FR3042058A1 - Procede de classification d'un produit par analyse de la distribution des couleurs du produit - Google Patents

Abstract

10. La présente invention se rapporte à un procédé de classification d'un produit comprenant : • un sous-procédé (10) de création comprenant : • prise (12, 14) d'une photo numérique du produit et de la référence mire dans des conditions d'éclairement identiques ; • extraction (16) d'une distribution des couleurs du produit et d'une distribution des couleurs de la référence mire ; puis • classification (20) du produit à par rapport à une pluralité de produits prédéterminés, chaque produit prédéterminé étant associé à une distribution des couleurs et à une distribution des couleurs de la référence mire obtenues par utilisation du sous-procédé de création, une mesure de similarité étant définie (22) entre les distributions de couleurs du produit et chacun des produits prédéterminés, ladite mesure de similarité étant calculée après une calibration des distributions de couleurs des produits par une fonction de calibrage (24) minimisant la différence entre les distributions de la référence mire associées auxdits produits.

Description

PROCÉDÉ DE CLASSIFICATION D’UN PRODUIT PAR ANALYSE DE LA DISTRIBUTION DES COULEURS DU PRODUIT

DESCRIPTION

Domaine technique [01] La présente invention se rapporte au domaine de la classification d’un produit parmi une pluralité de produits en se basant sur l’analyse de distribution des couleurs. État de la technique [02] Il est connu de l’art antérieur qu’on peut connaître certaines caractéristiques d’un produit par analyse colorimétrique.

[03] Les mesures colorimétriques sont utilisées dans de nombreux domaines. En particulier : • Le domaine de l’agroalimentaire, où la couleur est utilisée pour contrôler la qualité d'une production ou le degré de maturité des fruits et légumes par exemple. Ces contrôles sont effectués en illuminant les produits avec une source lumineuse calibrée et avec des instruments étalonnés (colorimètre). Le contrôle d'un fruit dans un verger se fait par contre à l'oeil. A noter que les vignerons utilisent un réfractomètre afin d'avoir une indication du degré potentiel à partir du jus d'un raisin écrasé traversé par la lumière du soleil ; • Le domaine de l'imprimerie et de la peinture, où la couleur est bien évidement très importante. Dans ce domaine il existe plusieurs niveaux de mesure de la couleur. Pour retrouver rapidement une couleur parmi un choix de peintures on utilise des nuanciers composés des différents coloris disponibles (nuancier RAL K5 par exemple). L'identification se fait généralement à l’œil mais il existe maintenant des applications pour téléphone intelligent permettant de retrouver la couleur la plus proche dans le nuancier à partir d'une photographie (ColorBlindC). Évidemment, en fonction des conditions de prises de vue et de l'observateur, l'identification de la couleur est plus ou moins précise. Pour la restauration de fresque ou de tableau, la mesure de la couleur doit être extrêmement précise afin de pouvoir doser les pigments. Celle-ci ne peut alors plus se faire à l'oeil du fait notamment du phénomène de métamérisme qui fait que deux couleurs peuvent apparaître similaires sous un éclairage donné mais différentes sous un autre éclairage. C'est particulièrement le cas pour les bleus. Il est alors nécessaire d'utiliser un spectromètre qui décompose la lumière issue de l'objet, et donc la couleur. Les pigments sont alors choisis de manière à reproduire le spectre de la peinture et non sa couleur sous une lumière donnée. • Dans le domaine de la santé, on citera les nuanciers utilisés par les dermatologues pour définir les peaux à risques ou encore ceux fournis avec certains dentifrices pour contrôler, à l'oeil, l'effet du produit sur la blancheur des dents. • Enfin, dans le domaine de la recherche scientifique, la colorimétrie se fait généralement à l'aide de méthodes spectroscopiques. Elle est très utilisée en biophysique pour l'étude des agents de contrastes optiques et des fluorophores. D'autres applications utilisent la couleur à des fins de détermination comme la microscopie optique sur des préparations de roches ou de glaces par exemple.

[04] Pour des besoins sophistiqués, par exemple l’analyse du vieillissement d’un matériau par l’évolution de sa couleur, on procède généralement à un travail dans un environnement contrôlé.

