BananaVision — K-Means & MDP
Passer de l'observation des défauts à une décision de tri structurée.

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
Bananes d'export, exigences de qualité strictes.
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 ?
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
Avis divergents et erreurs coûteuses.
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.
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.
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
Les images sont prétraitées (équipe).
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.
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.
Liens
Cette étude de cas distingue le périmètre global du projet de ma contribution personnelle. Aucun résultat ou chiffre non documenté n’est présenté.