Qu’est-ce que l’analyse d’images ?
L’analyse d’images est la capacité d’un ordinateur à reconnaître les attributs d’une image. En d’autres termes, il s’agit d’extraire les caractéristiques des données numériques d’une image acquise et de créer un algorithme basé sur un jugement humain subjectif ou des critères humains pour prendre des décisions automatiques.
Par exemple, la technologie d’analyses d’images est répandue dans notre vie quotidienne dans les applications photo des smartphones. La technologie utilisée dans les applications photo permet de classer les objets d’une photo par reconnaissance faciale pour afficher une liste d’objets similaires et ainsi lier des photos entre-elles.
Nous utilisons également les réseaux sociaux, où l’analyse de texte est une fonction de base. L’analyse d’images devient ainsi de plus en plus importante et courante en tant que fonctionnalité pour les réseaux sociaux.
En effet, en termes d’analyse des réseaux sociaux, l’analyse d’images est considérée comme une extension de la fonctionnalité d’analyse de texte appliquée au contenu visuel.
L’intelligence artificielle, y compris l’apprentissage automatique, s’est développée depuis l’avènement de l’IA à la fin des années 1960. Aujourd’hui, cette technologie peut être utilisée pour prendre des décisions automatiques en extrayant des informations à partir d’images et d’informations données.
Introduction de l’analyse d’images
Un exemple d’introduction de l’analyse d’images est le développement de méthodes de test d’aberration chromosomique.
Le test d’aberration chromosomique est une méthode d’essai qui utilise des cellules cultivées pour examiner l’inductibilité des aberrations chromosomiques structurelles et numériques par des substances chimiques afin de prédire les premiers stades de la cancérogenèse.
Les tests de dépistage utilisant des micro-organismes sont souvent utilisés pour détecter les mutagènes et les cancérogènes dans l’eau naturelle et l’eau potable. Toutefois, pour évaluer quantitativement le risque pour l’homme, des tests sont encore souvent réalisés sur les mammifères.
C’est pourquoi l’utilisation de cellules cultivées de mammifères comme méthode d’essai simple permet également de prendre en compte la sécurité.
Par ailleurs, comme il est très important d’incorporer des tests d’aberration chromosomique en utilisant des cellules cultivées de mammifères, l’analyse d’images de la multiplication des chromosomes est utilisée dans la recherche pour détecter les aberrations et apporter de l’objectivité aux résultats des tests.
D’autre part, bien que la technologie de l’analyse d’images soit très développée, les méthodes d’analyse nécessaires à son utilisation n’ont pas suivi le même rythme.
Cette recherche est donc extrêmement importante pour faire évoluer les méthodes d’analyses d’images.
L’étude mentionnée dans cette article est décrite dans Proc. of Environ. & Sani. Eng. Research, Vol. 26, 1990.
Avantages et inconvénients de l’analyse d’images
Les avantages de l’analyse d’images sont notamment l’augmentation de la productivité, l’amélioration des conditions de travail et la réduction des coûts de main-d’œuvre. Par exemple, lorsque l’analyse d’images est incorporée dans le travail d’inspection, elle peut identifier les pièces défectueuses et d’autres défauts sans l’utilisation de l’œil humain.
En plus de l’analyse d’images, des machines de tri et des robots peuvent être associés pour trier automatiquement les éléments à inspecter.
Il est ainsi possible d’effectuer des inspections même pendant de longues heures de travail ou dans des environnements dangereux, ce qui contribue à la sécurité sur le lieu de travail.
De plus, il réduit la perte de qualité due à l’erreur humaine et le gaspillage d’efforts tels que la revérification ultérieure des défauts de qualité non détectés par l’œil humain, ce qui libère du temps pour d’autres tâches et permet de réduire les coûts de main-d’œuvre.
En revanche, les inconvénients de l’analyse d’images sont le coût de l’équipement nécessaire à sa réalisation et la rareté des applications logicielles disponibles sur le marché, bien qu’en croissance.
L’analyse d’images nécessite des caméras, des capteurs et des moniteurs, ce qui entraîne des coûts initiaux élevés. En outre, comme l’analyse d’images est encore une technologie en développement, il peut être difficile de trouver les logiciels et les applications adéquats pour cette tâche.
Toutefois, comme il s’agit d’un domaine en fort développement, il est nécessaire de rester attentif à la disponibilité de produits adaptés à vos besoins.
Méthodes et types d’analyses d’images
Il existe trois grandes catégories de méthodes typiques d’analyses d’images : la classification d’images, la détection d’objets et la segmentation d’images.