[05] En général, ce type d’analyse commence par un calibrage/étalonnage de la chaîne de prise de vue de façon à obtenir un référentiel absolu en couleur. Pour cela, après avoir mis en place l’éclairage qui sera utilisé dans toute la suite, une mire colorimétrique est photographiée et chaque appareil de la chaîne de prise de vue (l’appareil photographique, l’écran de visualisation, l’imprimante, etc.) est étalonné de sorte que les couleurs reproduites à chaque étape soient le plus proches possibles de celles de la mire colorimétrique.

[06] Puis le produit à analyser/classifier est photographié dans les mêmes conditions d’éclairage pour garantir que les couleurs acquises correspondent à celles du référentiel.

[07] Ensuite, la distribution de couleurs du produit est extraite, éventuellement normalisée et sert de base à une classification / comparaison permettant de déduire certaines informations physicochimiques du produit.

[08] Toutefois, ce processus est lourd dans sa mise en place et demande énormément d’attention dans son exécution. Par exemple, si une lampe d’éclairage défaille et doit être remplacée, toute l’opération de calibrage/étalonnage doit être recommencée.

[09] Pour éviter cela, il a été proposé de laisser la mire colorimétrique visible sur chaque photographie du produit à analyser/classifier de sorte à avoir sur chaque photographie une référence colorimétrique permettant de calibrer/étalonner la photographie avant de faire l’analyse du produit. Par exemple, la demande de brevet US 2012/288195 décrit une telle solution.

[10] Malgré cela, les procédés d’analyse colorimétrique actuellement utilisés présentent les inconvénients de nécessiter la connaissance de la couleur vraie de l’objet à caractériser. Par couleur vraie, l’on entend son positionnement dans un référentiel connu de l’état de l’art. Cet état de fait implique l’utilisation d’une mire colorimétrique standard constituée de références couleurs positionnées dans le référentiel connu suivant leurs valeurs théoriques. Cette recherche de la valeur vraie des couleurs limite énormément le procédé de classification : Premièrement par la limitation des valeurs prises par les couleurs de références, deuxièmement, par la contrainte de rester dans un référentiel couleur connu.

[11] Il existe donc un réel besoin de mise au point d’un procédé de classification d’un produit palliant ces défauts, inconvénients et obstacles de l’art antérieur, en particulier d’un procédé permettant de s’affranchir de la recherche de couleur vraie, réduire les coûts et encombrements, et d’améliorer la procédure de classification en libérant la contrainte de repérage dans un référentiel standard.

Description de l’invention [12] Pour résoudre un ou plusieurs des inconvénients cités précédemment, un procédé de classification d’un produit à classifier comprend : • un sous-procédé de création d’une distribution des couleurs du produit à classifier comprenant : • prise d’une photo numérique du produit à classifier et de la référence mire dans des conditions d’éclairement identiques ; • extraction, à partir de la photo numérique, d’une distribution des couleurs du produit à classifier et d’une distribution des couleurs de la référence mire ; puis • classification du produit à classifier par rapport à une pluralité de produits prédéterminés, chaque produit prédéterminé étant associé à une distribution des couleurs et à une distribution des couleurs de la référence mire, ces deux distributions ayant été obtenues par utilisation du sous-procédé de création de distribution des couleurs, une mesure de similarité étant définie entre les distributions de couleurs du produit à classifier et chacun des produits prédéterminés, ladite mesure de similarité étant calculée après une calibration des distributions de couleurs des produits par une fonction de calibrage minimisant la différence entre les distributions de la référence mire associées auxdits produits.

[13] Des caractéristiques ou des modes de réalisation particuliers, utilisables seuls ou en combinaison, sont : • la référence mire est installée près du produit à classifier et une photo numérique unique est prise des deux objets ensemble ; • une distribution des couleurs étant définie comme une répartition du nombre de pixels associés à chaque couleur, avant la classification, une normalisation du nombre de pixels des distributions est réalisée ; • les distributions des couleurs des produits sont transformées par une fonction de transformation avant ou après la calibration ; • une distribution des couleurs étant définie comme une pluralité de distributions de couleurs élémentaires dans un référentiel prédéterminé, notamment un référentiel RGB, la fonction de transformation transforme la distribution des couleurs en un vecteur unique de distributions des couleurs élémentaires ; • la mesure de similarité est obtenue par l’application d’un algorithme de classification à l’ensemble constitué de la pluralité de produits prédéterminés plus le produit à classifier, notamment un algorithme de minimisation des distances entre produits dans un référentiel prédéterminé. • la référence mire est un objet dont l’image présente une distribution de couleurs recouvrant la palette de couleurs des produits prédéterminés.

