Sujet de Thèse
Titre :
Utilisation de l'apprentissage automatique et de l'analyse des nuages de points 3D pour l'allocation des bois aux
scieries.
Dates :
2020/10/01 - 2023/09/30
Encadrant(s) :
Autre(s) encadrant(s) :
Jonathan Gaudreault (jonathan.gaudreault@ift.ulaval.ca)
Description :
La représentation générale de la chaîne logistique forêt-bois est semblable à celle des entreprises d'autres
secteurs (approvisionnement, transformation, vente aux clients). Cependant, le processus de première
transformation mis en oeuvre dans les scieries fait apparaître certaines particularités. La matière première
issue de la forêt est, par nature, hétérogène. Le sciage d'une section particulière entraîne la génération de
plusieurs produits en même temps ; c'est un processus divergent avec de la co-production. La planification de
la production dans ce contexte est par conséquent difficile et est, à ce jour, généralement gérée via des
systèmes de production sur stock. Les coûts de stockage, d'une part, et l'aléa des ventes d'autre part, rendent
également la planification et la maîtrise des coûts de fonctionnement difficile.
L'objectif du projet que nous souhaitons développer est de tirer profit des technologies de prédiction/
simulation et d'imagerie 3D afin d'optimiser l'allocation des bois aux scieries et aussi de remettre en cause la
fabrication sur stock largement utilisée dans la filière bois. Pour répondre à cet objectif, nous exploiterons les
travaux et les forces conjoints des laboratoires français et canadiens impliqués. Les expériences et les travaux
antérieurs du CRAN (Almecija, 2013) (Jover et al., 2013), ont permis de proposer de nouvelles approches
d'identification et de caractérisation du matériau bois couplées à des outils d'aide à la décision comme le
sciage virtuel. Du côté du FORAC, une voie qui a été explorée est l'utilisation de l'apprentissage automatique
(Machine Learning) pour prédire le panier de produits résultant du processus de sciage pour une tige/bille/
billon en se basant sur les caractéristiques de ce dernier (Morin et al., 2019). Ces méthodes n'exploitent
qu'une partie des informations issues des numérisations 3D (longueur, largeur, courbure, etc.). Pour exploiter
l'ensemble de la connaissance à notre disposition (la numérisation 3D complète) et par conséquent améliorer
les performances de la prédiction, les deux laboratoires ont évalué de manière exploratoire différentes
méthodes de comparaison de nuages de points ou objets 3D afin de pouvoir utiliser des méthodes de type
des k proches-voisins. Les premiers résultats (Cyrine et al., 2017) ont permis de proposer un algorithme
mesurant le niveau de ressemblance entre un billon d'entrée et les billons déjà découpés dans le passé en
calculant la distance minimale qui sépare les nuages de points des numérisations 3D de ces deux billons. Les
résultats sont encourageants et ouvrent plusieurs perspectives tant au niveau de l'algorithme de prédiction et
son couplage avec des modèles d'optimisation de la planification qu'au niveau du traitement des
numérisations 3D pour leur normalisation.
Dans le cadre de ce projet, nous proposons de mettre en place des algorithmes de normalisation ou de filtres
des nuages de points permettant ainsi d'améliorer la précision des données d'entrée issues de scanners à
faible coût. Ces données ainsi traitées alimenteront la base de données servant aux algorithmes
d'apprentissage. L'algorithme d'apprentissage couplera des méthodes de calcul de distance de type 3D
matching avec des méthodes classiques d'apprentissage. Le calcul de distance 3D pouvant s'avérer assez
gourmand en temps de calcul, l'idée est de dégrossir le travail à l'aide d'un modèle de classification de type
réseau de neurones, arbre de décision ou k plus proches voisins par exemple, permettant de classer le billon
considéré dans une grande catégorie, et d'exploiter les techniques de 3D matching à l'intérieur de cette
catégorie. Dans ce cadre, divers verrous scientifiques devront être abordés, comme l'enrichissement des
modèles en cours d'utilisation, le dimensionnement du nombre de classes permettant d'optimiser le
compromis temps de calcul / précision des résultats, la recherche d'algorithmes efficaces et rapides...
Références :
Morin M, Gaudreault J, Brotherton E, Paradis F, Rolland A et. al. Machine learning-based models of sawmills for better wood allocation planning.
