University Sétif 1 FERHAT ABBAS Faculty of Sciences
Détail de l'auteur
Auteur Mekroud,Noureddine |
Documents disponibles écrits par cet auteur
Ajouter le résultat dans votre panier Affiner la rechercheApplication de l'IA et des modèles d’apprentissage profond pour la détection et la classification des maladies oculaires à partir d'images de la rétine / Wissem Meraouna
Titre : Application de l'IA et des modèles d’apprentissage profond pour la détection et la classification des maladies oculaires à partir d'images de la rétine Type de document : document électronique Auteurs : Wissem Meraouna ; Rania Kebiche, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (77 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Rétinopathie diabétique
Glaucome
AMD
Deep Learning
CNN
Logique floue
Régression
GAN
Diagnostic médicalIndex. décimale : 004 Informatique Résumé :
Avec l’augmentation massive des données médicales, les images de la rétine sont devenues essentielles pour le dépistage précoce des maladies oculaires. Ce mémoire propose un système intelligent combinant un modèle CNN pré-entraîné (MobileNetV2), la logique floue et la régression, appliqué à la détection et la classification de trois pathologies majeures : la rétinopathie diabétique, le glaucome et la dégénérescence maculaire liée à l’âge (AMD). Pour corriger le déséquilibre entre les classes, des images réalistes ont été générées à l’aide d’un modèle GAN. Le système offre une prédiction continue accompagnée d’une interprétation floue des résultats, permettant une classification plus nuancée et une aide fiable à la décision médicale. Les résultats obtenus confirment la pertinence de l’approche proposée dans le contexte du diagnostic ophtalmologique automatisé.Note de contenu :
Sommaire
Introduction Générale......................................................................................... 9
1 Introduction ................................................................................................. 12
2 Historique des maladies oculaires ............................................................. 12
2.1 Les Premières Références Historiques .................................................................................. 12
2.2 Le Moyen Âge et la Renaissance ............................................................................................ 12
2.3 Les Progrès de la Médecine Moderne ................................................................................... 13
2.4 Le XXe Siècle et l'Ère Contemporaine .................................................................................... 13
2.5 Les Défis Actuels .................................................................................................................... 13
3 Imagerie médicale ....................................................................................... 14
3.1 Définition d’imagerie médicale .............................................................................................. 14
3.2 Les types d’imagerie médicale ............................................................................................... 14
4 La description du l’oeil ................................................................................ 14
5 Maladies ciblées ........................................................................................... 16
5.1 La rétinopathie diabétique .................................................................................................... 16
5.2 Le glaucome ........................................................................................................................... 17
➢ Classification du glaucome ............................................................................................ 18
5.3 La Dégénérescence Maculaire Liée à l'Âge (DMLA) ............................................................... 18
6 Conclusion .................................................................................................... 19
1 Introduction ................................................................................................. 21
2 Intelligence artificielle ................................................................................ 21
3 L’apprentissage automatique .................................................................... 22
3.1 Les types de l’apprentissage automatique ............................................................................ 22
3.1.1 L’apprentissage supervisée ........................................................................................... 22
3.1.2 L’apprentissage non-supervisé ..................................................................................... 25
3.1.3 L’apprentissage par renforcement................................................................................ 28
4 L’apprentissage profond ............................................................................ 29
4.1 Les applications de l’apprentissage profond ......................................................................... 29
4.2 Les algorithmes de l’apprentissage profond ......................................................................... 29
4.3 Machine Learning Vs Deep Learning ..................................................................................... 30
4.4 Les réseaux de neurones ....................................................................................................... 31
4.4.1 Les neurones ................................................................................................................. 31
4.4.2 Les réseaux de neurones artificiels ............................................................................... 31
4.4.3 Réseaux de neurones convolutas pour la classification d'images ................................ 31
4.4.4 Les réseaux de neurones convolutifs ............................................................................ 32
4.4.5 Les principales couches du CNN ................................................................................... 32
4.4.6 Les différentes architectures du CNN ........................................................................... 34
4.4.7 L’apprentissage par transfert ........................................................................................ 37
4.4.8 Techniques de regularisation ....................................................................................... 38
4.4.9 L’optimisation de l’apprentissage en profondeur ........................................................ 38
1 Introduction ................................................................................................. 41
2 Modélisation des données imparfaites ...................................................... 41
2.1 Le développement de la logique humaine ............................................................................ 41
2.2 La logique binaire (Algèbre de Boole) .................................................................................... 41
2.3 Pourquoi le monde réel n'est pas en logique binaire ? ......................................................... 42
2.4 Les types d'imperfection dans les données réelles ............................................................... 42
2.4.1 Les données incertaines ................................................................................................ 43
2.4.2 Les données imprécises ................................................................................................ 43
2.4.3 Les données inconsistance ............................................................................................ 44
2.5 Théories de l'incertain ........................................................................................................... 44
2.5.1 La théorie des probabilités ........................................................................................... 44
2.5.2 Logique floue ................................................................................................................. 45
2.5.3 Définir les Sous-Ensembles Flous .................................................................................. 46
2.5.4 Logique possibiliste ....................................................................................................... 47
2.5.5 La théorie de croyance .................................................................................................. 48
2.6 Des exemples sur les défèrent logique de modélisation ....................................................... 49
3 Réseaux Antagonistes Génératifs .............................................................. 50
3.1 Architecture et fonctionnement des GANs ........................................................................... 50
3.2 Le discriminateur ................................................................................................................... 51
3.3 Le générateur ......................................................................................................................... 51
3.4 Augmentation de l’image ...................................................................................................... 52
❖ Techniques classiques ................................................................................................. 52
❖ Techniques avancées ................................................................................................... 52
4 Etat de l’art .................................................................................................. 53
