Salim Khazem soutiendra sa thèse intitulée Deep-learning and image processing for tree knot detection and prediction dirigée par Cédric PRADALIER et Jérémy FIX (Biscuit) le 29 novembre à 10h dans l’amphi GTE (Green room) de CentraleSupélec Metz.
Composition du jury proposé
M. Cédric PRADALIER, GeorgiaTech-Europe, Directeur de thèse
M. Jérémy FIX, CentraleSupelec, Co-directeur de thèse
M. Alexis JOLY, INRIA, Rapporteur
Mme Aline DERUYVER, Université de Strasbourg, Rapporteure
M. Bertrand KERAUTRET, Université Lumière Lyon 2, Examinateur
Mme Isabelle DEBLED-RENNESSON, Université de Lorraine, Examinatrice
M. Thiéry CONSTANT, INRA / UMR Silva, Invité
Mots-clés :
Machine learning, réseau de neurones, Traitement des données, Intelligence artificielle, Vision par ordinateur, Deep learning
Abstract :
In the wood industry, the quality of logs is heavily influenced by their internal structure, particularly the distribution of defects, especially knots within the trees. Accurately detecting these knots, which result from branch growth, can significantly enhance the industry’s efficiency by reducing waste and optimizing the quality of wood products. Traditionally, identifying knots and other internal characteristics of logs, such as centers and contours, requires specialized equipment like CT scanners, often combined with conventional computer vision approaches to obtain detailed images of the trees’ internal structure. The main challenge is that such equipment is costly and not accessible to all companies, limiting its adoption in the industry. This thesis focuses on addressing this issue, particularly on detecting internal defects based on the external surface of logs. The initial goal is to automate the detection of various log characteristics. These characteristics will then be used to perform the main task, which involves utilizing contour variations to detect the distribution of internal defects. One of the contributions of this work is the automation of detecting the semantic characteristics of trees using X-ray images. We establish that deep learning-based methods can perform well in detection and generalize effectively to other species without requiring human expertise. We introduce three end-to-end pipelines for detecting different characteristics, namely tree biological centers, contours, and knots.
The second significant contribution of this work is the development of a model for detecting internal defects based on the external surface. The model exclusively uses the fine contours of the log to predict the presence and distribution of internal knots, leveraging deep learning techniques. Initially, a recurrent convolutional model was employed to efficiently capture contour variations for inferring internal defects. Subsequently, exploratory work was conducted, beginning with the development of a lightweight model for shape classification. This approach helped validate the underlying principles before ex- tending it to the detection of internal defects, aiming to reduce model complexity without compromising result accuracy.
Résumé :
Dans l’industrie du bois, la qualité des grumes est fortement influencée par leur structure interne, notamment par la répartition des défauts, en particulier les nœuds à l’intérieur des arbres. La détection précise de ces nœuds, qui résultent de la croissance des branches, peut significativement améliorer l’efficacité de l’industrie en réduisant les pertes et en optimisant la qualité des produits dérivés du bois. Traditionnellement, l’identification des nœuds et d’autres caractéristiques internes des grumes, telles que les centres et les contours, nécessite l’utilisation d’équipements spécialisés tels que les scanners CT, souvent combinés à des approches classiques de vision par ordinateur pour obtenir des images détaillées de la structure interne des arbres. La principale difficulté est que ces équipements sont très onéreux et ne sont pas accessibles à toutes les entreprises, ce qui limite leur adoption dans l’industrie. C’est sur cette problématique que se concentre cette thèse et plus particulièrement sur la détection des défauts internes à partir de la surface externe des grumes de bois. Le but initial est de pouvoir automatiser la détection des différentes caractéristiques des grumes. Ensuite, ces caractéristiques seront utilisées pour faire la tâche principale qui consiste à utiliser les variations des contours afin de détecter la distribution des défauts internes. Une des contributions de ce travail est l’automatisation de la détection des caractéristiques sémantiques des arbres en utilisant les images rayon X. Nous établissons que, les méthodes basées sur l’apprentissage profond peuvent avoir une bonne performance de détection et une bonne généralisation à d’autres espèces sans pour autant nécessiter une expertise humaine. Nous introduisons trois pipelines bout-en-bout, pour les différentes caractéristiques à savoir les centres biologiques des arbres, les contours, et les noeuds. La deuxième contribution significative de ce travail, réside dans la mise en place d’un modèle de détection des défauts internes à partir de la surface externe. Le modèle utilise exclusivement les contours fins de la grume pour prédire la présence et la distribution des noeuds à l’intérieur, en exploitant des techniques d’apprentissage profond. Dans un premier temps, le modèle utilisé est de type convolutif récurrent, permettant de capturer efficacement les variations des contours pour inférer les défauts internes. Par la suite, un travail exploratoire a été entrepris, avec une première étape consistant à développer un modèle frugal pour la classification des formes. Cette approche a permis de valider les principes sous-jacents avant d’être étendue à la détection des défauts internes, tout en visant à réduire la complexité du modèle sans compromettre la précision des résultats.
