Doctorat

Now showing 1 - 3 of 3

Sélection des paramètres pertinents pour la reconnaissance des expressions faciales en mode indépendant des personnes
(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2025) Boukhobza, Fatima Zohra; Rouabah, Khaled(Directeur de thèse)
La reconnaissance automatique des expressions faciales est une tâche essentielle dans de nombreux domaines tels que la psychologie, l'interaction homme-machine, et la surveillance. Un système de REF se divise principalement en deux phases : la phase d'apprentissage et la phase de reconnaissance. Dans un premier temps, l'apprentissage vise à modéliser les différentes expressions faciales en extrayant des caractéristiques discriminantes. Dans un second temps, la phase de reconnaissance permet de classifier une nouvelle image faciale en fonction de son expression émotionnelle à l'aide de techniques telles que les classifieurs K-Nearest Neighbors (KNN), Support Vector Machines (SVM), ou encore les réseaux de neurones artificiels (ANN). Toutefois, les systèmes REF opérant en mode indépendant de la personne, c'est-à-dire sans personnalisation préalable aux individus, présentent généralement des taux de reconnaissance plus faibles. Cette baisse de performance est souvent due à la variabilité des visages selon les personnes (âge, sexe, morphologie), créant des interférences lors de la reconnaissance des expressions. Afin de surmonter cette difficulté, la sélection de paramètres pertinents devient un enjeu majeur. Cette thèse vise à améliorer les performances de ces systèmes en sélectionnant un ensemble de paramètres pertinents pour la reconnaissance des expressions, qui permettent de distinguer efficacement les expressions tout en minimisant l'influence des variations entre individus. En s'appuyant sur des techniques de sélection de caractéristiques telles que les méthodes de type filter, wrapper ou embedded, ce travail vise à concevoir un système plus robuste et performant dans des contextes où les expressions faciales doivent être reconnues de manière fiable et indépendante de l'identité des sujets
Detection and identification of defects in gearbox systems using artificial intelligence based techniques
(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2023) Ikhlef, Boualem; Benazzouz, Djamel(Directeur de thèse)
Gearboxes are massively utilized in nowadays industries due to their huge importance in power transmission; hence, their defects can heavily affect the machines performance. Therefore, many researchers are working on gearboxes fault detection and classification. However, most of the works are carried out under constant speed conditions, while gears usually operate under varying speed and torque conditions, making the task more challenging. In this work, we propose a new method for gearboxes condition monitoring that is efficiently able to reveal the fault from the vibration signatures under varying operating condition. First, the vibration signal is processed with the Maximal Overlap Discrete Wavelet Packet Transform (MODWPT) to extract the modes. Next, time domain features are calculated from each mode. Then the features set are reduced using the Ant colony optimization algorithm (ACO) by removing the redundant and unimportant parameters that may mislead the classification. Finally, an ensemble learning algorithm Random Forest (RF) is used to train a model able to classify the fault based on the selected features. The innovative aspect about this method is that, unlike other existing methods, ACO is able to optimize not only the features but also the parameters of the classifier in order to obtain the highest classification accuracy. The proposed method was tested on varying operating condition real dataset consisting of six different gearboxes. In the aim to prove the performance of our method, it had been compared to other conventional methods. The obtained results indicate its robustness, and its accuracy stability to handle the varying operating condition issue in gearboxes fault detection and classification with high efficiency
Segmentation et analyse des séquences cardiaques par les techniques d'apprentissage en profondeur (deep learning)
(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2023) Laidi, Amel; Ammar, Mohammed(Directeur de thèse)
Dans cette thèse, on travaille sur deux grandes problématiques dans l'utilisation de l'apprentissage approfondi dans les applications cardiaques: le manque de données étiquetées, et le manque d'explicabilité des modèles d'intelligence artificielle (IA). On a d'abord étudié l'impact d'utiliser des données synthétiques pour gérer le déséquilibre d'un ensemble de données sur la tâche de dépistage de l'athérosclérose à partir d'images d'angiographie coronarienne. On a noté une amélioration de la sensibilité de 60,8% à 89,0%, une performance sans précédent dans la littérature. Dans la deuxième partie, on travaille sur l'identification des structures cardiaques à l'aide d'un nouveau modèle d'IA qui imite le raisonnement des médecins. On a suivi un organigramme qui décrit chaque étape fait par le médecin lors de la segmentation et de l'identification manuelles des structures cardiaques, en remplaçant chaque étape par un algorithme d'apprentissage automatique approprié

Doctorat

Browse

Filters

Settings

Sort By

Results per page

Search Results