AI-NLP / IN-PROGRESS

BananaVision — K-Means & MDP

Passer de l'observation des défauts à une décision de tri structurée.

STACK
PythonpandasNumPyscikit-learn
STATUT

in progress

BananaVision perception, clustering and decision pipeline
01 / CONTEXT

Contexte

Les Plantations du Haut-Penja produisent des bananes destinées à l'exportation, soumises à des exigences de qualité strictes. Sur la chaîne de conditionnement, chaque fruit doit être inspecté pour décider s'il est accepté, déclassé ou écarté.

Or cette inspection est principalement visuelle : elle dépend de l'appréciation de chaque opérateur, ce qui entraîne des variations d'un contrôleur à l'autre et des difficultés de régularité. Une erreur de tri a pourtant un coût, qu'il s'agisse d'un lot refusé à l'export ou d'un fruit conforme écarté à tort. Ce projet académique d'IA explore donc comment structurer cette décision pour la rendre plus cohérente, en tenant compte de l'incertitude et des conséquences de chaque choix.

IMG-BANANA-01 · CONTEXTE

BananaVision — contexte

Étape 01 / 06 · Pause

Bananes d'export, exigences de qualité strictes.

01 · SITUATION02 · IMPLICATIONS03 · FRICTIONS04 · BESOINChaîne d'exportHAUT-PENJAInspection visuelleOPÉRATEURSDécision de triACCEPTER · DÉCLASSER · ÉCARTERAvis divergents⚠ SUBJECTIVITÉCoût des erreurs⚠ LOT REFUSÉ · FRUIT PERDUDécision structuréeINCERTITUDE · COÛTS
En pause6 nœuds · 6 liens · Survolez un nœud
  • Acteur / entité
  • Composant / donnée
  • Point de friction
  • Besoin
Survolez ou sélectionnez un composant pour lire son rôle et ses connexions.
Du terrain au besoin : la situation qui justifie le projet.
02 / PROBLEM

Problématique

Comment exploiter les caractéristiques des fruits et les familles de défauts pour recommander une action de tri cohérente, en intégrant l'incertitude et le coût de chaque décision ?

03 / SOLUTION

Solution

Conception d'un pipeline d'aide à la décision qui combine perception, classification, regroupement et décision séquentielle, afin de passer de l'image du fruit à une recommandation de tri. Les images sont transformées en caractéristiques, analysées par des modules de classification et de clustering, puis un modèle de décision évalue les conséquences des actions possibles.

IMG-BANANA-02 · SOLUTION

BananaVision — solution

Étape 01 / 06 · Pause

Avis divergents et erreurs coûteuses.

01 · PROBLÈME02 · RÉALISATION03 · FONCTIONNEMENT04 · RÉSULTATAvis divergents⚠ SUBJECTIFCoût des erreurs⚠ INCERTITUDEExtraction de caractéristiquesIMAGESK-MeansFAMILLES DE DÉFAUTSMDPVALUE · POLICY ITERATIONPolitique de tri✓ RECOMMANDATION
En pause6 nœuds · 6 liens · Survolez un nœud
  • Module d'équipe
  • Ma contribution
  • Point de friction
  • Résultat
Survolez ou sélectionnez un composant pour lire son rôle et ses connexions.
Les éléments en bleu correspondent à ma contribution personnelle ; le reste a été réalisé par l'équipe projet.
04 / CONTRIBUTION

Contribution

Projet d'équipe. J'ai développé deux modules :

  • K-Means, qui regroupe les observations selon leurs caractéristiques, sans étiquette préalable, pour faire émerger des familles de défauts. Ce n'est pas un classifieur supervisé.
  • Le processus de décision markovien (MDP), qui formalise le tri comme une décision sous incertitude (états, actions, probabilités de transition, récompenses). J'ai implémenté sa résolution par Value Iteration et Policy Iteration pour en dériver une politique de tri.

La classification, l'interface et l'intégration du pipeline relèvent du reste de l'équipe.

05 / FEATURES

Fonctionnalités

  • Les images sont prétraitées et leurs caractéristiques visuelles extraites (équipe).
  • Une classification supervisée est prévue, avec une baseline Naive Bayes et un CNN (équipe).
  • K-Means regroupe les observations en profils de défauts interprétables.
  • Le MDP compare les actions possibles : accepter, rediriger ou suspendre pour contrôle manuel.
  • Value Iteration et Policy Iteration calculent chacune une politique, ce qui permet de comparer les deux méthodes.
  • Le projet analyse aussi les biais des données et l'impact social de l'automatisation.
06 / ARCHITECTURE

Architecture

L'image d'un fruit est d'abord convertie en caractéristiques exploitables. La classification indique la nature probable du défaut, tandis que K-Means situe l'observation dans un groupe de profils similaires. Ces informations définissent l'état du fruit dans le MDP. Value Iteration et Policy Iteration calculent, à partir des transitions et récompenses définies, l'action la plus avantageuse pour chaque état, qui devient la recommandation de tri.

IMG-BANANA-03 · ARCHITECTURE

BananaVision — architecture globale

Étape 01 / 07 · Pause

Les images sont prétraitées (équipe).

01 · ENTRÉE02 · PERCEPTION03 · ANALYSE04 · MODÈLE05 · RÉSOLUTION06 · SORTIEImages / observationsFRUITSPrétraitementCARACTÉRISTIQUESClassification superviséePRÉVUE AU CAHIERK-MeansCLUSTERSModèle MDPÉTATS · ACTIONS · RÉCOMPENSESValue IterationVALEURSPolicy IterationPOLITIQUERecommandation de tri✓ ACCEPTER · REDIRIGER · CONTRÔLER
En pause8 nœuds · 9 liens · Survolez un nœud
  • Acteur / entité
  • Module d'équipe
  • Ma contribution
  • Résultat
Survolez ou sélectionnez un composant pour lire son rôle et ses connexions.
Les éléments en bleu correspondent à ma contribution personnelle ; le reste a été réalisé par l'équipe projet.
07 / STACK

Stack

Python, pandas, NumPy, scikit-learn.

À vérifier : bibliothèques exactes des modules. MobileNetV2 et EfficientNet-B0 sont des pistes du cahier des charges, pas des modèles entraînés confirmés.

08 / BENEFITS

Avantages

  • La décision de tri repose sur un modèle explicite, plutôt que sur la seule appréciation individuelle.
  • Les familles de défauts émergent des données, sans étiquetage préalable.
  • Le coût de chaque erreur de tri est pris en compte dans la recommandation.
  • La réflexion intègre l'incertitude et l'impact humain de l'automatisation.
NOTE ÉDITORIALE

Cette étude de cas distingue le périmètre global du projet de ma contribution personnelle. Aucun résultat ou chiffre non documenté n’est présenté.