[14] Dans un second aspect de l’invention, le procédé précédent est utilisés lorsque les produits sont des roches broyées, les produits prédéterminés étant des roches dont des caractéristiques physicochimiques ont été mesurées préalablement, de telle sorte que la classification du produit à classifier détermine ses caractéristiques physicochimiques [15] Un autre aspect de l'invention se rapporte à un programme d'ordinateur à installer dans un ordinateur, comprenant des instructions pour mettre en œuvre les étapes d'un procédé de classification tel que défini ci-dessus lors d'une exécution du programme par une unité de calcul dudit appareil.

Brève description des figures [16] L’invention sera mieux comprise à la lecture de la description qui suit, faite uniquement à titre d’exemple, et en référence aux figures en annexe dans lesquelles : - La figure 1 représente un histogramme du nombre de pixels en fonction de la valeur du canal rouge de la photo ; - La figure 2 représente un ordinogramme du procédé selon un mode de réalisation de l’invention ; - La figure 3 représente une mire colorimétrique de calibration ; - La figure 4 représente la structure d’un système argentique (a), d’un détecteur numérique CCD contenant une unique couche de pixels agencés selon la matrice de Bayer (b) et du détecteur numérique Foveon X3 (c) ; - La figure 5 représente les valeurs RGB de l'échelle de gris théorique d’une mire en fonction des valeurs mesurées et l’approximation par une courbe de tendance de forme polynomiale d'ordre 2 ; [17] La figure 6 représente les histogrammes en boite permettant de comparer les différentes poudres dans le canal rouge, vert et bleu après correction par un polynôme d'ordre 5 et, sur la droite, le pourcentage d'identification pour les 21 poudres ; [18] La figure 7 représente le vecteur de la poudre 14FR27 avec les histogrammes du canal R (a), du canal G (b) et du canal B (c) ; - La figure 8 représente les 5 premières lignes et dernière ligne de deux tableaux de correspondance pour une poudre non correctement identifiée (14FR24) et une poudre correctement identifiée (14FR07) ; et - La figure 9 représente les diagrammes de taux d'identification en fonction des poudres de la base de données pour les poudres 14FR22 (a), 14FR08 (b), 14FR12 (c).

Modes de réalisation [19] En préliminaire, on rappellera quelques notions utiles à la compréhension de l’invention.

[20] Le système rouge, vert, bleu (RGB pour « Red, Green, Blue » en anglais) est le système d'encodage utilisé par tous les systèmes d'imagerie optiques dans le visible, depuis la pellicule argentique à l'œil humain, en passant par les capteurs CCD ou les téléviseurs. À partir de la synthèse additive des trois couleurs primaires il est possible de restituer l'ensemble des couleurs de chromaticité moindre. En informatique, chaque couleur est généralement encodée en 8 bits (256 niveaux de 0 à 255) ce qui permet d'avoir 2563 couleurs différentes, soit environ 16,78 millions de couleurs.

[21] Une image couleur peut être représentée par une matrice de dimension MxNx3 où M et N sont respectivement la longueur et la largeur de l'image en pixels et 3 représente le nombre de canaux : un rouge, un vert et un bleu. Les pixels sont donc repérés par leurs coordonnées (x,y,Z) ou Z = R, G ou B. La dynamique de l'image est représentée par trois histogrammes correspondant aux distributions des valeurs de R, G et B sur l'ensemble des pixels. Le maximum d'une distribution est ainsi la valeur de R, G ou B prise par le plus grand nombre de pixels dans l'image. On peut voir par exemple sur la figure 1 que le maximum pour le canal rouge est de 88.

[22] On définit le paramètre de luminance d'une couleur en RGB par : p=(R+G+B)/3 (2.1) [23] Si le système RGB est le système le plus couramment utilisé, il est parfois utile de travailler avec d'autres formats d'encodage des couleurs obtenus à partir des valeurs RGB. Les principaux sont rgb, YCbCr, tsv, Yxy et L*a*b*. Ces différents formats sont bien connus de l’homme du métier.

[24] Dans la suite de cette description, nous utiliserons le format RGB comme référentiel.

[25] Par ailleurs, nous prendrons à titre d’exemple d’utilisation du procédé la classification des roches volcaniques.

[26] En référence à la figure 2, un procédé de classification d’un produit comprend un sous-procédé 10 de création d’une distribution des couleurs du produit à classifier.

[27] Le produit est photographié, étape 12, ainsi qu’une mire colorimétrique, étape 14, dans des conditions d’éclairement identiques.

