Filière Electronique
Permanent URI for this collectionhdl:123456789/457
Browse
2 results
Search Results
Item Reconnaissance d'objets basée sur les histogrammes de couleur : une alternative aux codes-barres pour la gestion automatisée des stocks(Université de Mohamed El-Bachir El-Ibrahimi Bordj Bou Arreridj, 2026-06-29) ZIANE Abdelbasset; ZAOUI FaresCe mémoire présente une étude comparative de plusieurs méthodes d’extraction de caractéristiques pour la classification d’images. L’objectif est d’évaluer l’impact des descripteurs de couleur sur les performances de classification. Cinq approches ont été étudiées : AlexNet, Vision Transformer (ViT), U-Net, CLIP et Mini-Batch K-Means. Les caractéristiques extraites sont combinées à des informations colorimétriques issues des espaces RGB et HSV, puis classifiées à l’aide des algorithmes CNN, SVM et KNN. Les expérimentations sont réalisées sur les bases COIL-100 et ALOI afin d’analyser la robustesse des méthodes face aux variations d’éclairage et de point de vue. Les résultats montrent que Vision Transformer obtient les meilleures performances globales, tandis que U-Net offre également une excellente capacité de généralisation. L’intégration des caractéristiques de couleur améliore significativement la précision de classification.Item Diagnostic de la maladie de Parkinson basé sur l’analyse de la voix et l’application de l’apprentissage profond(Faculté des sciences et de la technologie, 2025-07-01) Brahimi Romayssa; Bechami NourELHoudaLe diagnostic automatique de la maladie de Parkinson à partir de la voix, en s’appuyant sur l’apprentissage profond, est une méthode moderne et prometteuse pour la détection précoce de cette maladie neurologique. Cette approche se caractérise par son caractère non invasif et son faible coût. Plus particulièrement, un système de diagnostic de MP par la voix consiste à classifier des signaux vocaux en classes N (Normale) et AN (Anormale : Parkinsonien), en utilisant des algorithmes de Machine Learning (ML). Dans ce projet, on propose d’appliquer des algorithmes d’apprentissage profond sur les paramètres acoustiques pour cette tâche de diagnostic. La conception d’un tel système se base sur une phase d’apprentissage permettant la modélisation des différentes classes et une phase de reconnaissance permettant la classification du signal d’entrée en une classe N ou AN. Les résultats d’une étude comparative entre les performances du système proposé et celles d’un système basé sur des algorithmes d’apprentissage automatique tels KNN et SVM, nous ont montré l’efficacité du classificateur SVM en modes indépendant et dépendant du locuteur. Cependant, l’algorithme d’apprentissage profond montre une faible précision, causée par le nombre limité des données de la base d’apprentissage