4.1 Contexte scientifique et avancées récentes .......................................................................... 53
4.2 Quelques études notables ..................................................................................................... 53
4.3 Limites des approches existantes .......................................................................................... 53
5 Présentation générale .................................................................................. 53
6 Contribution ................................................................................................ 54
6.1 Par rapport aux faiblesses des travaux antérieurs ................................................................ 54
6.2 Intégration d’un générateur GAN .......................................................................................... 54
6.3 Ajout de la logique floue pour l'interprétation médicale ...................................................... 55
7 Pseudo Algorithme de l’approche proposée ............................................. 56
8 :8 Conclusion .............................................................................................. 56
1 Introduction ................................................................................................. 59
2 Le Dataset « OcularDisease Recognition » ............................................... 59
3 Le Transfer Learning via la plateforme MobileNetV2 ........................... 60
5 Les détails techniques d’implémentation ..................................................... 62
6 Exploration de l'Augmentation de Données via le GAN ............................ 64
Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 65
▪ Visualisation des résultats de la classification logique Floue : ..................................... 65
▪ Evolution de l'Apprentissage et performance du modèle ............................................ 66
Figure. IV.4 Matrice de Confusion ............................................................................................ 66
Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 67
▪ Visualisation des résultats de la classification logique Floue : ..................................... 67
▪ Evolution de l'Apprentissage et performance du modèle ............................................ 68
Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 69
▪ Visualisation des résultats de la classification logique Floue : ..................................... 69
▪ Evolution de l'Apprentissage et performance du modèle ............................................ 70Côte titre : MAI/1019 Application de l'IA et des modèles d’apprentissage profond pour la détection et la classification des maladies oculaires à partir d'images de la rétine [document électronique] / Wissem Meraouna ; Rania Kebiche, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (77 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Rétinopathie diabétique
Glaucome
AMD
Deep Learning
CNN
Logique floue
Régression
GAN
Diagnostic médicalIndex. décimale : 004 Informatique Résumé :
Avec l’augmentation massive des données médicales, les images de la rétine sont devenues essentielles pour le dépistage précoce des maladies oculaires. Ce mémoire propose un système intelligent combinant un modèle CNN pré-entraîné (MobileNetV2), la logique floue et la régression, appliqué à la détection et la classification de trois pathologies majeures : la rétinopathie diabétique, le glaucome et la dégénérescence maculaire liée à l’âge (AMD). Pour corriger le déséquilibre entre les classes, des images réalistes ont été générées à l’aide d’un modèle GAN. Le système offre une prédiction continue accompagnée d’une interprétation floue des résultats, permettant une classification plus nuancée et une aide fiable à la décision médicale. Les résultats obtenus confirment la pertinence de l’approche proposée dans le contexte du diagnostic ophtalmologique automatisé.Note de contenu :
Sommaire
Introduction Générale......................................................................................... 9
1 Introduction ................................................................................................. 12
2 Historique des maladies oculaires ............................................................. 12
2.1 Les Premières Références Historiques .................................................................................. 12
2.2 Le Moyen Âge et la Renaissance ............................................................................................ 12
2.3 Les Progrès de la Médecine Moderne ................................................................................... 13
2.4 Le XXe Siècle et l'Ère Contemporaine .................................................................................... 13
2.5 Les Défis Actuels .................................................................................................................... 13
3 Imagerie médicale ....................................................................................... 14
3.1 Définition d’imagerie médicale .............................................................................................. 14
3.2 Les types d’imagerie médicale ............................................................................................... 14
4 La description du l’oeil ................................................................................ 14
5 Maladies ciblées ........................................................................................... 16
5.1 La rétinopathie diabétique .................................................................................................... 16
5.2 Le glaucome ........................................................................................................................... 17
➢ Classification du glaucome ............................................................................................ 18
5.3 La Dégénérescence Maculaire Liée à l'Âge (DMLA) ............................................................... 18
6 Conclusion .................................................................................................... 19
1 Introduction ................................................................................................. 21
2 Intelligence artificielle ................................................................................ 21
3 L’apprentissage automatique .................................................................... 22
3.1 Les types de l’apprentissage automatique ............................................................................ 22
3.1.1 L’apprentissage supervisée ........................................................................................... 22
3.1.2 L’apprentissage non-supervisé ..................................................................................... 25
3.1.3 L’apprentissage par renforcement................................................................................ 28
4 L’apprentissage profond ............................................................................ 29
4.1 Les applications de l’apprentissage profond ......................................................................... 29
4.2 Les algorithmes de l’apprentissage profond ......................................................................... 29
4.3 Machine Learning Vs Deep Learning ..................................................................................... 30
4.4 Les réseaux de neurones ....................................................................................................... 31
4.4.1 Les neurones ................................................................................................................. 31
4.4.2 Les réseaux de neurones artificiels ............................................................................... 31
4.4.3 Réseaux de neurones convolutas pour la classification d'images ................................ 31
4.4.4 Les réseaux de neurones convolutifs ............................................................................ 32
4.4.5 Les principales couches du CNN ................................................................................... 32
4.4.6 Les différentes architectures du CNN ........................................................................... 34
4.4.7 L’apprentissage par transfert ........................................................................................ 37
4.4.8 Techniques de regularisation ....................................................................................... 38
4.4.9 L’optimisation de l’apprentissage en profondeur ........................................................ 38
1 Introduction ................................................................................................. 41
2 Modélisation des données imparfaites ...................................................... 41
2.1 Le développement de la logique humaine ............................................................................ 41
2.2 La logique binaire (Algèbre de Boole) .................................................................................... 41
2.3 Pourquoi le monde réel n'est pas en logique binaire ? ......................................................... 42
2.4 Les types d'imperfection dans les données réelles ............................................................... 42
2.4.1 Les données incertaines ................................................................................................ 43
2.4.2 Les données imprécises ................................................................................................ 43
