A connectionist system for recognition of 2D workpieces
Un système connexionniste pour la reconnaissance de pièces industrielles 2D
Abstract
A connectionist architecture for recognition of parts of objects (2D workpieces) is proposed. The chosen strategy is the following : starting from a contour of the object to be recognized,
a polygonal approximation is performed. Then recognition functions are computed on the result of the polygonal approximation (typically, a recognition function is a boolean function that is true when specified crossing angles of segments are found), and are used to feed a multi-layer neural network trained with the backpropagation algorithm. Improvements of traditional backpropagation have been necessary to achieve satisfactory learning. Some of these improvements are described.
During the learning phase, the neural network is trained to recognize randomly selected parts of objects. Then the network performances are evaluated on images that were not used for learning. Experiments conducted on more than 100 images (with about 5 parts of objects on each) have shown a recognition rate of 94\%. Furthermore, a comparison with a symbolic learning system is also provided in order to see the advantages and disadvantages of each method.
Nous proposons un système connexionniste pour la reconnaissance d'objets partiellement cachés (pièces industrielles 2D). La stratégie choisie est la suivante: à partir d'un contour de l'objet à reconnaitre, une approximation polygonale est
réalisée. Puis, des fonctions de reconnaissance sont calculées sur le résultat de l'approximation polygonale (typiquement, une fonction de reconnaissance est une fonction logique qui est vraie lorsque des configurations angulaires spécifiques sont trouvées sur le polygone). Les valeurs de ces fonctions alimentent un réseau de neurones multi-couches entrainé par l'algorithme de rétropropagation. Des améliorations de cet algorithme ont été nécessaires afin d'obtenir un apprentissage satisfaisant. Certaines d'entre elles sont décrites.
Pendant la phase d'apprentissage, on entraine le réseau de neurones à reconnaitre des objets partiellement cachés (les configurations d'occlusion sont choisies aléatoirement). Puis, le réseau est testé sur des images qui n'ont pas servi à l'apprentissage. Des expérimentations conduites sur plus de 100 images, avec environ 5 objets (souvent partiellement cachés) par image ont montré un taux de reconnaissance de 94%. Nous proposons également une comparaison avec un système d'apprentissage symbolique afin de mettre en valeur les avantages et les inconvénients de chaque méthode.