Modélisation et analyse de la non-qualité de planches en bois par apprentissage automatique

L'industrie du sciage occupe une place économique significative au Québec. Pour répondre aux exigences relatives à la productivité et à la qualité dans le processus de sciage, les industries forestières doivent faire face à l'évolution rapide des technologies de l'information et de la communication. Ce projet se focalise sur les problèmes relatifs à la qualité du produit final, dans ce cas, les planches de bois. L'objectif global de cette mémoire consiste à modéliser la non-qualité des planches lors du processus du sciage pour identifier les causes racines de la mauvaise qualité du produit. Cet objectif est subdivisé en deux sous-objectifs principaux, notamment la détection de la non-qualité dans le produit fini lors de la coupe des billes de bois et l'identification des conditions sous lesquelles les critères de non-qualité apparaissent dans les planches afin de réduire éventuellement la quantité de planches de mauvaise qualité. Deux méthodes d'analyse sont développées et appliquées. La première méthode suivie pour atteindre le premier objectif consiste à générer des règles de classification qui représentent chaque type de non-qualité du produit fini. Pour ce faire, la technique de l'analyse logique des données est utilisée en se basant sur le logiciel cbmLAD. Pour le second objectif, des modèles analytiques basés sur la régression à multi-sorties sont formulés pour expliquer les différents types de non-qualité trouvée dans les planches produites lors du processus de sciage. Une analyse d'importance est également effectuée sur les variables entrantes afin de détecter celles qui contribuent significativement au modèle construit. Enfin, une comparaison des résultats des modèles de classification et de régression est établie. Un cas d'étude est utilisé tout au long du mémoire pour implémenter et évaluer les modèles de classification et de régression proposés.

Abstract

The sawmill industry occupies a significant economic place in Quebec. To meet the demands for productivity and quality in the sawing process, forest industries must cope with rapid developments in information and communication technologies. This project focuses on issues relating to the quality of the final product, in this case, wood planks. The goal of this master thesis is to model the wood planks of poor quality during the sawing process in order to identify the root causes of poor product quality. This goal is subdivided into two main sub-objectives, namely the detection of poor-quality product when cutting logs and the identification of the conditions under which the non-quality criteria appear in the boards. Two analysis methods are developed and applied. The first method consists of generating classification rules, known as patterns, that represent each type of non-quality product. For this purpose, the technique of logical data analysis (Aguilar et al.) is used based on the cbmLAD software. In order to achieve the second sub-objective, analytical models based on multi-output regression are developed to explain the different types of non-quality. A significance analysis is also performed on the input variables to detect those that significantly contribute to the constructed model. Finally, a comparison of the results of the classification and regression models is established. A case study is used throughout the master thesis to implement and evaluate the classification and regression models.