2.4.3 Les données inconsistance ............................................................................................ 44
2.5 Théories de l'incertain ........................................................................................................... 44
2.5.1 La théorie des probabilités ........................................................................................... 44
2.5.2 Logique floue ................................................................................................................. 45
2.5.3 Définir les Sous-Ensembles Flous .................................................................................. 46
2.5.4 Logique possibiliste ....................................................................................................... 47
2.5.5 La théorie de croyance .................................................................................................. 48
2.6 Des exemples sur les défèrent logique de modélisation ....................................................... 49
3 Réseaux Antagonistes Génératifs .............................................................. 50
3.1 Architecture et fonctionnement des GANs ........................................................................... 50
3.2 Le discriminateur ................................................................................................................... 51
3.3 Le générateur ......................................................................................................................... 51
3.4 Augmentation de l’image ...................................................................................................... 52
❖ Techniques classiques ................................................................................................. 52
❖ Techniques avancées ................................................................................................... 52
4 Etat de l’art .................................................................................................. 53
4.1 Contexte scientifique et avancées récentes .......................................................................... 53
4.2 Quelques études notables ..................................................................................................... 53
4.3 Limites des approches existantes .......................................................................................... 53
5 Présentation générale .................................................................................. 53
6 Contribution ................................................................................................ 54
6.1 Par rapport aux faiblesses des travaux antérieurs ................................................................ 54
6.2 Intégration d’un générateur GAN .......................................................................................... 54
6.3 Ajout de la logique floue pour l'interprétation médicale ...................................................... 55
7 Pseudo Algorithme de l’approche proposée ............................................. 56
8 :8 Conclusion .............................................................................................. 56
1 Introduction ................................................................................................. 59
2 Le Dataset « OcularDisease Recognition » ............................................... 59
3 Le Transfer Learning via la plateforme MobileNetV2 ........................... 60
5 Les détails techniques d’implémentation ..................................................... 62
6 Exploration de l'Augmentation de Données via le GAN ............................ 64
Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 65
▪ Visualisation des résultats de la classification logique Floue : ..................................... 65
▪ Evolution de l'Apprentissage et performance du modèle ............................................ 66
Figure. IV.4 Matrice de Confusion ............................................................................................ 66
Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 67
▪ Visualisation des résultats de la classification logique Floue : ..................................... 67
▪ Evolution de l'Apprentissage et performance du modèle ............................................ 68
Les Résultats de la classification nuancée via l’architecture CNN proposée : ............................ 69
▪ Visualisation des résultats de la classification logique Floue : ..................................... 69
▪ Evolution de l'Apprentissage et performance du modèle ............................................ 70Côte titre : MAI/1019 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/1019 MAI/1019 Mémoire Bibliothèque des sciences Français Disponible
Disponible
Titre : Automatic spice classification application by image recognition Type de document : document électronique Auteurs : Maamar Karfa ; Mohamed Yacine Haddad, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (63 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Shape recognition
Deep learning
Spice classification
EfficientNetB3Index. décimale : 004 Informatique Résumé :
This thesis investigates the integration of shape recognition and deep learning techniques to
develop a mobile-based spice classification system. Addressing the challenges of visual
similarity and texture variability among spices, the research utilizes EfficientNetB3 as a
transfer learning backbone, achieving a classification accuracy of 93.78%. The system
combines Flutter for cross-platform frontend development with Django for backend
processing, ensuring real-time performance and scalability. Key contributions include a curated
dataset of 24 spice categories, optimized preprocessing pipelines, and mobile-specific model
compression techniques. The thesis also discusses ethical considerations in AI deployment and
potential future enhancements, such as augmented reality guidance. The results demonstrate
that shape recognition can be effectively adapted for culinary applications, establishing a
benchmark for mobile computer vision systems.Note de contenu : Sommaire
Chapter 1: Shape Recognition
Theoretical Background
1 Introduction 1
2 Shape Recognition 1
2.1 Basic Theories of Shape Recognition ------------------------------------------------------ 1
2.1.1 Pattern Recognition Theory 1
2.1.2 Cognitive Theory 1
2.2 Techniques for Shape Recognition 2
2.2.1 Traditional Methods 2
2.2.2 Machine Learning-Based Methods 3
2.3 Explainability and Interpretability in Image Recognition ---------------------------------- 3
2.4 Common Applications of Shape Recognition --------------------------------------------- 4
2.4.1 Introduction to Applications of Shape Recognition ------------------------------------ 4
3 Image Recognition in Mobile Applications -------------------------------------------------------- 7
3.1 Core Technologies Behind Image Recognition -------------------------------------------- 7
3.2 Popular Mobile Image Recognition Frameworks ------------------------------------------ 7
3.3 Limitations of Image Recognition in Mobile Apps ----------------------------------------- 8
3.4 Ethical Considerations in AI-based Food Classification ----------------------------------- 8
3.5 Future Prospects of Image Recognition in Mobile Applications -------------------------- 8
4 Spice Specification 9
4.1 Importance of Spice Classification 9
4.2 Challenges in Spice Classification 10
4.3 Traditional Methods of Spice Classification ----------------------------------------------- 10
4.4 Modern Techniques for Spice Classification ---------------------------------------------- 11
4.5 Previous Studies and Research on Spice Classification---------------------------------- 11
5 Conclusion 11
Chapter 2 : Application Design
1 Introduction 13
2 Needs Analysis 13
2.1 Identification of target users 13
2.2 Methods for Identifying Target Users ------------------------------------------------------ 13
2.3 Functional and non-functional specifications -------------------------------------------- 13
2.3.1 Functional Specifications 13
2.3.2 Non-Functional Specifications 14
2.4 Security and Data Privacy Architecture --------------------------------------------------- 14
3 Application Architecture 14
3.1 Technological Choices 15
3.2 Development Tools 15
3.2.1 IDE: Visual Studio Code (VS Code) 15
3.2.2 Dataset Management: Kaggle 15
3.2.3 Machine Learning Training 16
3.2.4 Local Testing C Deployment 16
3.3 Layered Architecture Model 17
3.3.1 Presentation Layer (Frontend - Flutter) ------------------------------------------------ 17
3.3.2 Business Logic Layer (Backend - Django REST Framework) ------------------------- 17
3.3.3 Data Processing Layer 18
3.4 Equivalent Works 18
3.5 Contribution 19
3.5.1 Proposal Platform (Spicyfy) 19
3.5.2 Comparison Between Our Approach and Equivalent Approaches ------------------- 19
3.6 Transfer Learning in Deep Learning 19
3.6.1 How Transfer Learning Works with CNNs ---------------------------------------------- 20
3.6.2 EfficientNet Architecture 20
3.6.3 Comparison of CNN Architectures ----------------------------------------------------- 21
4 System Design 23
4.1 UML Diagrams 23
4.1.1 Class Diagrams 23
4.1.2 Sequence Diagrams 24
4.1.3 Component Diagrams 24
User Interface 25
4.2 Principles of UI/UX Design 25
4.3 Visual Design Principles 25
4.4 Prototyping and Iterations 26
4.4.1 Prototyping Approach 26