[28] Il est possible de réaliser deux photographies successives : le produit puis la mire mais, pour assurer les conditions d’éclairement identiques, il est souvent préférable de poser la mire à côté du produit et de prendre une photographie unique des deux éléments côte à côte.

[29] Dans l’application des roches volcaniques, la roche à étudier est d’abord broyée puis étalée dans une coupelle. Une mire colorimétrique est posée à côté de la coupelle et une photographie est prise.

[30] La mire est, par exemple, une mire colorimétrique du marché, Figure 3 comme la mire de calibration ColorChecker® composée de carrés de différentes couleurs. Les valeurs théoriques R,h, Gth et B,h de chaque carré dans le système sRGB GMB (standard RGB GretagMacbeth) sont reportées sur la figure. On note en particulier la ligne du bas dont les carrés représentent l’échelle de gris correspondant à une équiproportion des coefficients chromatiques. Pour des raisons pratique, ces carrés sont numérotés de 1 à 6 du blanc vers le noir, et leurs valeurs théoriques notés Rthi, Gthi et Bthi, avec i = 1 à 6.

[31] La mire peut être également une mire spécialement conçue pour l’application et les produits à classer. Dans ce cas, la mire contiendra une gamme de couleurs recouvrant la palette de couleurs des produits.

[32] Puis, à partir de la(es) photo(s), on extrait, étape 16, une distribution des couleurs du produit à classifier et une distribution des couleurs de la référence mire.

[33] Par exemple, comme expliqué ci-dessus, on extrait les histogrammes des canaux RGB.

[34] Dans une étape optionnelle 18, les histogrammes sont normalisées c’est-à-dire que par application d’un ratio adapté, ils prennent en compte un nombre de pixels prédéterminés : par exemple, 10 000 pixels. Ou bien le point haut de chaque histogramme est positionné sur une même valeur, par exemple 100.

[35] Le produit photographié est alors classifier, étape 20 par rapport à une pluralité de produits prédéterminés. Chaque produit prédéterminé est associé à une distribution des couleurs et à une distribution des couleurs de la référence mire, ces deux distributions ayant été obtenues par utilisation du sous-procédé de création de distribution des couleurs décrit ci-dessus.

[36] Dans un mode de réalisation particulier, chaque produit est mémorisé sous forme d’un enregistrement d’une base de données, chaque enregistrement comprenant les informations suivantes : • Un identifiant qui peut être un nom ou une référence ; • Une distribution des couleurs du produit ; • Une distribution des couleurs de la mire référence. Ces deux distributions ont été obtenues via une prise de vue sous condition d’éclairement identique comme indiqué à propos des étapes 12, 14; • Des caractéristiques physico-chimiques associées au produit.

[37] Une mesure de similarité est définie entre les distributions de couleurs du produit à classifier et chacun des produits prédéterminés. Cette mesure de similarité est calculée 22 après une calibration 24 des distributions de couleurs des produits par une fonction de calibrage minimisant la différence entre les distributions de la référence mire associées auxdits produits.

[38] Ainsi, par exemple, le traitement est le suivant, pour chaque couple produit à classifier / produit prédéterminé : • Transformation des distributions, étape 26. Cette étape optionnelle vise à appliquer une transformation mathématique des distributions permettant de faciliter les traitements suivants. On notera que cette transformation mathématique est la même pour toutes les distributions de couleurs. Par ailleurs, cette transformation peut s’appliquer au moment du calcul de similarité ou préalablement, par exemple après l’étape de normalisation. Un exemple de transformation est donné dans l’exemple détaillé ci-dessous : les distributions des couleurs RVB sont transformées en un vecteur unique de distributions des couleurs élémentaires. Il est alors avantageux que les enregistrements de la base de données contiennent les distributions transformées. Pour la suite, le terme « distribution » sera utilisé indifféremment pour nommer la distribution ou sa version transformée. • Calibration des distributions, étape 24. Cette calibration consiste à comparer les distributions de la mire référence associées au produit à classifier et au produit de la base de données et à rechercher une fonction mathématique qui minimise, si ce n’est annule, les différences entre ces deux distributions, puis à appliquer cette fonction mathématique sur la distribution du produit à classifier, par exemple, de façon à ce que les deux distributions des produits partagent le même référentiel. Comme décrit ci-dessous, une telle fonction mathématique peut être une fonction polynomiale passant par les points de mesure. Il est à noter que cette étape de calibration est une calibration relative : il n’y a pas de recherche d’une couleur « vraie » comme dans l’art antérieur mais seulement d’un partage de référentiel relatif d’un produit par rapport à un autre. Il est envisageable de prendre un produit, par exemple le premier photographié, et de le labelliser « étalon » et alors de calibrer tous les autres produits par rapport à ce produit « étalon ». Mais même, dans ce mode de réalisation particulier, il n’y a pas de recherche de « vraies » couleurs. • Calcul de la similarité, étape 22. On définit donc une mesure de similarité, ou une distance, dans l’espace des distributions des produits. On notera qu’il est habituel de définir une mesure de similarité comme une fonction qui croit en même temps que la similarité augmente et de définir une distance comme une fonction qui diminue en même temps que les produits se rapprochent. On utilise l’un ou l’autre terme indifféremment pour indiquer une fonction qui varie de façon monotone avec la similarité des distributions.

