Ce projet propose une approche basée sur le deep learning pour la détection et la classification automatique des défauts du bois à partir d’images. L’objectif est d’automatiser le processus de contrôle qualité, souvent réalisé manuellement ou à l’aide de systèmes industriels coûteux.

La méthode repose sur l’utilisation de réseaux de neurones convolutionnels pré-entraînés (tels que ConvNeXt, ResNet50 et EfficientNet) combinés à une stratégie de transfer learning. Une pipeline complète est mise en place, incluant le prétraitement des images, l’extraction de caractéristiques et une classification en deux étapes : une détection binaire (défaut / non défaut) suivie d’une classification multi-classes pour identifier le type de défaut.

Pour garantir la robustesse des résultats, une validation croisée stratifiée (5-fold) est utilisée, avec optimisation des performances via des techniques telles que le fine-tuning, le dropout et l’early stopping.

Les résultats obtenus montrent que les modèles proposés permettent une détection précise et fiable, offrant ainsi une solution prometteuse pour des applications industrielles de contrôle qualité automatisé.