5 Technical Specifications of Spice Identification App ------------------------------------------- 27
6 Conclusion 30
Chapter 3:Application Development
1 Introduction 32
2 Frontend Development 32
2.1 Languages and Frameworks Used 32
2.1.1 Development Environment 32
2.1.2 State Management 33
2.1.3 UI Components 34
2.1.4 Essential Packages 34
2.2 Implementation of main features 35
2.2.1 Core Feature Architecture 35
2.2.2 Key Feature Breakdown 35
2.2.3 Technical Implementation 37
2.2.4 Cross-Feature Integration 37
2.2.5 Quality Assurance 38
2.3 App Screen Architecture 38
2.3.1 Screen Hierarchy C Navigation Flow --------------------------------------------------- 38
3 Backend Development 42
3.1 Server and database configuration 42
3.2 APIs and web services 42
4 Shape Recognition Integration 43
4.1 Dataset Curation and Preparation 43
4.1.1 Dataset Composition 43
4.1.2 Class Distribution and Challenges 45
4.1.3 Data Collection Methodology 45
4.2 Algorithms and techniques used 45
4.3 Model Implementation with Transfer Learning ------------------------------------------- 46
4.3.1 TensorFlow C Keras 46
4.3.2 EfficientNetB3 (Pre-trained CNN Backbone) ------------------------------------------ 47
4.3.3 OpenCV (via TensorFlow + Keras) 47
4.3.4 Matplotlib 47
4.3.5 Additional Libraries 47
4.4 Model training and optimization 47
4.4.1 Dataset Splitting Strategy 48
4.4.2 Training Accuracy Curve Analysis 49
4.4.3 Choice of hyperparameters for the basic architecture-------------------------------- 50
4.5 Performance Evaluation and Continuous Improvement -------------------------------- 56
5 Conclusion 58Côte titre : MAI/1015 Automatic spice classification application by image recognition [document électronique] / Maamar Karfa ; Mohamed Yacine Haddad, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (63 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Shape recognition
Deep learning
Spice classification
EfficientNetB3Index. décimale : 004 Informatique Résumé :
This thesis investigates the integration of shape recognition and deep learning techniques to
develop a mobile-based spice classification system. Addressing the challenges of visual
similarity and texture variability among spices, the research utilizes EfficientNetB3 as a
transfer learning backbone, achieving a classification accuracy of 93.78%. The system
combines Flutter for cross-platform frontend development with Django for backend
processing, ensuring real-time performance and scalability. Key contributions include a curated
dataset of 24 spice categories, optimized preprocessing pipelines, and mobile-specific model
compression techniques. The thesis also discusses ethical considerations in AI deployment and
potential future enhancements, such as augmented reality guidance. The results demonstrate
that shape recognition can be effectively adapted for culinary applications, establishing a
benchmark for mobile computer vision systems.Note de contenu : Sommaire
Chapter 1: Shape Recognition
Theoretical Background
1 Introduction 1
2 Shape Recognition 1
2.1 Basic Theories of Shape Recognition ------------------------------------------------------ 1
2.1.1 Pattern Recognition Theory 1
2.1.2 Cognitive Theory 1
2.2 Techniques for Shape Recognition 2
2.2.1 Traditional Methods 2
2.2.2 Machine Learning-Based Methods 3
2.3 Explainability and Interpretability in Image Recognition ---------------------------------- 3
2.4 Common Applications of Shape Recognition --------------------------------------------- 4
2.4.1 Introduction to Applications of Shape Recognition ------------------------------------ 4
3 Image Recognition in Mobile Applications -------------------------------------------------------- 7
3.1 Core Technologies Behind Image Recognition -------------------------------------------- 7
3.2 Popular Mobile Image Recognition Frameworks ------------------------------------------ 7
3.3 Limitations of Image Recognition in Mobile Apps ----------------------------------------- 8
3.4 Ethical Considerations in AI-based Food Classification ----------------------------------- 8
3.5 Future Prospects of Image Recognition in Mobile Applications -------------------------- 8
4 Spice Specification 9
4.1 Importance of Spice Classification 9
4.2 Challenges in Spice Classification 10
4.3 Traditional Methods of Spice Classification ----------------------------------------------- 10
4.4 Modern Techniques for Spice Classification ---------------------------------------------- 11
4.5 Previous Studies and Research on Spice Classification---------------------------------- 11
5 Conclusion 11
Chapter 2 : Application Design
1 Introduction 13
2 Needs Analysis 13
2.1 Identification of target users 13
2.2 Methods for Identifying Target Users ------------------------------------------------------ 13
2.3 Functional and non-functional specifications -------------------------------------------- 13
2.3.1 Functional Specifications 13
2.3.2 Non-Functional Specifications 14
2.4 Security and Data Privacy Architecture --------------------------------------------------- 14
3 Application Architecture 14
3.1 Technological Choices 15
3.2 Development Tools 15
3.2.1 IDE: Visual Studio Code (VS Code) 15
3.2.2 Dataset Management: Kaggle 15
3.2.3 Machine Learning Training 16
3.2.4 Local Testing C Deployment 16
3.3 Layered Architecture Model 17
3.3.1 Presentation Layer (Frontend - Flutter) ------------------------------------------------ 17
3.3.2 Business Logic Layer (Backend - Django REST Framework) ------------------------- 17
3.3.3 Data Processing Layer 18
3.4 Equivalent Works 18
3.5 Contribution 19
3.5.1 Proposal Platform (Spicyfy) 19
3.5.2 Comparison Between Our Approach and Equivalent Approaches ------------------- 19
3.6 Transfer Learning in Deep Learning 19
3.6.1 How Transfer Learning Works with CNNs ---------------------------------------------- 20
3.6.2 EfficientNet Architecture 20
3.6.3 Comparison of CNN Architectures ----------------------------------------------------- 21
4 System Design 23
4.1 UML Diagrams 23
4.1.1 Class Diagrams 23
4.1.2 Sequence Diagrams 24
4.1.3 Component Diagrams 24
User Interface 25
4.2 Principles of UI/UX Design 25
4.3 Visual Design Principles 25
4.4 Prototyping and Iterations 26
4.4.1 Prototyping Approach 26
5 Technical Specifications of Spice Identification App ------------------------------------------- 27
6 Conclusion 30
Chapter 3:Application Development
1 Introduction 32
2 Frontend Development 32
2.1 Languages and Frameworks Used 32
2.1.1 Development Environment 32
2.1.2 State Management 33
2.1.3 UI Components 34
2.1.4 Essential Packages 34
2.2 Implementation of main features 35
2.2.1 Core Feature Architecture 35
2.2.2 Key Feature Breakdown 35
2.2.3 Technical Implementation 37
2.2.4 Cross-Feature Integration 37
2.2.5 Quality Assurance 38
2.3 App Screen Architecture 38
2.3.1 Screen Hierarchy C Navigation Flow --------------------------------------------------- 38
3 Backend Development 42
3.1 Server and database configuration 42
3.2 APIs and web services 42
4 Shape Recognition Integration 43
4.1 Dataset Curation and Preparation 43
4.1.1 Dataset Composition 43
4.1.2 Class Distribution and Challenges 45
4.1.3 Data Collection Methodology 45
4.2 Algorithms and techniques used 45
4.3 Model Implementation with Transfer Learning ------------------------------------------- 46
4.3.1 TensorFlow C Keras 46
4.3.2 EfficientNetB3 (Pre-trained CNN Backbone) ------------------------------------------ 47
4.3.3 OpenCV (via TensorFlow + Keras) 47
4.3.4 Matplotlib 47
4.3.5 Additional Libraries 47
4.4 Model training and optimization 47
4.4.1 Dataset Splitting Strategy 48
4.4.2 Training Accuracy Curve Analysis 49
4.4.3 Choice of hyperparameters for the basic architecture-------------------------------- 50
4.5 Performance Evaluation and Continuous Improvement -------------------------------- 56
5 Conclusion 58Côte titre : MAI/1015 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/1015 MAI/1015 Mémoire Bibliothèque des sciences Anglais Disponible
Disponible
Titre : Deep Learning based method For features extraction of Gene Expression Data Type de document : texte imprimé Auteurs : Sarah Soudane, Auteur ; Iheb Charaf Eddine Lamri, Auteur ; Mekroud,Noureddine, Directeur de thèse Année de publication : 2022 Importance : 1 vol (91 f .) Format : 29cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0594 En ligne : https://drive.google.com/file/d/12aYLCC0x05pz9zyweAoCqs1av82AB3Gn/view?usp=share [...] Format de la ressource électronique : Deep Learning based method For features extraction of Gene Expression Data [texte imprimé] / Sarah Soudane, Auteur ; Iheb Charaf Eddine Lamri, Auteur ; Mekroud,Noureddine, Directeur de thèse . - 2022 . - 1 vol (91 f .) ; 29cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 Informatique Côte titre : MAI/0594 En ligne : https://drive.google.com/file/d/12aYLCC0x05pz9zyweAoCqs1av82AB3Gn/view?usp=share [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0594 MAI/0594 Mémoire Bibliothèque des sciences Anglais Disponible
Disponible
Titre : Deep Learning based method for features selection of Gene Expression Data Type de document : texte imprimé Auteurs : Kerkour ,Ibtissem, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2021 Importance : 1 vol (97 f .) Format : 29 cm Langues : Français (fre) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
From the real mode, biological data is one of the most studied data. Given the vital importance of the knowledge hidden in these very large and heterogeneous databases, the need to analyze them through automatic and rational processing has given rise to a new line of research: bioinformatics.