[39] Le produit à classifier est alors classé, étape 30, par une recherche du minimum de la distance, ou du maximum de la mesure de similarité, dans le référentiel prédéterminé.

[40] Dans une étape optionnelle 35 les caractéristiques physico-chimiques du produit à classifier sont déduites des caractéristiques physicochimiques du/des produit(s) le(s) plus similaire(s).

[41] On conçoit que la mise en œuvre du procédé est réalisé par un ordinateur convenablement programmé par un produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou enregistré sur un support lisible par ordinateur.

Exemple [42] Un exemple détaillé de mise en œuvre du procédé ci-dessus va maintenant être décrit.

[43] Il se rapporte à la classification des roches volcaniques.

[44] Un appareil photo est équipé d'un détecteur Foveon X3 développé et fourni par la compagnie Sigma®. Ce détecteur a une architecture originale qui lui permet de se rapprocher au mieux du principe des appareils photos argentiques (Figure 4). En effet, il est constitué de trois couches de pixels à savoir, une pour le rouge, une pour le vert et enfin une pour le bleu (Fig. 4 c).

[45] Dans un premier temps, les images ont été réalisées avec un appareil photographique numérique Sigma SD15 commercial. Cependant, lors de la prise de vue, ce système applique différentes corrections au signal. Parmi celles-ci, les principales sont : • La linéarisation Look Up Table (LUT) : la fonction représentant le signal d'entrée en fonction du signal de sortie n'est pas linéaire. Le but de la linéarisation LUT est donc de remplacer cette fonction par une application affine ; • Le Dark Frame Substract : il permet de retirer du bruit à une image linéarisée en soustrayant à cette dernière une image du noir (« dark ») elle-même linéarisée ; • Des corrections sont appliquées pour retirer du bruit ou de «mauvais pixels» ceux-ci étant remplacés par la valeur moyenne de leurs voisins. Ces corrections peuvent poser problème dans le cadre du procédé car les « mauvais pixels » peuvent être en fait dû à une particularité de la poudre, • Enfin, différentes opérations matricielles sont ensuite effectuées afin de modifier les couleurs sur chacun des trois canaux dans le but d'obtenir des couleurs proches de celles observées par l'œil humain et de compenser une luminosité trop faible ou trop forte.

[46] Ces algorithmes sont particulièrement gênants puisqu'ils vont induire des changements de couleurs difficiles à contrôler. Il est donc préférable de travailler sur le signal brut en sortie du détecteur. Pour ce faire, nous avons utilisé un boîtier équipé d'un détecteur Foveon X3®. Il est fixé sur un statif vertical permettant de prendre les photos par le dessus. Des lampes réglables sont fixées de part et d'autre du champ d'observation. Le boîtier est équipé d'un objectif à focale fixe dont l'ouverture du diaphragme est réglée manuellement. Enfin, il est relié à un ordinateur muni du logiciel EPIX XCAP® permettant de traiter les informations brutes envoyées par le détecteur et de contrôler les paramètres d'acquisition dont le temps d'exposition (c'est-à-dire le temps durant lequel le détecteur compte les photons qui lui arrive), et le format d'enregistrement. Les images peuvent être enregistrées au format texte ou au format tif. L'ensemble des données est alors traité avec le logiciel Matlab 2010.

