Impl

1
Implémentation dun opérateur de répartition de
sources lumineuses

• Soutenance de stage de fin détudes
• 8 septembre 2006
• Dezetter Quentin
• Département Informatique
• Technologies Émergentes

2
Plan général de la soutenance

• Introduction
• Problématique
• Cahier des charges
• Notions de base
• Les algorithmes génétiques
• Simulation déclairage
• Étude de lexistant
• Réalisation technique
• Conclusion

3
Présentation

• Cadre collaboration scientifique.
• LINRA veut comparer la croissance de deux (ou
  plusieurs) plantes (génétiquement modifiées par
  exemple) dans une chambre de culture.
• Le but de ce stage était de positionner des
  sources lumineuses en respectant des critères.

4
Chambre de Culture

• Quest ce quune chambre de culture ?
•  pièce  hermétique aux caractéristiques
  climatiques contrôlables (Hygrométrie, Pression,
  Température et Nourriture)

5
Lumière contrôlable?
6
Problématique

• La lumière reçue par les plantes dans une chambre
  nest pas forcement la même pour toutes les
  plantes.
• Il faut donc un outil permettant placer les
  sources dans le but duniformiser léclairage au
  sein dune chambre de culture.

7
Cahier des charges

• Réutilisation dune partie des fonctionnalités
  dune plateforme de SI existante
• ? Sec².
• Développement dun algorithme de placement des
  sources lumineuses pour obtenir luniformité
  déclairage.
• algorithme génétique.

8
Algorithmes génétiques - Présentation

• Développé à lorigine par Holland (1975).
• Ils permettent entre autres de résoudre des
  problèmes doptimisation.
• Les algorithmes génétiques appartiennent à la
  famille des algorithmes évolutionnaires.

9
Algorithmes génétiques Principe

• Génération aléatoire dune population initiale.
• Chaque individu est noté (fonction fitness).
• Note Capacité dadaptation au problème.
• Évolution de la population via divers opérateurs.

10
Algorithmes génétiques Les opérateurs

• Trois opérateurs
• sélection (roulette, par tournoi, pondération par
  les rangs)
• recombinaison ou cross over.
• Mutation (Inversion dune partie du patrimoine
  génétique dun individu)

11
Algorithmes génétiques Sélection

• La sélection
• Choix des individus à reproduire.
• Elle garde les meilleurs et élimine les moins
  bons.
• Elle est plus ou moins restrictive.

12
Algorithmes génétiques Recombinaison
0 1 0 0 1 1 1 0 1
1 0 1
1 0 1 1 1 0 0 0 0
0 0 0
Point de cross over
13
Algorithmes génétiques Mutation
1 0 1 1 1 0 1 1 0
1 0 0 1 1 1 1 1 0
14
Tournoi
Sélection
Recombi-naison
Mutation
Légende  Individu sélectionné Individu non
sélectionné Meilleur individu
15
Simulation déclairage

• Illumination Globale
• Sources lumineuses
• Photon Mapping

16
Simulation déclairageIllumination Globale

• Objectif connaître les valeurs dillumination
• Obtenir des images photo réalistes.
• On ne peut discerner la scène reconstituée de
  lenvironnement réel.

17
Simulation déclairage Sources

• Il existent plusieurs types de sources
• Les sources ponctuelles,
• Les sources surfaciques,
• Les sources complexes.

18
Simulation déclairagePhoton Mapping - Principe

• Tracé de photons 2 passes
• Une passe de distribution des photons sur les
  objets composants la scène (espace objet)
• une passe de reconstruction de lillumination
  pour la vue courante (espace image).

19
Simulation déclairagePhoton Mapping
-Distribution des photons

• Lancer de photons depuis la source
• arrêt probabiliste de chaque photon.
• Mémorisation des photons sur la surface des
  objets
• mémorisation sur objet ayant une composante
  diffuse uniquement.

20
Simulation déclairagePhoton Mapping -
Reconstruction de l illumination
Lancer de rayons dans la scène - arrivée sur un
objet diffus estimation de la densité de
photons alentour - sinon poursuite du chemin
21
Exemple
22
De IGLOO vers Sec²

• IGLOO
• Illumination GLObale Optimisée
• Développée au sein de léquipe OASIS du LIL.
• Sec²
• Simulation dÉclairage en Chambre de Culture.

Capteur
23
Implémentation UML
Rendu
Physique
Lumière
Scène
Math
24
Travail réalisé

• Réalisation dun module de gestion des
  algorithmes génétiques
• Modélisation des individus
• Modélisation des opérateurs
• Évaluation des individus
• Extension des sources prises en compte

25
Implémentation UML
Rendu
Physique
Lumière
AG
Scène
Math
26
Modélisation des individus

• Les sources sont placées sur une grille (99)
• Possibilité dallumer 81 sources lumineuses
• Information dans un fichier
• Largeur de grille,
• Longueur de la grille,
• Les bits de chaque source à 0 ou 1.

(Source K.P. Ferentinos)
27
Modélisation des opérateurs

• Recombinaison
• Point de cross over aléatoire
• Mutation
• On prend un par un les individus
• Chaque source contenu dans un individu à une
  probabilité p muter
• Sélection
• Choix dun mode de sélection
• Tire au hasard dans la population des
  sélectionnés les parents pour le cross over

28
Évaluation dun individu

• Évaluation fonction Fitness
• Critères pris en compte
• Valeur minimale déclairage (LICP)
• Éclairage bien réparti (MRD).
• Nombre de sources

Doivent être paramétrés
29
Principe de fonctionnement
Rendu
Nbr Photons par Capteurs
Calcul Fitness
Algorithme Génétique
Sortie
30
Exemple de fichier donnant le meilleur individu
par génération

• alpha1
• beta1
• gamma1
• taux de mutation0.1
• Nombre d'individus100
• 60 générations
• fitness0.325489

31
Tests
32
Conclusion

• Travail réalisé
• Outil de positionnement de sources dans un
  algorithme dillumination globale.
• Développement en cours.
• Prise en compte de sources complexes
• Tests  in situ  comparé à  in silico 
• Projets futurs
• Couverts végétaux
• Reverse Engineering