International Journal of Production Economics
2019 pp: 107508
Cyrine Selma, Hind El Haouzi, Philippe Thomas, Jonathan Gaudreault, Michael Morin. An iterative closest point method for measuring the level of
similarity of 3D log scans in wood industry, SOHOMA 2017, Oct 2017, Nantes, France. 2017
secteurs (approvisionnement, transformation, vente aux clients). Cependant, le processus de première
transformation mis en oeuvre dans les scieries fait apparaître certaines particularités. La matière première
issue de la forêt est, par nature, hétérogène. Le sciage d'une section particulière entraîne la génération de
plusieurs produits en même temps ; c'est un processus divergent avec de la co-production. La planification de
la production dans ce contexte est par conséquent difficile et est, à ce jour, généralement gérée via des
systèmes de production sur stock. Les coûts de stockage, d'une part, et l'aléa des ventes d'autre part, rendent
également la planification et la maîtrise des coûts de fonctionnement difficile.
L'objectif du projet que nous souhaitons développer est de tirer profit des technologies de prédiction/
simulation et d'imagerie 3D afin d'optimiser l'allocation des bois aux scieries et aussi de remettre en cause la
fabrication sur stock largement utilisée dans la filière bois. Pour répondre à cet objectif, nous exploiterons les
travaux et les forces conjoints des laboratoires français et canadiens impliqués. Les expériences et les travaux
antérieurs du CRAN (Almecija, 2013) (Jover et al., 2013), ont permis de proposer de nouvelles approches
d'identification et de caractérisation du matériau bois couplées à des outils d'aide à la décision comme le
sciage virtuel. Du côté du FORAC, une voie qui a été explorée est l'utilisation de l'apprentissage automatique
(Machine Learning) pour prédire le panier de produits résultant du processus de sciage pour une tige/bille/
billon en se basant sur les caractéristiques de ce dernier (Morin et al., 2019). Ces méthodes n'exploitent
qu'une partie des informations issues des numérisations 3D (longueur, largeur, courbure, etc.). Pour exploiter
l'ensemble de la connaissance à notre disposition (la numérisation 3D complète) et par conséquent améliorer
les performances de la prédiction, les deux laboratoires ont évalué de manière exploratoire différentes
méthodes de comparaison de nuages de points ou objets 3D afin de pouvoir utiliser des méthodes de type
des k proches-voisins. Les premiers résultats (Cyrine et al., 2017) ont permis de proposer un algorithme
mesurant le niveau de ressemblance entre un billon d'entrée et les billons déjà découpés dans le passé en
calculant la distance minimale qui sépare les nuages de points des numérisations 3D de ces deux billons. Les
résultats sont encourageants et ouvrent plusieurs perspectives tant au niveau de l'algorithme de prédiction et
son couplage avec des modèles d'optimisation de la planification qu'au niveau du traitement des
numérisations 3D pour leur normalisation.
Dans le cadre de ce projet, nous proposons de mettre en place des algorithmes de normalisation ou de filtres
des nuages de points permettant ainsi d'améliorer la précision des données d'entrée issues de scanners à
faible coût. Ces données ainsi traitées alimenteront la base de données servant aux algorithmes
d'apprentissage. L'algorithme d'apprentissage couplera des méthodes de calcul de distance de type 3D
matching avec des méthodes classiques d'apprentissage. Le calcul de distance 3D pouvant s'avérer assez
gourmand en temps de calcul, l'idée est de dégrossir le travail à l'aide d'un modèle de classification de type
réseau de neurones, arbre de décision ou k plus proches voisins par exemple, permettant de classer le billon
considéré dans une grande catégorie, et d'exploiter les techniques de 3D matching à l'intérieur de cette
catégorie. Dans ce cadre, divers verrous scientifiques devront être abordés, comme l'enrichissement des
modèles en cours d'utilisation, le dimensionnement du nombre de classes permettant d'optimiser le
compromis temps de calcul / précision des résultats, la recherche d'algorithmes efficaces et rapides...
Références :
Morin M, Gaudreault J, Brotherton E, Paradis F, Rolland A et. al. Machine learning-based models of sawmills for better wood allocation planning.
International Journal of Production Economics
2019 pp: 107508
Cyrine Selma, Hind El Haouzi, Philippe Thomas, Jonathan Gaudreault, Michael Morin. An iterative closest point method for measuring the level of
similarity of 3D log scans in wood industry, SOHOMA 2017, Oct 2017, Nantes, France. 2017
Mots clés :
apprentissage automatique, classification, prédiction/simulation, 3D matching
Conditions :
3 ans,
Compétences en informatique et en particulier les outils scientifiques de l'intelligence artificielle.
Master de Recherche et/ou diplôme d'ingénieur (idéalement avec une expérience de recherche en stages, PFE,
publications en conférence...etc)
Compétences en informatique et en particulier les outils scientifiques de l'intelligence artificielle.
Master de Recherche et/ou diplôme d'ingénieur (idéalement avec une expérience de recherche en stages, PFE,
publications en conférence...etc)
Département(s) :
| Modélisation Pilotage des Systèmes Industriels |
Financement :
Financement ANR thèse en IA
Publications :