[47] Pour cet exemple, 21 poudres de roches volcaniques sont utilisées. Les poudres sont non tamisées mais les grains supérieurs à 2mm sont retirés. Les différentes poudres sont posées en tas de forme aléatoire à côté de la mire. Différentes photos sont prises des différents tas de poudres dans différentes conditions d’éclairage, avec différents temps d’exposition et différentes ouvertures du diaphragme de l’objectif.

[48] Le format utilisé ne permettant pas de faire apparaître des paramètres particulièrement pertinents, le travail est réalisé en RGB, ce format étant représentatif de la physique du détecteur.

[49] L'objectif premier est d'obtenir une méthode d'étalonnage permettant d'obtenir une même image à partir de deux images d'un même objet réalisées dans des conditions de prises de vue différentes. On définit le paramètre de qualité d'étalonnage, Qe :

(3.A.1 ) [50] où 11 et I2 sont deux images couleurs.

[51] Sur la mire, les valeurs minimales et maximales de R, G et B sont associées respectivement au carré noir 6 et au carré blanc 1 (Fig. 3). Il apparaît pertinent de ré-étaler la dynamique de la mire en replaçant les valeurs moyennes de ces carrés à leur valeurs théoriques en utilisant les formules suivantes : [52] (3.A.5) [53] (3.A.6) [54] (3.A.7) [55] où : [56] R1 (resp. G1 et B1) est la valeur moyenne mesurée du carré blanc dans le canal R (resp. G et B), [57] R6 (resp. G6 et B6) est la valeur moyenne mesurée du carré noir dans le canal R (resp. G et B).

[58] Avec cette méthode, le facteur Qe passe de Qe = 85,71% avant étalonnage à Qe = 95,27% après étalonnage.

[59] Les couleurs des poudres formant un nuancier de gris, l'échelle de gris de la mire est utilisée pour étalonner les images. La figure 5 montre les valeurs théoriques des carrés de l'échelle de gris en fonction des valeurs

moyennes mesurées sur une photo réalisée avec un temps d'exposition de 110 ms et une ouverture de 5,6.

[60] On observe que sur aucun canal la réponse du détecteur n'est linéaire. Pour utiliser tous les carrés de l'échelle de gris, le polynôme d'ordre 5 permettant de relier les valeurs moyennes mesurées pour chaque carré aux valeurs théoriques de la mire est calculé.

[61] L’obtention des polynômes ce fait en résolvant les 3 systèmes d’équations suivants :

(3.A.8) [62] où C1.....C6 représente les valeurs moyennes mesurées des carrés de l’échelle de gris, C = R, G ou B. La résolution de ce système a permis d’obtenir les coefficients a, b, c, d, e et f sous la forme : [63] (3.A.9) [64] avec :

[65] Les polynômes obtenus sont alors utilisés pour étalonner les deux images de la figure 8 et calculé le Qe.

[66] On obtient un Qe de 97,53% après étalonnage avec un polynôme d'ordre 5. Cependant, afin d'améliorer encore cet étalonnage, différents paramètres peuvent être pris en compte : • Acquisition en 12 bits. Les images prises par le capteur sont souvent très sombre et avec peu de contraste, par conséquent, lorsque l'on applique une correction, il y a des « trous » dans les histogrammes c'est-à-dire que pour certaines valeurs entre 0 et 255 aucun pixels ne prend cette valeur. Pour éviter ce problème, les images sont acquises en 12 bits au lieu de 8 bits puis la méthode des polynômes d'ordre 5 est utilisée pour obtenir une image 8 bits étalonnée. • Limites de validité. Il est évident que l'étalonnage aura des limites : une photographie prise dans le noir ou fortement surexposée ne pourra jamais être corrigée.

[67] La figure 6 montre les intervalles créés par le maximum des distributions dans les canaux rouge, vert et bleu, obtenus à partir de 6 photos 12 bits étalonnées avec la méthode des polynômes d’ordre 5 pour les différentes poudres, après vérification de leur niveau de luminance. On observe que le chevauchement des intervalles est relativement limité. Il semble ainsi possible d’espérer pouvoir utiliser les images réalisées à des fins d’identification. Par ailleurs, même s'il est impossible de différencier une poudre de toutes les autres, un lien entre couleur et composition chimique pourrait expliquer le chevauchement des intervalles.

