Etude des méthodes de reconnaissances d'empreinte digitale a l'aide du deep learning

Mémoire de Master option Bases de Données et Génie Logiciel

46

CHAPITRE V: RESULTATS ET DISCUSSIONS

Dans cette étape on portera particulièrement notre attention sur les tests réalisés ainsi que les résultats obtenus. Elle consistera donc à analyser et interpréter nos résultats obtenus.

1- RESULTATS

Ø Entrainement 1

nombre d'époque 05 et 2205 images pour 108 sujets

Constat

Figure 34 : Performance par rapport aux jeux d'entraînement et validation à gauche et Erreur par rapport aux jeux d'entraînement et validation à droite 1^er Entrainement.

Figure 1 : Moyenne performance 0.11 1^er Entrainement

Ø Entrainement 2

Nombre d'époque 10 et 2205 images d'empreinte digitale pour 108 sujets

Mémoire de Master option Bases de Données et Génie Logiciel

47

Constat

Figure 3 : Performance par rapport aux jeux d'entraînement et validation à gauche et Erreur par rapport aux jeux d'entraînement et validation à droite 2è^me Entrainement.

Figure 4 : Moyenne performance 0.1720 2eme entrainement

Ø Entrainement 3

Nombre d'époque 20 et 756 images d'empreinte digitale pour 108 sujets

Mémoire de Master option Bases de Données et Génie Logiciel

48

Constat

Figure 3 : Performance par rapport aux jeux d'entraînement et validation à gauche et Erreur par rapport aux jeux d'entraînement et validation à droite 3^ème Entrainement.

Figure 4 : Moyenne performance 0.3618

Ø

Mémoire de Master option Bases de Données et Génie Logiciel

63

Entrainement 4

Nombre d'époque 30 et 3000 images d'empreinte digitale pour 108 sujets Constat

Figure 5 : Performance par rapport aux jeux d'entraînement et validation à gauche et Erreur par rapport aux jeux d'entraînement et validation à droite 4è^me Entrainement.

Figure 5 :Moyenne performance 0.9748

Mémoire de Master option Bases de Données et Génie Logiciel

64

64

65

II. DISCUSSIONS

Ø 1^er entrainement

Après l'analyse du résultat obtenu, On constate que la précision de l'apprentissage et de test n'est pas performante.

Ø 2^ème entrainement

Après l'analyse du résultat obtenu, On constate qu'avec un nombre limité d'époques et avec une quantité insuffisante de données notre modèle de

classification d'iris n'est pas performant et donne des prédictions avec des probabilités proches de 0 ou même égale à 0 pour certains sujets.

Ø 3^ème entrainement

Après l'analyse du résultat obtenu, nous avions essayé de mettre les mêmes données précédentes, On constate que plus la quantité d'information pour l'apprentissage est basse plus le model est mal entrainé et ne pourra classifier les empreintes digitales.

Ø 4^ème entrainement

Après l'analyse du résultat obtenu, nous observons que la précision de l'apprentissage et de test augmente avec le nombre d'époque, ce qui signifie qu'à chaque époque le model apprend plus. Alors nous devons augmenter le nombre d'époque et des images pour avoir de meilleures performances.

Afin d'avoir une meilleure performance, nous avions trouvé mieux d'effectuer plusieurs tests. A la suite de ces tests nous avions obtenu une meilleure performance possible.

Ø Après l'analyse du résultat obtenu dans la Figure, On constate que malgré qu'on ait

une quantité d'informations suffisante pour l'apprentissage et que nous donnons moins d'époque au modèle pour son apprentissage, nous remarquons que le modèle n'est pas performant.

Le choix d'avoir effectué plusieurs tests d'entraînement aura donc permis de récupérer le meilleur modèle possible qui est celui du dernier entrainement avec une performance de 0.97.

Mémoire de Master option Bases de Données et Génie Logiciel