- Classification des images
La classification des images fait référence aux méthodes qui permettent de distinguer ce qui se trouve dans l’image d’intérêt et de le diviser en catégories. Les images et les photographies contiennent différentes informations qui sont utilisées pour classer les images en extrayant des caractéristiques de l’image matricielle. Par exemple, un espace dans une seule image peut être reconnu en demandant à la machine de le mémoriser en tant que chien, chat, humain, ciel, arbre, etc. - Détection d’objets
C’est une méthode de détection de l’objet qui utilise un comportement similaire à celui de la classification d’images. Cependant, la détection d’objets effectue également des opérations pour réduire l’emplacement de la zone de l’objet et repousser les objets autres que celui qui est reconnu. En outre, alors que la classification d’images cible un seul objet dans une image, la détection d’objets peut capturer plusieurs éléments simultanément. - Segmentation d’images
La segmentation d’images est une méthode permettant de déterminer la nature d’une zone d’une image. Cette méthode fonctionne généralement en combinant plusieurs techniques. Par exemple, pour garantir la fiabilité des régions discriminées, un processus d’étiquetage appelé annotation est nécessaire. L’annotation est une méthode de discrimination qui consiste à attacher des étiquettes d’information aux objets en attachant des métadonnées à des informations spécifiques.
Il existe également deux types de techniques d’analyses d’images :
- La reconnaissance faciale
La reconnaissance faciale est une technologie qui permet à un ordinateur d’extraire et d’identifier les traits du visage d’une personne. En comparant les informations sur un visage enregistrées dans une base de données avec les informations sur un visage détecté par un capteur, on utilise une technologie appelée reconnaissance faciale. Ces dernières années, il est devenu possible de détecter non seulement les visages humains, mais aussi les visages d’animaux. En outre, la technologie permettant de lire les expressions faciales est appelée reconnaissance des émotions et fait l’objet de recherches. - La reconnaissance de caractères
La reconnaissance de caractères est une technologie permettant de lire et d’identifier des caractères sur des documents papier. En général, le texte est capturé sous forme de données de caractères en utilisant un scanner pour lire le texte ou en capturant le texte à l’aide d’une caméra. Les données de caractères capturées sont converties en données textuelles, qui sont ensuite utilisées pour des fonctions de traduction ou pour vérifier les différences entre les caractères.
La relation entre l’IA et l’analyse d’images
L’IA, également connue sous le nom d’intelligence artificielle, est un système dans lequel un ordinateur effectue des activités intellectuelles semblables à celles de l’homme, en s’inspirant des mécanismes du cerveau humain. Ces mécanismes peuvent être combinés à l’analyse d’images pour offrir une plus grande certitude.
Différents types d’analyses d’images basées sur l’IA se généralisent, en fonction des besoins. Cette rubrique décrit les méthodes de reconnaissance d’images les plus courantes et explique comment elles sont utilisées.
Tout d’abord, pour utiliser l’IA, il faut préparer les données de l’image et savoir ce que l’on veut détecter. En effet, l’analyse d’images par l’IA ne peut déterminer qu’il y a quelque chose que si elle peut identifier la cible.
Bien que le nombre d’images à partir desquelles les caractéristiques de la cible sont apprises doive être élevé, si le nombre d’images est faible, il est possible d’augmenter le nombre d’images en les agrandissant, en les réduisant ou en les faisant pivoter.
En outre, le fait de spécifier plus d’une caractéristique à apprendre augmente la précision. Par exemple, si seules l’élément « oreilles » est enregistré en tant que caractéristique, le système détectera les objets avec des oreilles, mais ne pourrait pas déterminer de quel type d’oreilles il s’agit.
Le taux de détection est ensuite déterminé par une méthode appelée convolution. La convolution divise l’image en plusieurs quadrants et détermine numériquement la précision du taux de correspondance dans ces quadrants par rapport à la caractéristique préalablement enregistrée.
Une fois que les caractéristiques ont été apprises, une méthode appelée pooling est utilisée pour résumer les caractéristiques en sélectionnant celle qui a la valeur numérique la plus élevée parmi les convolutions.
Enfin, le taux de détection et le taux de correspondance des caractéristiques sont déterminés et les performances sont évaluées. Si de bons résultats ne sont pas obtenus, la méthode décrite ci-dessus est mise à jour.
Utilisation de l’analyse d’images
L’analyse d’images est utilisée pour développer des techniques de reconnaissance pour les fissures dans le béton en utilisant, par exemple, la transformée en ondelettes de Gabor.
La transformée en ondelettes de Gabor est un outil mathématique d’analyse des données.
Les fissures dans les structures en béton sont étudiées par des enquêtes d’inspection par observation visuelle.
Toutefois, cette méthode d’enquête entraîne des variations d’évaluation entre les inspecteurs, ce qui affecte l’objectivité et le caractère quantitatif en raison de la négligence. C’est pourquoi le besoin d’enquêtes d’inspection plus efficaces, automatisées et numériques a conduit à des recherches utilisant le traitement numérique de l’image.
Pour établir des méthodes de traitement d’images, il est essentiel de disposer de méthodes de détection des fissures et de tâches de traitement très précises.
Pour ce faire, des améliorations ont été apportées à la méthode d’analyse d’images existante utilisant la transformée en ondelettes de Gabor 2D, qui s’est avérée efficace pour les fissures dans les structures réelles.
Cette recherche est décrite dans JSCE Transactions E2 (Materials and Concrete Structures), Vol. 68, No. 3,178-194,2012.178
L’analyse d’images a également été utilisée pour d’autres applications d’analyse de particules, en mesurant le « nombre de particules », le « diamètre des particules », la « distribution du périmètre » et la « rupture des particules » de matériaux tels que les céramiques, les résines et les métaux.