[68] Afin d'obtenir une méthode d'identification, on constitue une base de données à partir des images des poudres corrigées servant de références pour l'analyse de poudres inconnues. Afin de tenir compte, pour une même

poudre, des variations après la correction ainsi que des trois canaux simultanément, on extrait les histogrammes des différentes poudres après correction. Pour chaque image un vecteur 1x768est créé et contient dans [0,255] les valeurs de l'histogramme dans le canal rouge, dans [256,512] les valeurs de l'histogramme dans le canal vert et dans [513,768] les valeurs de l'histogramme dans le canal bleu. Pour constituer la base de données, pour chaque poudre la somme des vecteurs est obtenue à partir des 6 images normalisées par les maximas de distribution dans chaque canal afin de s'affranchir du nombre de pixels utilisés. Ainsi, si pour une poudre un canal est prédominant par rapport à un autre, il est possible de conserver cette information. On peut ainsi voir sur la figure 7 qu'il y a plus de pixels avec une même valeur dans le canal vert que dans le rouge ou le bleu.

[69] Une fois ces vecteurs créés pour chacune des 21 poudres, la base de données a été testée. Pour cela, des photos des poudres ont été prises dans différentes conditions (ouverture du diaphragme, temps d'exposition) et pour différentes forme de tas. Les images ont été corrigées et le vecteur associé à chaque image calculé. Afin de comparer les vecteurs obtenus avec ceux de la base de données on applique la démarche suivante : • soient v le vecteur de la poudre à identifier, vi ie 01,210 les vecteurs des poudres de la base de données,

avec np le nombre de pixels de la poudre et nr, ng, nb les maximums de distribution utilisés précédemment pour la normalisation de la poudre à identifier et

avec npi le nombre de pixels de la poudre i et nrj, ngj, n^ les coefficients utilisés précédemment pour la normalisation de la poudre i, ieOl,21 □ ; • On obtient ainsi un pourcentage de correspondance pi donné par :

• Pour une image donnée, on calcule le pourcentage de correspondance de son vecteur avec ceux contenus dans la base puis on les tris par valeur décroissante. On obtient ainsi une liste avec la roche la plus probable en premier (Figure 8).

[70] En utilisant les 197 images réalisées sur les 21 poudres, les tests réalisés donnent la bonne poudre comme étant celle avec le meilleur taux de correspondance dans 84% des cas. De plus, lorsque la bonne poudre n’apparaît pas en premier, le type de roche reste correct comme le montre la figure 8 dans le cas de la poudre 14FR24. Au final, les résultats sont plus que concluants.

[71] Afin de s'assurer que la méthode utilisée met bien en évidence un lien entre la couleur des roches et leur composition une poudre de la base de donnée a été retirée. Les 8 images de cette poudre ont été reprises, étalonnées puis testées avec la base de données constituée des 20 autres poudres. Les poudres avec les cinq pourcentages d'identification les plus grands ont été relevées. En utilisant cette méthode sur trois poudres choisies au hasard : la 14FR22 (Fig. 9a), la 14FR08 (Fig. 9b) et la 14FR12 (Fig. 9c). La figure 9 représente les poudres identifiées lors des tests avec le pourcentage qui leur correspondent. On peut ainsi remarquer que pour la poudre 14FR22 c'est la poudre 14FR02 qui semble le plus proche. Or ces deux poudres ont un pourcentage massique de Na20+K2O similaire. Pour la poudre 14FR08, on peut remarquer que c'est la poudre 14FR11 qui est la plus proche. Et ces deux poudres ont la même teneur en silice.

[72] L’invention a été illustrée et décrite en détail dans les dessins et la description précédente. Celle-ci doit être considérée comme illustrative et donnée à titre d’exemple et non comme limitant l’invention a cette seule description. De nombreuses variantes de réalisation sont possibles.

