Reconnaissance d'objets basée sur les histogrammes de couleur : une alternative aux codes-barres pour la gestion automatisée des stocks

Abstract

Ce 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.