Identification et détection du homard américain dans les secteurs de la pêche et de la transformation basées sur les systèmes de vision.

L'industrie du poisson et des fruits de mer joue un rôle essentiel dans l'économie du Canada atlantique, en particulier pour le homard américain, qui a atteint un record de 2,15 milliards de dollars de revenus d'exportation en 2016. Cependant, l'industrie de transformation du homard est confrontée à une pénurie de main-d'œuvre. Une solution potentielle pour remédier à ce problème et répondre à la demande croissante du marché serait d'automatiser certaines étapes de la chaîne de transformation. La vision parordinateur, qui a fait ses preuves dans divers domaines, pourrait jouer un rôle clé en détectant les homards et en guidant les bras robotiques dans leur manipulation. Cette technologie pourrait également soutenir l'industrie de la pêche en permettant de respecter les conditions de pêche relatives à la taille des homards, telles que celles annoncées par le Ministère des Pêches et Océans Canada (MPO) dans le cadre des mesures de gestion des zones de pêche du homard, en remplaçant les méthodes et techniques manuelles peu efficaces utilisées actuellement pour mesurer et analyser les homards.Cette thèse vise à développer un système de vision pour la détection du corps du homard, qui permettrait de guider un bras robotique dans la localisation et la manipulation du homard américain tout au long de sa chaîne de transformation. Dans un premier temps, le système iRvision intégré au robot FANUC a été testé, en utilisant les localisateurs Geometric Pattern Matching (GPM) et Curved Surface Matching (CSM), mais les résultats n'étaient pas satisfaisants. Par la suite, des algorithmes basés sur les réseaux de neurones convolutifs (CNN) ont été étudiés et les plus performants ont été sélectionnés, tels que YOLOv3, YOLOv4, FasterRCNN, Mask-RCNN et YOLOv7. Ils ont été implémentés sur des plateformes embarquées de Nvidia. Pour cela, un ensemble de données spécifique aux homards a été construit et utilisé pour réentraîner ces modèles, en tirant parti de l'apprentissage par transfert. Parmi les modèles étudiés, les algorithmes YOLOv3, YOLOv4 et YOLOv7 se sont révélés les plus performants en termes de précision et de temps d'inférence. Pour aller plus loin, un algorithme d'estimation de position a également été implémenté avec YOLOv7. Cet algorithme a été conçu pour estimer l'orientation du homard en utilisant les coordonnées cartésiennes planaires (x, y), permettant ainsi au robot d'effectuer des tâches de manipulation précises sur le homard.En outre, une approche innovante, combinant la vision par ordinateur et des modèles d'apprentissage en profondeur tels que YOLOv7 et Mask-RCNN, a permis de mesurer automatiquement la taille des carapaces de homards. Cette méthode contribue à la conformité aux réglementations sur la pêche du homard, renforce la durabilité de l'industrie et la confiance des consommateurs et souligne l'importance des avancées technologiques pour la préservation des écosystèmes marins.Mots-clés : Homard américain, Détection d'objets, Estimation de l'orientation des objets, Estimation poids-longueur, Vision par ordinateur, Réseaux de neurones convolutifs (CNN).

Name thesis:degree_name

Doctorat ès sciences appliquées

Level thesis:degree_level

3e cycle

Discipline thesis:degree_discipline

Faculté d'ingénierie

Grantor dc:publisher

Université de Moncton

Year dc:date.issued

2024

Author dc:creator

• Chelouati, Nawal

Advisors dc:contributor.advisor

• Bouslimani, Yassine
• Ghribi, Mohsen

• Homard d'Amérique
• Vision par ordinateur
• Pêche
• Robotique
• Réseaux de neurones convolutifs

Language dc:language.iso

iso639-2b, fre

Dc Identifier Other

umir:3070

OAI identifier oai:identifier

oai:umoncton.scholaris.ca:20.500.14658/6704