L’émergence de l’intelligence artificielle fait réfléchir sur le potentiel d’évolution de nos industries et de nos métiers. De plus en plus, les entreprises ont recours à la Computer Vision (vision par ordinateur), et en particulier à la reconnaissance d’image, pour améliorer leurs processus et augmenter leur productivité. Nous avons donc décidé de vous expliquer en quelques mots ce qu’est la reconnaissance d’image, son fonctionnement ainsi que ses différents usages.
Qu’est-ce que la reconnaissance d’image ?
La reconnaissance d’image, sous-catégorie de la Computer Vision et de l’Intelligence Artificielle, représente un ensemble de méthodes de détection et d’analyse d’images pour permettre l’automatisation d’une tâche spécifique. Il s’agit d’une technologie qui est capable d’identifier des lieux, des personnes, des objets et plusieurs autres types d’éléments au sein d’une image et d’en tirer des conclusions en les analysant.
La reconnaissance photo ou vidéo peut être réalisée à des degrés de précision différents, par rapport au type d’information ou de concept recherché. En effet, un modèle ou algorithme est capable de détecter un élément spécifique, tout comme il peut simplement attribuer une image à une grande catégorie.
Il existe donc différentes “tâches” que la reconnaissance d’image peut effectuer :
- La classification. Il s’agit de l’identification de la “classe”, autrement dit la catégorie, à laquelle une image appartient. Une image ne peut avoir qu’une seule classe.
- Le tagging. Aussi appelé “labellisation”, il s’agit d’une tâche de classification mais à un degré de précision plus élevé. Cela va permettre de reconnaître la présence de plusieurs concepts ou objets au sein d’une image. Il est par conséquent possible d’attribuer un ou plusieurs tags à une image en particulier.
- La détection. Cela est nécessaire lorsque l’on souhaite situer un objet dans une image. Une fois la localisation réussie, un rectangle, appelée en anglais bounding box, va encadrer l’objet en question.
- La segmentation. Elle représente également une tâche de détection. La segmentation peut situer au pixel près un élément sur une image. Car dans certains cas, la précision ne peut être négligée, tel que pour le développement des voitures autonomes.
Comment fonctionne la reconnaissance d’image ?
La reconnaissance d’image en théorie
De manière théorique, la reconnaissance d’image s’appuie sur le Deep Learning, ou apprentissage profond en français. Le Deep Learning, sous-catégorie du Machine Learning, se réfère à un ensemble de techniques et de technologies d’apprentissage automatique, basées sur des réseaux de neurones artificiels.
Mais qu’est-ce qu’un réseau de neurones artificiels?
Un réseau de neurones artificiels est similaire à un réseau de neurones humain, cependant un neurone artificiel représente une fonction mathématique!
Il faut garder à l’esprit qu’un réseau de neurones artificiels est composé d’une entrée ( input) , de paramètres et d’une sortie (output).
Chaque réseau se constitue de plusieurs couches de neurones, qui peuvent s’influencer les unes par rapport aux autres. La complexité de l’architecture et de la structure d’un réseau de neurones va dépendre du type d’information recherché.
C’est grâce à ces réseaux de neurones qu’un algorithme est capable de reconnaître un concept au sein d’une image!
La reconnaissance d’image en pratique
En pratique, pour que les réseaux de neurones puissent reconnaître un ou plusieurs concepts sur une image, il va être nécessaire de les entraîner. Pour ce faire, il faut collecter et constituer un premier jeu de données visuelles qui servira de base d’entraînement.
[Gardez à l’esprit que la reconnaissance d’image fonctionne en analysant chaque pixel d’une image afin d’extraire de l’information, comme le fait un œil humain. Par conséquent, si vous n’êtes pas en capacité de comprendre l’information sur une photo, votre modèle ne le pourra pas non plus !]
Une fois le jeu de données constitué, il est primordial d’annoter ou labelliser le jeu de données, c’est-à-dire indiquer à votre modèle si l’élément recherché est présent ou non sur une image, ainsi que sa localisation. À noter qu’en fonction de la tâche choisie, il existe différents types de labels (tags, bounding boxes ou polygones).
Ce n’est qu’une fois que l’ensemble du jeu de données a été annoté qu’il est possible de passer à l’entraînement. En effet, comme pour un cerveau humain, il faut apprendre au réseau de neurones à reconnaître un concept en lui montrant de nombreux exemples variés.
Le but final de l’entraînement est que l’algorithme puisse réaliser des prédictions après avoir analysé une image, en d’autres mots, attribuer une classe à l’image ou indiquer si un élément spécifique est présent.
Que peut-on faire avec la reconnaissance d’image ?
Avec un système ou une plateforme de reconnaissance d’image, il est possible d’automatiser des processus métiers et ainsi d’améliorer la productivité. Effectivement, une fois qu’un modèle reconnaît un élément sur une image, il peut être programmé pour réaliser une action particulière. Plusieurs cas d’usages différents sont déjà en production et sont déployés à grande échelle, dans divers industries et secteurs.
Par exemple, dans le secteur de la télécommunication, il a été possible de déployer une solution d’automatisation du contrôle qualité. En effet, les techniciens opérant chez des particuliers utilisent un système de reconnaissance d’image afin de contrôler la qualité de leur installations.
Dans un autre registre, un système de vidéo surveillance intelligent, basé sur la reconnaissance d’image, est capable de signaler tous comportements ou situations inhabituels au sein des parkings.
La reconnaissance d’image peut donc être déployée aussi bien dans la télécommunication que dans le BTP ou encore l’industrie pharmaceutique.
