Browsing by Author "Encadreur: Ben-Naoum Farah"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Conception d’une méta-heuristique dans le cadre de la Mélissopalynologie
    (2021-01-11) Menad Hanane; Encadreur: Ben-Naoum Farah
    Résumé (en Français) : La mélissopalynologie consiste à étudier la source de pollen contenu dans le miel. Le but de ces études est la localisation des zones géographiques du genre végétal visité par les abeilles, bien que le miel puisse également contenir du pollen en suspension dans l'air provenant de plantes anémophiles, de spores et de poussières en raison de l'attraction par la charge électrostatique des abeilles. Jusqu'à présent, la détermination des types de pollen sur une lame n'est faite que par un biologiste, qui doit classer chaque pollen en utilisant le dictionnaire des lames, et réaliser ainsi un spectre décrivant la composition pollinique du miel. L'objectif de cette thèse est l'application des métaheuristiques et montrer leurs efficacité efficacité dans le traitement d'images pour l'analyse des données de mélissopalynologie. Les contributions proposées visent à appliquer des métaheuristiques pour détecter les grains de pollen dans les images. Tout d'abord, nous avons développé une technique d'intelligence en essaim inspirée du comportement de chasse des loups gris dans la nature en respectant la hiérarchie de la meute. Il a été testé sur un ensemble d'images microscopiques de grains de pollen. Après cela, nous avons présenté un système d'identification du pollen basé sur les images microscopiques en utilisant une méthode de seuillage avec un algorithme de recuit simulé. Enfin, nous avons proposé une approche de la segmentation de l'image afin de détecter les grains de pollen dans les images microscopiques. L'approche commence par générer deux pixels à l'aide d'algorithmes génétiques où l'un des pixels sélectionnés est un pixel pollen tandis que l'autre est un pixel appartenant à l'arrière-plan, puis nous avons utilisé l'algorithme kmeans pour le regroupement des pixels afin de segmenter l'image d'entrée, après quoi nous avons classé les images segmentées en utilisant des techniques d'apprentissage automatique, et enfin, nous avons utilisé la recherche taboue pour enregistrer les meilleurs pixels choisis par l'algorithme génétique en fonction de la précision obtenue comme fonction de fitness. Les résultats obtenus dans toutes nos contributions ont prouvé que les métaheuristiques sont de bonnes solutions pour la détection du pollen, tandis que l'étude comparative a montré que l'approche de recuit simulé proposée est la meilleure d'entre elles. Les mots clés :Melissopalynologie, Métaheuristiques, Reconnaissances de formes, Apprentissage profond. Abstract (en Anglais) : Melissopalynology consists of studying source of pollen contained in honey. The aim of such studies is localization of geographical areas of plants' genus visited by bees, although honey may also contain airborne pollen from anemophilous plants, spores, and dust due to attraction by the electrostatic charge of bees. Until now the determination of the types of pollen on a blade is only made through a biologist, that must classify every pollen by using the dictionary of blades, and realized so a spectrum describing the pollen composition of the honey. The objective of this thesis is the application of metaheuristics regarding to their efficiency in image processing for melissopalynology data analysis. The proposed contributions aims to apply metaheuristics to detect pollen grains in images. First, we developped a swarm intelligence technique inspired from Grey Wolves Hunting behavior in nature by respecting the hierarchy of a pack. It was tested on a set of microscopic images of pollen grains. After that, we presented a system of pollen identification based on the microscopic images using a thresholding method with simulated annealing algorithm. Finally, we proposed an approach for image segmentation in order to detect pollen grains in the microscopic images. The approach starts by generating two pixels using genetic algorithms where one pixel of the selected ones is a pollen pixel while the other is background pixels, then we used kmeans algorithm for image pixels clustering to segment the input image, after that we classified the segmented images using machine learning technics, and finally, we used taboo search to saved the best pixels chosen by genetic algorithm based on the obtained accuracy as fitness function. Obtained results in all contribution proved that metaheuristics are good solutions for pollen detection, while the comparison showed that simulated annealing approach proposed is the best among them. Keywords :Melissopalynology, Metaheuristics, Pattern recognition, Deep learning.