Industrial Vision Inspection System / Zouher Oulkhiari

Public ISBD Titre : Industrial Vision Inspection System Type de document : document électronique Auteurs : Zouher Oulkhiari ; Akram Benhebbadj, Auteur ; Fella Berrimi, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (46 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vision Inspection Deep Learning CNN Machine Vision Image Processing Index. décimale : 004 Informatique Résumé : This project comprises a vision inspection system for automatic defect detection employing a Convolutional Neural Network (CNN) built from scratch. The purpose is to improve quality control in industrial settings by detecting products, such as electronic chips, mechanical parts, tiles, pharmaceuticals and others ... with the highest accuracy and zero human intervention. The CNN architecture created in this project is unlike other traditional approaches of machine learning or pre-trained models, where it was hypothesized end-to-end training on a dataset of labeled images of defective and non-defective samples was the way to go.The setup involves a preprocessing pipeline for normalizing and augmenting data followed by a multi-layer CNN specially designed for feature extraction and binary classification. A Qt/QML front-end application serves as an interface for real-time image annotation, from which various defect types can be identified and serial codes tracked via Firebase. Thus, the integration of a bespoke deep-learning model with an interactive application interface creates a well-formed and scalable solution to the automated visual inspection task. Note de contenu : Sommaire General Introduction 8 1 Chapter 01: Literature Review 11 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Overview of Different Quality Control Methods . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2.1 CNN-Based Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2.2 Vision Transformer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2.3 Optical Character Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2.4 ZBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2.5 Canny Edge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3 Traditional Approaches vs. Deep Learning-Based Approaches . . . . . . . . . . . . . . . . 14 1.3.1 Comparison between Deep Learning and Traditional Methods . . . . . . . . . . . . 14 1.3.2 Comparison between Grad-CAM and Saliency Maps . . . . . . . . . . . . . . . . . 15 1.4 Deep Learning Models for Defect Detection . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.1 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.3 Generative Adversarial Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 Benchmark Datasets for Defect Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.1 MVTec AD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.2 MVTec AD 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.3 MVTec 3D-AD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.4 MVTec LOCO AD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.5 T-LESS Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.6 ITODD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.7 COCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.8 CARPK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 Chapter 02: Methodology 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2 Problem Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.1 Background Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.2 Noise Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3 Rotation Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.4 Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.5 Dust Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4 Deep Learning Model Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.1 User Experience . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.2 Speed and Scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.3 Unnecessity of Annotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.4 Limitation for Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.5 Justifying Our Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.6 Our CNN Building Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.7 Model Training and Validation Process . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.8 Dataset Dependent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.9 Feature Extraction Adaptation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.10 Optimizer Selections Based on Variance . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.6 Training Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.6.1 Benchmarking Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.6.2 Deployment Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.7 Performance Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.7.1 Interpretation of Training Dynamics Through Accuracy and Loss Curves . . . . . 26 2.7.2 Interpretation of Classification Metrics and Model Performance . . . . . . . . . . . 27 2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3 Chapter 03: Implementation and Experiments 30 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 Experimental Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.1 Hardware Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.2 Software Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3 Programming Languages and Frameworks . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.1 Python 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.2 QML Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4 Libraries and Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.1 OpenCV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.2 PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.3 Pillow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.4 Pyrealsense2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.5 PySide6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.5 Integration Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.6 Model Training Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.6.1 Dataset Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.6.2 Feature Extraction and Complexity Assessment . . . . . . . . . . . . . . . . . . . . 33 3.7 Model Architecture and Hyperparameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.7.1 Optimizer Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.7.2 Hyperparameter Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.8 Results of Defect Detection Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.8.1 Accuracy and Training Performance . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.8.2 Key Observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.9 Comparison with Existing Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.10 Error Analysis and Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.1 Overfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.2 Underfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.3 Unstable Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.4 Summary of Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4 Chapter 04: Results and Assessment 38 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2 Interpretation of Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3 Key Advantages and Drawbacks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.4 Practical Implications for Real-World Inspection . . . . . . . . . . . . . . . . . . . . . . . 40 4.5 Challenges and Potential Improvements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.6 Future Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 General Conclusion 42 Côte titre : MAI/0978 Industrial Vision Inspection System [document électronique] / Zouher Oulkhiari ; Akram Benhebbadj, Auteur ; Fella Berrimi, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (46 f .) ; 29 cm. Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Vision Inspection Deep Learning CNN Machine Vision Image Processing Index. décimale : 004 Informatique Résumé : This project comprises a vision inspection system for automatic defect detection employing a Convolutional Neural Network (CNN) built from scratch. The purpose is to improve quality control in industrial settings by detecting products, such as electronic chips, mechanical parts, tiles, pharmaceuticals and others ... with the highest accuracy and zero human intervention. The CNN architecture created in this project is unlike other traditional approaches of machine learning or pre-trained models, where it was hypothesized end-to-end training on a dataset of labeled images of defective and non-defective samples was the way to go.The setup involves a preprocessing pipeline for normalizing and augmenting data followed by a multi-layer CNN specially designed for feature extraction and binary classification. A Qt/QML front-end application serves as an interface for real-time image annotation, from which various defect types can be identified and serial codes tracked via Firebase. Thus, the integration of a bespoke deep-learning model with an interactive application interface creates a well-formed and scalable solution to the automated visual inspection task. Note de contenu : Sommaire General Introduction 8 1 Chapter 01: Literature Review 11 1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2 Overview of Different Quality Control Methods . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2.1 CNN-Based Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 1.2.2 Vision Transformer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2.3 Optical Character Recognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2.4 ZBAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 1.2.5 Canny Edge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.3 Traditional Approaches vs. Deep Learning-Based Approaches . . . . . . . . . . . . . . . . 14 1.3.1 Comparison between Deep Learning and Traditional Methods . . . . . . . . . . . . 14 1.3.2 Comparison between Grad-CAM and Saliency Maps . . . . . . . . . . . . . . . . . 15 1.4 Deep Learning Models for Defect Detection . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.1 Convolutional Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.2 Recurrent Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 1.4.3 Generative Adversarial Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5 Benchmark Datasets for Defect Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.1 MVTec AD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.2 MVTec AD 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 1.5.3 MVTec 3D-AD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.4 MVTec LOCO AD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.5 T-LESS Dataset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.6 ITODD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 1.5.7 COCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.5.8 CARPK . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 1.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2 Chapter 02: Methodology 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2 Problem Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3 Dataset Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.1 Background Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.2 Noise Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.3 Rotation Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.3.4 Filters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.3.5 Dust Generating . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4 Deep Learning Model Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.1 User Experience . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.4.2 Speed and Scalability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22 2.4.3 Unnecessity of Annotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.4 Limitation for Transfer Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.5 Justifying Our Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.6 Our CNN Building Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.7 Model Training and Validation Process . . . . . . . . . . . . . . . . . . . . . . . . 23 2.4.8 Dataset Dependent . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.9 Feature Extraction Adaptation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4.10 Optimizer Selections Based on Variance . . . . . . . . . . . . . . . . . . . . . . . . 24 2.5 Loss Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.6 Training Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.6.1 Benchmarking Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.6.2 Deployment Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.7 Performance Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.7.1 Interpretation of Training Dynamics Through Accuracy and Loss Curves . . . . . 26 2.7.2 Interpretation of Classification Metrics and Model Performance . . . . . . . . . . . 27 2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3 Chapter 03: Implementation and Experiments 30 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2 Experimental Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.1 Hardware Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.2.2 Software Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 3.3 Programming Languages and Frameworks . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.1 Python 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.3.2 QML Language . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4 Libraries and Tools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.1 OpenCV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.2 PyTorch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.3 Pillow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.4 Pyrealsense2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32 3.4.5 PySide6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.5 Integration Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.6 Model Training Process . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.6.1 Dataset Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 3.6.2 Feature Extraction and Complexity Assessment . . . . . . . . . . . . . . . . . . . . 33 3.7 Model Architecture and Hyperparameter . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.7.1 Optimizer Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.7.2 Hyperparameter Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 3.8 Results of Defect Detection Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.8.1 Accuracy and Training Performance . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.8.2 Key Observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.9 Comparison with Existing Approaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.10 Error Analysis and Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.1 Overfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.2 Underfitting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.3 Unstable Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.10.4 Summary of Limitations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 3.11 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4 Chapter 04: Results and Assessment 38 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.2 Interpretation of Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3 Key Advantages and Drawbacks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.4 Practical Implications for Real-World Inspection . . . . . . . . . . . . . . . . . . . . . . . 40 4.5 Challenges and Potential Improvements . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4.6 Future Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42 General Conclusion 42 Côte titre : MAI/0978

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
MAI/0978	MAI/0978	Mémoire	Bibliothèque des sciences	Anglais	Disponible Disponible

---

1 (1 - 1 / 1)