Dans de nombreux systèmes automatisés (robots de tri, bras manipulateurs, véhicules autonomes etc.), la chaîne d'information repose sur une brique fondamentale : la détection d'objets par vision artificielle. Identifier la position et la taille d'un objet cible à partir d'une image est un problème de traitement du signal visuel que l'on retrouve, par exemple, dans les systèmes de contrôle qualité en production ou les robots de manipulation (comme illustré en fin de TP avec la balle saisie par une caméra embarquée).

Ce sujet suit la chaîne complète d'un tel système de perception :

- Acquisition et représentation des données (Q1-Q2) : Transformer une image en un vecteur numérique exploitable, et constituer une base d'apprentissage (étape analogue à l'étalonnage d'un capteur).

- Apprentissage du modèle (Q3-Q4) : Entraîner un réseau de neurones à prédire la position et le diamètre d’un disque, ce qui correspond au bloc traitement de la chaîne d'information.

- Application en conditions réelles (Q5-Q9) : Tester le modèle sur des images réelles, avec redimensionnement et pré-traitement colorimétrique (illustration des contraintes d'intégration d'un algorithme dans un système physique réel).

Dans l’étude qui suit, l’objectif est de créer un réseau de neurones entrainé pour reconnaitre automatiquement la position d’une balle rouge sur une image blanche. Nous travaillerons avec des images de 50x50 pixels (nombre de lignes nl et nombre de colonnes nc).

Il sera alors possible d’étendre les possibilités de ce réseau de neurones, nous nous limiterons volontairement à une étude simple pour qu’elle ne prenne pas trop de temps.