The development of the embryo of a few model species is monitored by image sequences representing the genetic expression areas of each gene during the embryo growth phases. These images hide a lot of crucial and unknown knowledge that will help biologists to follow and understand the stages of development of living things, and to study the impact of gene expressions in each phase. But, the volume of these data still remains an obstacle for their study and understanding, and the reduction of their size and a persistent challenge.
Reliable reduction in the dimensions of the data studied will reduce the complexity of any training algorithms used, and help improve the quality of presentation and visualization of the results obtained. Autoencoders extract the most influential characteristics, which can then be used in a machine learning algorithm to extract relevant knowledge using fewer variables and with fewer parameters.
In this perspective, the objective of our approach is the extraction, via a proposed convolutional auto-encoder model, of a compressed number of attributes from the gene expression image sequences of the model species. Edinburgh Mouse, to then look for rules of association between the genes that are expressed during the developmental phases of the embryo of this species. A representation and validation of the results, as well as a biological interpretation of the extracted knowledge, will then be provided, which will help biologists to understand the stages of development of the embryo of living species.Côte titre : MAI/0532 En ligne : https://drive.google.com/file/d/1TQ1Ihxm3lc9PmoUqbkN2va0mewdnRW7C/view?usp=shari [...] Format de la ressource électronique : Deep Learning based method for features selection of Gene Expression Data [texte imprimé] / Kerkour ,Ibtissem, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2021 . - 1 vol (97 f .) ; 29 cm.
Langues : Français (fre)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique Index. décimale : 004 - Informatique Résumé :
From the real mode, biological data is one of the most studied data. Given the vital importance of the knowledge hidden in these very large and heterogeneous databases, the need to analyze them through automatic and rational processing has given rise to a new line of research: bioinformatics.
The development of the embryo of a few model species is monitored by image sequences representing the genetic expression areas of each gene during the embryo growth phases. These images hide a lot of crucial and unknown knowledge that will help biologists to follow and understand the stages of development of living things, and to study the impact of gene expressions in each phase. But, the volume of these data still remains an obstacle for their study and understanding, and the reduction of their size and a persistent challenge.
Reliable reduction in the dimensions of the data studied will reduce the complexity of any training algorithms used, and help improve the quality of presentation and visualization of the results obtained. Autoencoders extract the most influential characteristics, which can then be used in a machine learning algorithm to extract relevant knowledge using fewer variables and with fewer parameters.
In this perspective, the objective of our approach is the extraction, via a proposed convolutional auto-encoder model, of a compressed number of attributes from the gene expression image sequences of the model species. Edinburgh Mouse, to then look for rules of association between the genes that are expressed during the developmental phases of the embryo of this species. A representation and validation of the results, as well as a biological interpretation of the extracted knowledge, will then be provided, which will help biologists to understand the stages of development of the embryo of living species.Côte titre : MAI/0532 En ligne : https://drive.google.com/file/d/1TQ1Ihxm3lc9PmoUqbkN2va0mewdnRW7C/view?usp=shari [...] Format de la ressource électronique : Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/0532 MAI/0532 Mémoire Bibliothèque des sciences Anglais Disponible
Disponible
Titre : Development of an intelligent management system: integration of machine learning and knowledge engineering techniques Type de document : document électronique Auteurs : Ferrial Diboune ; Ikbal Khouni, Auteur ; Mekroud,Noureddine, Directeur de thèse Editeur : Setif:UFA Année de publication : 2025 Importance : 1 vol (88 f .) Format : 29 cm Langues : Anglais (eng) Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique
Management systemIndex. décimale : 004 Informatique Résumé :
In modern industrial environments, ensuring high-quality and uninterrupted production
is a major daily challenge. With the goal of preserving the accumulated knowledge of
experts, which forms the "corporate memory"—the company’s true capital—this work
proposes an intelligent system that combines processes for reusing past experience, predicting
future needs, and capitalizing on domain knowledge to support effective corrective
and preventive maintenance. The system leverages previous interventions to suggest appropriate
solutions for current failures. Additionally, the developed software intelligently
adjusts the optimal stock levels of spare parts and adapts their logistics based on observed
usage, and finally facilitates task assignment to technicians according to the current context
of interventions. This IT solution is a modular and scalable platform developed from
real-world industrial maintenance scenarios, ensuring the progressive integration of new
experiences from resolved failures, to gradually enhance decision-making support capabilities.Note de contenu : Sommaire
1 Maintenance, Inventory, and Workforce Management 10
1.1 Maintenance Management . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.1 Strategic Role of Maintenance in an Organization . . . . . . . . . . 10
1.1.2 Problem of Expert Knowledge Loss . . . . . . . . . . . . . . . . . . 11
1.1.3 Types of Maintenance Approaches . . . . . . . . . . . . . . . . . . . 12
1.2 Principle of Spare Parts and Stock Management . . . . . . . . . . . . . . . 13
1.2.1 The Challenges of Spare Parts Stock Management . . . . . . . . . . 14
1.2.2 Strategies for Spare Parts Stock Optimization . . . . . . . . . . . . 15
1.2.3 Stock Replenishment Methods . . . . . . . . . . . . . . . . . . . . . 15
1.2.4 Calculation of Safety Stock with Random Demand . . . . . . . . . 16
1.3 Human Resource Management . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.1 Workforce Coordination for Failure Resolution . . . . . . . . . . . . 17
