École de technologie supérieure
Extraction des informations nutritionnelles d'une étiquette alimentaire par vision artificielle
Abstract
dc:descriptionCe projet à pour but le développement d’une application, basée sur un moteur de reconnaissance de caractères, qui permet l’acquisition de l’information contenue dans des photographies représentant des boites d’informations nutritionnelles. Beaucoup de projets de recherche et d’articles traitent de différentes composantes de la reconnaissance de caractère, mais très peu portent sur l’intégration globale de ces différentes composantes afin de former un tout. En plus de la reconnaissance de caractères, ce projet porte également sur le traitement et l’analyse des données une fois l’extraction de l’information complétée. Pour notre problématique, nous n’avons trouvé aucune banque d’images de test. Nous avons donc développé une banque d’images de boites d’informations nutritionnelles avec l’aide de l’entreprise GS1 Canada. Par la suite, nous en avons extrait manuellement toutes les informations pertinentes. Cette banque d’images sert de référence pour l’évaluation des performances des différentes configurations du système développé. Notre projet n’a pas pour objectif d’évaluer les diverses composantes d’un système de reconnaissance de caractères mais plutôt d’optimiser les résultats du système dans son ensemble. Dans le même ordre d’idée, le principal critère d’évaluation de la performance de notre système est le pourcentage des boites qui sont extraites sans aucune erreur; ce qui est assez différent de l’approche qui est normalement utilisé pour évaluer les moteurs de reconnaissance de caractères soit d’évaluer le pourcentage de caractères adéquatement reconnus. Dans ce projet, nous utilisons le moteur de reconnaissance de caractères Tesseract qui est parmi les plus performants dans la catégorie des logiciels libres. Le projet a tout de même été conçu de façon à permettre l’interchangeabilité du moteur de reconnaissance de caractères. Ce projet est séparé en deux grandes phases. La première phase permet de comparer les différentes versions de l’OCR ainsi que de vérifier la pertinence de l’utilisation de certains modules de correction. La deuxième, quant à elle, permet d’ajuster divers paramètres de l’application afin d’optimiser les résultats. Grâce à cette approche, nous avons réussi à traiter 58% des images sans générer la moindre erreur et au total plus de 83 % des images traitées ont généré deux erreurs ou moins. Ces résultats ne permettent malheureusement pas d’automatiser totalement le procédé, mais ils confirment la possibilité d’utiliser cette application afin d’effectuer un premier traitement massif de l’information avant d’être validée et peaufinée par un utilisateur.
Degree
thesis:*- Name thesis:degree_name
- Mémoire de maîtrise électronique
- Level thesis:degree_level
- masters
- Grantor dc:publisher
- École de technologie supérieure
- Year dc:date
- 2011
Author and committee
dc:creator, dc:contributor.*- Author dc:creator
-
- Moffette, Olivier
Subjects
dc:subject × 1Rights
- Language dc:language
- fr
Identifiers
dc:identifier.*- Identifier
- INSERT-YOUR-LIBRARY-ID-HERE869