La technologie de vision industrielle est plus que jamais un catalyseurde progrès dans le domaine du contrôle-qualité automatiséLessystèmes de vision industrielle peuvent introduire l’automatisation dansle processus de production à différents niveaux, allant simplement du processusd’inspection à une partie intégrante d’un système de contrôle de processusstatistique capable d’identifier le moment où un processus de fabrication esthors spécification. Des mesures peuvent être prises avant la fabrication detout produit défectueux.Les systèmes d’inspection en ligne acquièrentdes images de produits et les inspectent en temps réel avant de décider de laqualité du produit. Cela peut être utile pour identifier les problèmes etpermettre l’amélioration des processus afin d’empêcher les articles de qualitéinférieure de passer à l’étape suivante de la production. Il existeessentiellement trois principaux types de systèmes de vision : Les camérasintelligentes ; systèmes devision compacts et les systèmesbasés sur PC .Les camérasintelligentes combinent le capteur, leprocesseur et les entrées sorties  d’unsystème de vision dans un boîtier compact, souvent plus petit qu’une caméraindustrielle standard, de sorte que tout le traitement de l’image est effectuéà bord. En combinant tous ces éléments dans un seul paquet, les coûts sontminimisés. Ces systèmes sont idéaux lorsqu’une seule vue d’inspection estrequise ou qu’aucun affichage local ou contrôle d’utilisateur n’est nécessaire.

 Lessystèmes de vision compactsont le processeur dans un petit boîtier compact avec des E / S industriellesplutôt que dans l’appareil photo lui-même. Cela permet à plusieurs camérasd’être connectées au contrôleur sur de longues longueurs de câble pour partagerle processeur et les E / S, ce qui les rend très rentables pour les solutionsmulti-caméras.Les systèmes baséssur PC exploitent la puissancecroissante de l’informatique grand public pour des systèmes de vision hauteperformance. Ces systèmes peuvent prendre en charge les capacités detraitement d’image les plus complexes avec une polyvalence qui va de laconfiguration d’un PC unique à une caméra unique en passant par desconfigurations multi-caméras et multi-caméras.Lesystème embarqué Unsystème embarqué est une combinaison de matériel informatique et de logiciel ,soit fixe, soit programmable, conçu pour une fonction spécifique ou pour desfonctions spécifiques au sein d’un système plus important. Les machinesindustrielles, les appareils agricoles et industriels, les automobiles, leséquipements médicaux, les appareils photo, les appareils électroménagers, lesavions, les distributeurs automatiques et les jouets ainsi que les appareilsmobiles sont tous des emplacements possibles pour un système embarqué.******************************************************L’appariement des modèles a diverses applications et estutilisé dans des domaines tels que la reconnaissance faciale (voir le système dereconnaissance faciale ) et le traitement de l’image médicale.

 Dessystèmes ont été développés et utilisés dans le passé pour compter le nombre devisages qui traversent une partie d’un pont dans un certain laps de temps. D’autressystèmes incluent ladétection automatisée des nodules calcifiés au sein des radiographiesnumériques du thorax.  Récemment, cette méthode a été implémentéedans la simulation géostatistique qui pourrait fournir un algorithmerapide.

  Aujourd’hui, les objets connectés ne sont plus unepromesse. Chaque semaine les industriels mettent sur le marché un nombrecroissant de petits objets connectés et intelligents. Les dernières prévisionsindiquent que le nombre de capteurs de vision embarqués suivra une augmentationde 56% par année sur les 10 prochaines années. Cette augmentation est due auxavancées technologiques du marché du semi-conducteur, au développement deméthodes et d’outils de conception de systèmes embarqués, et à l’utilisationd’algorithmes de vision de plus en plus efficaces.

L’extraction et letraitement de l’information en temps-réel reste un objectif à atteindre pour différents systèmes :industriel, médical, etc.Dans ce contexte se situent ce travail, visant àétudier et implémenter un système d’analyse et d’extraction de l’information àpartir d’une séquence vidéo. Compte tenu des exigences des applications entermes de performance, du temps de traitement, de la consommation d’énergie etde la facilité du déploiement des systèmes de vision, ainsi que l’utilisationprimordiale des architectures embarquées.

Dans la partie état de l’art, nous exposons  quelque important  travaux antérieurs traitant le sujet  de la vision par ordinateur pour  la détection d’objets, qui consiste à trouverautomatiquement des objets dans des images, c’est-à-dire donner leurspositions  et ces distinctifs. Lesapplications les plus courantes sont des systèmes de sécurité ou de sûreté(détection de piétons, identification de comportement), ainsi que des systèmesde contrôle (Détection de caractéristiques ou de défauts de surfaces). Dans lapartie reconnaissance le problème consiste à savoir à quelle catégorie d’objetsappartient le contenu d’une image ou d’une portion d’image. La problématique decette thèse est plus spécifique, car elle se pose dans des cas plus restreint,et se focalise sur plusieurs niveau de détection  d’objet mouvant macro  et microscopique.

Dans la partie développement,  nous avons développé un  système pour le suivi d’objets dans deschamps de vision recouvrant. La chaîne algorithmique est composée d’un étage dedétection basé sur la corrélation normalisé,  ou  la fonction de corrélation,  est un opérateur qui agit sur deux fonctions(f(x,y) , g(x,y)), correspondant chacune à une image. Cet opérateur a lapropriété de valoir 1 lorsque les deux fonctions sont identiques et de tendrevers -1 quand les fonctions sont différentes. Pour mesurer en 2D, ledéplacement relatif de deux images selon les axes x et y de l’image,l’algorithme de corrélation utilise cet opérateur, en prenant comme fonctions fet g des portions respectivement des images de référence et déformée.L’algorithme recherche les valeurs des déplacements dx et de dy telles queg(x+dx,y+dy) maximise l’opérateur de corrélation avec f.

Ces valeurs sontretenues comme les meilleures estimations des déplacements de l’image g parrapport à l’image f.Le deuxième étage développé, traite le  suivi robuste avec un algorithme à base deméthode de différence carré normalisé boosté avec Template dynamique  DCNTD. La méthode proposée combine le résultat fourniepar la méthode de segmentation de couleurs nuancé  SCN pour extraire  l’information dugradient de l’image d’entrée dans le but d’assurer une bonne détection avec unefaible complexité. Le résultat de détection est traité par un algorithme d’analyse des composantes connectées afind’extraire les caractéristiques des objets détectés. Les caractéristiquesconstituent les observations des nuances la quantification et les difformitéspar rapport à une référence prédéfinis. En effet, la méthode originale DCNTDtraite les occultations se produisant entre les objets. Quand l’occultation estdétectée, une transcription vers un nouveau Template faisant retourner ladétection vers une zone frétillante.

L’approche proposée assure un suivi et uncontrôle temps réel dégageant  toutetransformation détecté. Dans la deuxième partie de la thèse, on a conçu unsystème de renforcement de la détection des champs multi-région. Le systèmeprend en considération que la caméra exécute DCNTD. Le système est basé surcette approche consolidée par un filtrage mean-shift de prétraitement quifavorise la mise en évidence et la quantification selon des paramètresprédéfinis. L’approche a été testée pour des applications endomaine histologique pour  laQuantification de la prolifération des cellules cancéreuse (Q C C)  dans le traitement des pseudo-couleurs par indice Ki67.  Les résultatsobtenus sont prometteurs pour le fonctionnement de l’approche dans plusieurs autredomaines.