision industriel.
2.3.1 Définition de la vision industrielle (machine vision).
2.4 La segmentation par seuillage.
2.5 La reconnaissance en utilisant une base de données
2.6 Quelque méthode d’imagerie utilisé dans l’industrie
2.6.1 La radiographie industrielle
2.6.2 La camera industriel
2.6.3 La tomographie industrielle
2.7 Etat de l’art
Conclusion.
Chapitre III: PROGRAMMATION ET IMPLEMENTATION DU CADRE D’ETUDE.
3. Introduction
Positionnement du problème.
3.1 Deep Learning.
3.2 Réseau de neurones
3.3 Fonctionnement du réseau de neurones (backpropagartion algorithm).
3.4 Les types d’architectures des réseaux de neurones.
3.5.1 Le perceptron multicouches
3.5.2 Le réseau de neurones récurrent (RNN)
3.5.3 Le réseau de neurone convolutifs (CNN)
3.6 Pourquoi choisir CNN?.
3.7 L’architecture d’un réseau de convolution.
3.7.1 Les couches d’un réseau convolution
3.8 Les architecture classique du CNN.
3.8.1 LeNet.
3.8.2 Alex-Net
3.8.3 GoogleNet.
3.8.4 Res-Net
3.9 Organigramme de l’algorithme
3.10 Les outils utilisés pour la programmation
3.11 Les logiciels
Python
Google colab
3.12 Les bibliothèques.
3.13 Visualisation des résultats
3.13.1 Préparer l’environnement
3.13.2Installer les bibliothèques. 3.13.31mporter les données
3.13.4 Diviser la base de données
3.13.5 Prétraitement de réseaux de neurones.
3.13.6L’augmentation de base de données.
3.13.7Le Transfert Learning
3.13.8L’entrainement de réseaux de classificateur
3.13.9 Visualiser les résultats
CONCLUSION.
CONCLUSION GENERAL
Bibliographie
Télécharger:
Pour plus de
sources et références universitaires
(mémoires, thèses et articles
), consultez notre site principal.