Pour savoir comment effectuer et gérer un dépôt de document, consultez le « Guide abrégé – Dépôt de documents » sur le site Web de la Bibliothèque. Pour toute question, écrivez à corpus@ulaval.ca.
 

Personne :
Martineau, Vincent

En cours de chargement...
Photo de profil

Adresse électronique

Date de naissance

Projets de recherche

Structures organisationnelles

Fonction

Nom de famille

Martineau

Prénom

Vincent

Affiliation

Université Laval. Département d'informatique et de génie logiciel

ISNI

ORCID

Identifiant Canadiana

ncf13704369

person.page.name

Résultats de recherche

Voici les éléments 1 - 4 sur 4
  • PublicationAccès libre
    Quality of sawmilling output predictions according to the size of the lot - The size matters!
    (2021-05-07) Morin, Michael; Gaudreault, Jonathan; Vallerand, Steve; Martineau, Vincent
    Lors de l'évaluation de modèles d'apprentissage automatique supervisé, on considère généralement le rendement de prédiction moyen obtenu sur les tests individuels comme mesure de choix. Toutefois, lorsque le modèle est destiné à prédire quels produits du bois seront obtenus lors du sciage de certains billots, c'est généralement la performance pour un lot complet qui importe. Dans cet article, nous montrons l'impact de cette nuance en termes d'évaluation du modèle. En fait, la qualité d'une prédiction (globale) s'améliore considérablement lorsque l'on augmente la taille des lots, ce qui offre un solide soutien à l'utilisation de ces modèles en pratique.
  • PublicationAccès libre
    Neural network architectures and feature extraction for lumber production prediction
    (Canadian Artificial Intelligence Association, 2021-06-08) Martineau, Vincent; Morin, Michael; Gaudreault, Jonathan; Thomas, Philippe; El-Haouzid, Hind Bril; Antonie, Luiza; Moradian Zadeh, Pooya
    We tackle the problem of predicting the lumber products resulting from the break down of the logs at a given sawmill. Although previous studies have shown that supervised learning is well suited for that prediction problem, to our knowledge, there exists only one approach using the 3D log scans as inputs and it is based on the iterative closest-point algorithm. In this paper, we evaluate the combination of neural network architectures (multilayer perceptron, residual network and PointNet) and log representation as input (industry know-how-based features, 2D projections, and 3D point clouds) in the context of lumber production prediction. Our study not only shows that it is possible to predict the output of a sawmill using neural networks, but also that there is value in combining industry know-how-based features and 3D point clouds in various network architectures.
  • PublicationAccès libre
    Utilisation de l'apprentissage automatique en remplacement des simulateurs de débitage de billots de bois
    (2022) Martineau, Vincent; Gaudreault, Jonathan; Morin, Michael
    Déterminer les produits de sciage pouvant être obtenus suite à la transformation d'un billot dans une scierie permet une meilleure assignation des blocs de coupes et d'améliorer la planification des opérations. Bien que les simulateurs de débitage permettent d'anticiper la production associée à un billot, ils ne permettent pas de traiter un grand nombre de billots rapidement. Nous savons que l'apprentissage automatique peut être utilisé pour la prédiction du panier de produits associé à un billot (c.-à-d. les produits de sciage contenu dans le billot). Toutefois, prédire le panier de produits correspondant à un lot de billots n'a pas encore été étudié. Dans ce contexte, nous avons développé une approche permettant d'obtenir une prédiction par lot. Nos résultats montrent un gain jusqu'à 2% supérieur à la moyenne historique d'une scierie. Dans un second temps, les travaux précédents se concentrent sur une représentation simplifiée du billot et peu d'études ont exploré d'autres représentations du billot dans le but de prédire le panier de produits associé à chaque billot. Pour cette raison, nous avons utilisé des réseaux de neurones traitant des nuages de points obtenus par la numérisation 3D des billots. Cette approche permet une amélioration de 8% par rapport aux méthodes précédentes. Nous avons également créé une projection de la surface du billot qui performe de manière similaire aux nuages de points, tout en réduisant l'information nécessaire aux réseaux de neurones. Par la suite, nous avons combiné les diverses approches développées précédemment dans le but d'exploiter les forces de chacune des approches. Ces travaux ont permis d'observer quelques exemples où combiner les approches donnait un gain. Finalement, nous avons élaboré une série de fonctions de pertes. Celles-ci ont permis aux réseaux de neurones d'obtenir des gains de 15% par rapport aux approches initialement proposées, devenant ainsi l'état de l'art.
  • PublicationRestriction temporaire
    An image is worth 10,000 points : neural network architectures and alternative log representations for lumber production prediction
    (Elsevier BV, 2023-06-15) Martineau, Vincent; Morin, Michael; Gaudreault, Jonathan; Thomas, Philippe; El-Haouzi, Hind Bril; Khachan, Mohammed
    Predicting the lumber products that can be obtained from a log allows for better allocation of resources and improves operations planning. Although sawing simulators make it possible to anticipate the production associated with a log, they do not allow processing many logs quickly. It was shown that machine learning can be used in place of a simulator. However, prediction quality is still lacking and information rich log representations are seldomly used in the literature for machine learning purposes. We compare several log representations that can be used (industry know-how-based features, 2D projections, and 3D point clouds) and several neural network architectures able to process these log representations (multilayer perceptron, residual network and PointNet). We also propose a new way to implement a loss function that improves prediction of sparse object count in regression. This new approach achieves a 15 improvement of F1 score compared to previous approaches.