1.3.2 Task Assignment and Workforce Scheduling Conflicts . . . . . . . . 17
1.3.3 Predictive Planning for Workforce Gaps . . . . . . . . . . . . . . . 18
1.4 Overview of Integrated Intelligent Maintenance System . . . . . . . . . . . 18
2 Theoretical Background and Key Concepts 21
Part 1: Knowledge Management . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1 Definition and Importance of Knowledge Management . . . . . . . . . . . . 21
2.2 Knowledge Management System Cycle . . . . . . . . . . . . . . . . . . . . 22
2.3 Application of Knowledge Management . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Key Aspects of KM . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2 Structural Implications of Automating Knowledge Processes . . . . 25
2.4 Components of Knowledge Management System . . . . . . . . . . . . . . . 25
Part 2: Knowledge Engineering . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Knowledge Engineering Process . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.1 Knowledge Engineering and Knowledge Management . . . . . . . . 27
2.6 Experience Feedback as Knowledge Engineering: The Role of Case-Based
Reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Expert Systems in Maintenance Management . . . . . . . . . . . . . . . . 27
2.8 Prioritization Rules and Resource Allocation . . . . . . . . . . . . . . . . . 28
2.8.1 Defining Priority Criteria for Maintenance Tasks . . . . . . . . . . 29
Part 3: Machine Learning and Analytical Methods . . . . . . . . . . . . 29
2.9 Knowledge Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.10 Extracting Knowledge from Historical Data . . . . . . . . . . . . . . . . . 29
2.10.1 Trend Analysis for Predictive Stock and Maintenance Management 30
2.10.2 Detecting Failure Patterns and Forecasting Resource Needs . . . . . 30
2.11 Embedding Predictive Models in Decision Systems . . . . . . . . . . . . . . 30
2.12 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.12.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.12.2 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.12.3 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.12.4 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.13 Optimization Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.13.1 Heuristic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.13.2 Metaheuristic Algorithms . . . . . . . . . . . . . . . . . . . . . . . 39
2.13.3 ARIMA (AutoRegressive Integrated Moving Average) . . . . . . . . 39
2.13.4 SARIMA (Seasonal ARIMA) . . . . . . . . . . . . . . . . . . . . . 40
2.14 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Proposed Approach 43
Axe 1: Corrective Maintenance – Case-Based Reason- ing for Intelligent
Failure Diagnosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1 The CBR Cycle: Retrieve, Reuse, Revise, Retain . . . . . . . . . . . . . . 43
3.1.1 Why CBR Suits Corrective Maintenance . . . . . . . . . . . . . . . 44
3.1.2 Domain Relevance of Experience-Based Reasoning . . . . . . . . . . 45
3.2 Similarity Measures for Failure Matching . . . . . . . . . . . . . . . . . . . 45
3.2.1 Similarity for Numerical Features . . . . . . . . . . . . . . . . . . . 45
3.2.2 Similarity for Textual Features . . . . . . . . . . . . . . . . . . . . . 46
3.2.3 Hybrid Retrieval Strategy . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 K-Nearest Neighbors (KNN) for Case Retrieval . . . . . . . . . . . . . . . 47
3.3.1 Feature Representation and Preprocessing . . . . . . . . . . . . . . 47
3.3.2 KNN-Based Retrieval of Top 5 Similar Failure Cases . . . . . . . . 47
3.3.3 Columns Used in Similarity Matching . . . . . . . . . . . . . . . . . 48
3.3.4 Expert Assistance: Suggested Spare Parts and Human Resources . 48
3.4 Dimensionality Reduction and Failure Clustering . . . . . . . . . . . . . . 48
3.4.1 Knowledge Base Construction and Case Structuring . . . . . . . . . 48
3.4.2 Projecting New Failures via Principal Component Analysis . . . . 48
3.5 Sequential Pattern Mining for Failure Analysis . . . . . . . . . . . . . . . . 49
Axe 2: Preventive Maintenance – Forecasting, Rules, and Inventory
Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6 Designing Preventive Maintenance Rules . . . . . . . . . . . . . . . . . . . 49
3.6.1 Setting Threshold Intervals for Temperature and Pressure . . . . . 49
3.6.2 Identifying Frequent Failures for Periodic Check-Ups . . . . . . . . 49
3.6.3 Collaborating with Experts Before Rule Validation . . . . . . . . . 49
3.6.4 Defining Weekly, Monthly, and Quarterly Check Rules . . . . . . . 49
3.7 Forecasting Spare Parts for Proactive Stock Management . . . . . . . . . . 50
3.7.1 Importance of Demand Forecasting for Inventory . . . . . . . . . . 50
3.7.2 Time Series Components: Trend, Seasonality, Noise . . . . . . . . . 50
3.7.3 SARIMA Model for Monthly Spare Part Forecasting . . . . . . . . 50
3.7.4 Aggregation Strategy and Forecast Horizons . . . . . . . . . . . . . 50
3.8 Forecasting Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.8.1 Mean Absolute Error (MAE) . . . . . . . . . . . . . . . . . . . . . 51
3.8.2 Root Mean Squared Error (RMSE) . . . . . . . . . . . . . . . . . . 51
3.9 Intelligent Inventory Control and Reorder Management . . . . . . . . . . . 51
3.9.1 Adjusting Reorder Points Based on Lead Time and Forecasts . . . . 51
3.9.2 Calculating Safety Stock and Alert Levels . . . . . . . . . . . . . . 51
3.9.3 Integrating Preventive Forecasts with Inventory Decisions . . . . . . 52
Axe 3: Experience-Based Maintenance System Loop . . . . . . . . . . . 52
3.10 Continuous Learning and Case Base Evolution . . . . . . . . . . . . . . . . 52
3.11 Human-in-the-Loop Decision Support . . . . . . . . . . . . . . . . . . . . . 53
3.12 System Architecture Overview . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Implementation and Results Analysis 62
Part 1: Machine Failure and Maintenance . . . . . . . . . . . . . . . . . . 62
4.1 Dataset Structure and Class Diagram . . . . . . . . . . . . . . . . . . . . . 62
4.2 Description of the Machine Failure Dataset . . . . . . . . . . . . . . . . . . 63
4.3 Data Cleaning and Preprocessing . . . . . . . . . . . . . . . . . . . . . . . 63
4.4 Feature Engineering and Encoding . . . . . . . . . . . . . . . . . . . . . . 64
4.5 Exploratory Data Analysis (EDA) . . . . . . . . . . . . . . . . . . . . . . . 64
4.6 Visualization of Similarity Using PCA . . . . . . . . . . . . . . . . . . . . 65
4.6.1 Need for Dimensionality Reduction . . . . . . . . . . . . . . . . . . 65