[73] Le procédé décrit présente des champs d'application plus large que la classification des roches qui a servi d’exemple support ci-dessus. En effet, avec l'explosion du marché des téléphones intelligents depuis quelques années, les appareils photo numériques sont devenus des outils utilisés quotidiennement. Le procédé peut donc trouver de nombreuses applications pour le grand public comme pour la recherche scientifique en passant par l'industrie, l'agro-alimentaire ou la recherche médicale par exemple. Quelques exemples simples d'applications grand public peuvent être évoqués : • La mesure du degré de maturité des fruits et légumes. Par exemple, il serait possible de savoir si un melon ou une pèche est mure à point sur l'étal d'un primeur sans le toucher ou le couper ; • Le contrôle de l'état de fraîcheur d'un produit. Par exemple, l'état d'une viande, si la chaîne du froid a été rompue ; • Le suivi de l'altération de façades de monuments historiques. Ces monuments subissent des altérations liées aux intempéries et à la pollution et le suivi photographique peut permettre d'envisager des restaurations et réfections avant que les pierres ne soient à un stade avancé de détérioration ; • L'identification de produits stupéfiants ou explosifs à l'aide d'un téléphone intelligent ou d'un drone ; [74] Jusqu’à présent, pour réaliser des mesures colorimétriques précises, il est nécessaire de travailler avec des instruments étalonnés et un éclairage calibré. Ce type de mesures est donc délicat sur site et peut nécessiter l'utilisation d'instruments coûteux (spectromètres). Le procédé permet de s'affranchir de la source lumineuse. Elle peut donc être utilisée sur site, y compris dans des endroits inaccessibles pour l'homme (sur Mars par exemple). Elle sera utilisable avec un simple appareil photographique numérique, y compris un téléphone portable. L'achat d'aucun appareil dédié est donc nécessaire ce qui permet un accès de la méthode au grand public. L'utilisation d'un simple capteur d’image numérique rend la méthode d'analyse ultra portable est compatible avec des drones par exemple.

[75] Dans les revendications, le mot « comprenant » n’exclue pas d’autres éléments et l’article indéfini « un/une » n’exclue pas une pluralité.

Claims (9)

1. REVENDICATIONS

   1. Procédé de classification d’un produit à classifier comprenant : « un sous-procédé de création (10) d’une distribution des couleurs du produit à classifier comprenant : • prise d’une photo numérique (12, 14) du produit à classifier et de la référence mire dans des conditions d’éclairement identiques ; * extraction (16), à partir de la photo numérique, d’une distribution des couleurs du produit à classifier et d’une distribution des couleurs de la référence mire ; puis • classification (20) du produit à classifier par rapport à une pluralité de produits prédéterminés, chaque produit prédéterminé étant associé à une distribution des couleurs et à une distribution des couleurs de la référence mire, ces deux distributions ayant été obtenues par utilisation du sous-procédé de création de distribution des couleurs, une mesure de similarité étant définie (22) entre les distributions de couleurs du produit à classifier et chacun des produits prédéterminés, ladite mesure de similarité étant calculée après une calibration (24) des distributions de couleurs des produits par une fonction de calibrage minimisant la différence entre les distributions de la référence mire associées auxdits produits.
2. 2. Procédé selon la revendication 1, caractérisé en ce que la référence mire est installée près du produit à classifier et une photo numérique unique est prise des deux objets ensemble.
3. 3. Procédé selon la revendication 1 ou 2, caractérisé en ce que, une distribution des couleurs étant définie comme une répartition du nombre de pixels associés à chaque couleur, avant la classification, une normalisation du nombre de pixels des distributions est réalisée.
4. 4. Procédé selon la revendication 1, 2 ou 3, caractérisé en ce que les distributions des couleurs des produits sont transformées (26) par une fonction de transformation avant ou après la calibration.
5. 5. Procédé selon la revendication 4, caractérisé en ce que, une distribution des couleurs étant définie comme une pluralité de distributions de couleurs élémentaires dans un référentiel prédéterminé, notamment un référenciel RGB, la fonction de transformation transforme la distribution des couleurs en un vecteur unique de distributions des couleurs élémentaires.
6. 6. Procédé selon la revendication 5, caractérisé en ce que la mesure de similarité est obtenue par l’application d’un algorithme de classification à l’ensemble constitué de la pluralité de produits prédéterminés plus le produit à classifier, notamment un algorithme de minimisation des distances entre produits dans un référentiel prédéterminé.
7. 7. Procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que la référence mire est un objet dont l’image présente une distribution de couleurs recouvrant la palette de couleurs des produits prédéterminés.
8. 8. Utilisation du procédé selon l’une quelconque des revendications précédentes, caractérisé en ce que les produits sont des roches broyées, les produits prédéterminés étant des roches dont des caractéristiques physico-chimiques ont été mesurées préalablement, de telle sorte que la classification du produit à classifier détermine ses caractéristiques physico-chimiques.
9. 9. Produit programme d’ordinateur comprenant des portions de code de programme téléchargeables depuis un réseau de communication et/ou enregistré sur un support lisible par ordinateur et/ou exécutable par un processeur, caractérisé en ce qu’il comprend des instructions de code de programme pour la mise en œuvre du procédé selon l’une au moins des revendications 1 à 8 lorsque ledit programme fonctionne sur un ordinateur.