4.6.2 Principal Component Analysis (PCA) . . . . . . . . . . . . . . . . . 66
4.6.3 Interpretation of PCA Plot . . . . . . . . . . . . . . . . . . . . . . . 66
4.6.4 Explained Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.7 Analysis of PCA Inertia and Dimensional Space . . . . . . . . . . . . . . . 67
4.7.1 Dimensionality of the Hybrid Feature Space . . . . . . . . . . . . . 67
4.7.2 Inertia Explained by Principal Components . . . . . . . . . . . . . 68
4.7.3 Interpretation of Explained Inertia . . . . . . . . . . . . . . . . . . 68
4.8 Similarity Calculation Using KNN and Distance Metrics . . . . . . . . . . 69
4.9 Preventive Maintenance Planning Based on Failure Frequency Analysis . . 71
4.10 Sequential Pattern Mining and Rule-Based Failure Prediction . . . . . . . 72
4.11 New Machine Entry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Part 2: Inventory Forecasting and Optimization . . . . . . . . . . . . . . 74
4.12 Description of the Spare Parts Inventory Dataset . . . . . . . . . . . . . . 74
4.13 Time Series Preparation and Preprocessing . . . . . . . . . . . . . . . . . . 75
4.14 Forecasting with SARIMA Model . . . . . . . . . . . . . . . . . . . . . . . 76
4.14.1 SARIMA Parameter Tuning . . . . . . . . . . . . . . . . . . . . . . 76
4.14.2 Model Fitting and Residual Diagnostics . . . . . . . . . . . . . . . 76
4.14.3 Forecast Accuracy Evaluation . . . . . . . . . . . . . . . . . . . . . 77
4.15 Inventory Optimization Based on Forecasted Demand . . . . . . . . . . . . 79
4.16 Results Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.16.1 Maintenance Optimization . . . . . . . . . . . . . . . . . . . . . . . 81
4.16.2 Inventory and Spare Part Planning . . . . . . . . . . . . . . . . . . 81
4.16.3 Human Resource Management . . . . . . . . . . . . . . . . . . . . . 82
4.16.4 Conclusion on Results Use . . . . . . . . . . . . . . . . . . . . . . . 82
Côte titre : MAI/1051 Development of an intelligent management system: integration of machine learning and knowledge engineering techniques [document électronique] / Ferrial Diboune ; Ikbal Khouni, Auteur ; Mekroud,Noureddine, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (88 f .) ; 29 cm.
Langues : Anglais (eng)
Catégories : Thèses & Mémoires:Informatique Mots-clés : Informatique
Management systemIndex. décimale : 004 Informatique Résumé :
In modern industrial environments, ensuring high-quality and uninterrupted production
is a major daily challenge. With the goal of preserving the accumulated knowledge of
experts, which forms the "corporate memory"—the company’s true capital—this work
proposes an intelligent system that combines processes for reusing past experience, predicting
future needs, and capitalizing on domain knowledge to support effective corrective
and preventive maintenance. The system leverages previous interventions to suggest appropriate
solutions for current failures. Additionally, the developed software intelligently
adjusts the optimal stock levels of spare parts and adapts their logistics based on observed
usage, and finally facilitates task assignment to technicians according to the current context
of interventions. This IT solution is a modular and scalable platform developed from
real-world industrial maintenance scenarios, ensuring the progressive integration of new
experiences from resolved failures, to gradually enhance decision-making support capabilities.Note de contenu : Sommaire
1 Maintenance, Inventory, and Workforce Management 10
1.1 Maintenance Management . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.1 Strategic Role of Maintenance in an Organization . . . . . . . . . . 10
1.1.2 Problem of Expert Knowledge Loss . . . . . . . . . . . . . . . . . . 11
1.1.3 Types of Maintenance Approaches . . . . . . . . . . . . . . . . . . . 12
1.2 Principle of Spare Parts and Stock Management . . . . . . . . . . . . . . . 13
1.2.1 The Challenges of Spare Parts Stock Management . . . . . . . . . . 14
1.2.2 Strategies for Spare Parts Stock Optimization . . . . . . . . . . . . 15
1.2.3 Stock Replenishment Methods . . . . . . . . . . . . . . . . . . . . . 15
1.2.4 Calculation of Safety Stock with Random Demand . . . . . . . . . 16
1.3 Human Resource Management . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.1 Workforce Coordination for Failure Resolution . . . . . . . . . . . . 17
1.3.2 Task Assignment and Workforce Scheduling Conflicts . . . . . . . . 17
1.3.3 Predictive Planning for Workforce Gaps . . . . . . . . . . . . . . . 18
1.4 Overview of Integrated Intelligent Maintenance System . . . . . . . . . . . 18
2 Theoretical Background and Key Concepts 21
Part 1: Knowledge Management . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1 Definition and Importance of Knowledge Management . . . . . . . . . . . . 21
2.2 Knowledge Management System Cycle . . . . . . . . . . . . . . . . . . . . 22
2.3 Application of Knowledge Management . . . . . . . . . . . . . . . . . . . . 23
2.3.1 Key Aspects of KM . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2 Structural Implications of Automating Knowledge Processes . . . . 25
2.4 Components of Knowledge Management System . . . . . . . . . . . . . . . 25
Part 2: Knowledge Engineering . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5 Knowledge Engineering Process . . . . . . . . . . . . . . . . . . . . . . . . 26
2.5.1 Knowledge Engineering and Knowledge Management . . . . . . . . 27
2.6 Experience Feedback as Knowledge Engineering: The Role of Case-Based
Reasoning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Expert Systems in Maintenance Management . . . . . . . . . . . . . . . . 27
2.8 Prioritization Rules and Resource Allocation . . . . . . . . . . . . . . . . . 28
2.8.1 Defining Priority Criteria for Maintenance Tasks . . . . . . . . . . 29
Part 3: Machine Learning and Analytical Methods . . . . . . . . . . . . 29
2.9 Knowledge Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.10 Extracting Knowledge from Historical Data . . . . . . . . . . . . . . . . . 29
2.10.1 Trend Analysis for Predictive Stock and Maintenance Management 30
2.10.2 Detecting Failure Patterns and Forecasting Resource Needs . . . . . 30
2.11 Embedding Predictive Models in Decision Systems . . . . . . . . . . . . . . 30
2.12 Machine Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.12.1 Supervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.12.2 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.12.3 Unsupervised Learning . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.12.4 Reinforcement learning . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.13 Optimization Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.13.1 Heuristic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.13.2 Metaheuristic Algorithms . . . . . . . . . . . . . . . . . . . . . . . 39
2.13.3 ARIMA (AutoRegressive Integrated Moving Average) . . . . . . . . 39
2.13.4 SARIMA (Seasonal ARIMA) . . . . . . . . . . . . . . . . . . . . . 40
2.14 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3 Proposed Approach 43
Axe 1: Corrective Maintenance – Case-Based Reason- ing for Intelligent
Failure Diagnosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.1 The CBR Cycle: Retrieve, Reuse, Revise, Retain . . . . . . . . . . . . . . 43
3.1.1 Why CBR Suits Corrective Maintenance . . . . . . . . . . . . . . . 44
3.1.2 Domain Relevance of Experience-Based Reasoning . . . . . . . . . . 45
3.2 Similarity Measures for Failure Matching . . . . . . . . . . . . . . . . . . . 45
3.2.1 Similarity for Numerical Features . . . . . . . . . . . . . . . . . . . 45
3.2.2 Similarity for Textual Features . . . . . . . . . . . . . . . . . . . . . 46
3.2.3 Hybrid Retrieval Strategy . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 K-Nearest Neighbors (KNN) for Case Retrieval . . . . . . . . . . . . . . . 47
3.3.1 Feature Representation and Preprocessing . . . . . . . . . . . . . . 47
3.3.2 KNN-Based Retrieval of Top 5 Similar Failure Cases . . . . . . . . 47
3.3.3 Columns Used in Similarity Matching . . . . . . . . . . . . . . . . . 48
3.3.4 Expert Assistance: Suggested Spare Parts and Human Resources . 48
3.4 Dimensionality Reduction and Failure Clustering . . . . . . . . . . . . . . 48
3.4.1 Knowledge Base Construction and Case Structuring . . . . . . . . . 48
3.4.2 Projecting New Failures via Principal Component Analysis . . . . 48
3.5 Sequential Pattern Mining for Failure Analysis . . . . . . . . . . . . . . . . 49
Axe 2: Preventive Maintenance – Forecasting, Rules, and Inventory
Optimization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6 Designing Preventive Maintenance Rules . . . . . . . . . . . . . . . . . . . 49
3.6.1 Setting Threshold Intervals for Temperature and Pressure . . . . . 49
3.6.2 Identifying Frequent Failures for Periodic Check-Ups . . . . . . . . 49
3.6.3 Collaborating with Experts Before Rule Validation . . . . . . . . . 49
3.6.4 Defining Weekly, Monthly, and Quarterly Check Rules . . . . . . . 49
3.7 Forecasting Spare Parts for Proactive Stock Management . . . . . . . . . . 50
3.7.1 Importance of Demand Forecasting for Inventory . . . . . . . . . . 50
3.7.2 Time Series Components: Trend, Seasonality, Noise . . . . . . . . . 50
3.7.3 SARIMA Model for Monthly Spare Part Forecasting . . . . . . . . 50
3.7.4 Aggregation Strategy and Forecast Horizons . . . . . . . . . . . . . 50
3.8 Forecasting Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.8.1 Mean Absolute Error (MAE) . . . . . . . . . . . . . . . . . . . . . 51
3.8.2 Root Mean Squared Error (RMSE) . . . . . . . . . . . . . . . . . . 51
3.9 Intelligent Inventory Control and Reorder Management . . . . . . . . . . . 51
3.9.1 Adjusting Reorder Points Based on Lead Time and Forecasts . . . . 51
3.9.2 Calculating Safety Stock and Alert Levels . . . . . . . . . . . . . . 51
3.9.3 Integrating Preventive Forecasts with Inventory Decisions . . . . . . 52
Axe 3: Experience-Based Maintenance System Loop . . . . . . . . . . . 52
3.10 Continuous Learning and Case Base Evolution . . . . . . . . . . . . . . . . 52
3.11 Human-in-the-Loop Decision Support . . . . . . . . . . . . . . . . . . . . . 53
3.12 System Architecture Overview . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Implementation and Results Analysis 62
Part 1: Machine Failure and Maintenance . . . . . . . . . . . . . . . . . . 62
4.1 Dataset Structure and Class Diagram . . . . . . . . . . . . . . . . . . . . . 62
4.2 Description of the Machine Failure Dataset . . . . . . . . . . . . . . . . . . 63
4.3 Data Cleaning and Preprocessing . . . . . . . . . . . . . . . . . . . . . . . 63
4.4 Feature Engineering and Encoding . . . . . . . . . . . . . . . . . . . . . . 64
4.5 Exploratory Data Analysis (EDA) . . . . . . . . . . . . . . . . . . . . . . . 64
4.6 Visualization of Similarity Using PCA . . . . . . . . . . . . . . . . . . . . 65
4.6.1 Need for Dimensionality Reduction . . . . . . . . . . . . . . . . . . 65
4.6.2 Principal Component Analysis (PCA) . . . . . . . . . . . . . . . . . 66
4.6.3 Interpretation of PCA Plot . . . . . . . . . . . . . . . . . . . . . . . 66
4.6.4 Explained Variance . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.7 Analysis of PCA Inertia and Dimensional Space . . . . . . . . . . . . . . . 67
4.7.1 Dimensionality of the Hybrid Feature Space . . . . . . . . . . . . . 67
4.7.2 Inertia Explained by Principal Components . . . . . . . . . . . . . 68
4.7.3 Interpretation of Explained Inertia . . . . . . . . . . . . . . . . . . 68
4.8 Similarity Calculation Using KNN and Distance Metrics . . . . . . . . . . 69
4.9 Preventive Maintenance Planning Based on Failure Frequency Analysis . . 71
4.10 Sequential Pattern Mining and Rule-Based Failure Prediction . . . . . . . 72
4.11 New Machine Entry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Part 2: Inventory Forecasting and Optimization . . . . . . . . . . . . . . 74
4.12 Description of the Spare Parts Inventory Dataset . . . . . . . . . . . . . . 74
4.13 Time Series Preparation and Preprocessing . . . . . . . . . . . . . . . . . . 75
4.14 Forecasting with SARIMA Model . . . . . . . . . . . . . . . . . . . . . . . 76
4.14.1 SARIMA Parameter Tuning . . . . . . . . . . . . . . . . . . . . . . 76
4.14.2 Model Fitting and Residual Diagnostics . . . . . . . . . . . . . . . 76
4.14.3 Forecast Accuracy Evaluation . . . . . . . . . . . . . . . . . . . . . 77
4.15 Inventory Optimization Based on Forecasted Demand . . . . . . . . . . . . 79
4.16 Results Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.16.1 Maintenance Optimization . . . . . . . . . . . . . . . . . . . . . . . 81
4.16.2 Inventory and Spare Part Planning . . . . . . . . . . . . . . . . . . 81
4.16.3 Human Resource Management . . . . . . . . . . . . . . . . . . . . . 82
4.16.4 Conclusion on Results Use . . . . . . . . . . . . . . . . . . . . . . . 82
Côte titre : MAI/1051 Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité MAI/1051 MAI/1051 Mémoire Bibliothèque des sciences Anglais Disponible
DisponibleExtraction des connaissances biologiques basée sur les règles d'association et la théorie de la croyance / Gouissem ,Sarra
Permalink
Permalink
Permalink
PermalinkPermalinkPermalinkPermalinkPermalink
Permalink
