PatentDe  


Dokumentenidentifikation EP1845479 29.11.2007
EP-Veröffentlichungsnummer 0001845479
Titel Vergleichende Analyse eines Musters im Lichte einer Datenbasis
Anmelder Alpha M.O.S., Toulouse, FR
Erfinder Labreche, Said, 31660 Buzet sur Tarn, FR;
Amine, Hicham, 82170 Dieupentale, FR;
Loubet, Francois, 31290 Gardouch, FR;
Chanie, Eric, 31450 Deyme, FR;
Mifsud, Jean-Christophe, 31500 Toulouse, FR
Vertreter derzeit kein Vertreter bestellt
Vertragsstaaten AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HU, IE, IS, IT, LI, LT, LU, LV, MC, NL, PL, PT, RO, SE, SI, SK, TR
Sprache des Dokument FR
EP-Anmeldetag 12.04.2006
EP-Aktenzeichen 062905989
EP-Offenlegungsdatum 17.10.2007
Veröffentlichungstag im Patentblatt 29.11.2007
IPC-Hauptklasse G06K 9/62(2006.01)A, F, I, 20070918, B, H, EP
IPC-Nebenklasse G06K 9/68(2006.01)A, L, I, 20070918, B, H, EP   
IPC additional class G01N 33/00  (2006.01)  A,  L,  N,  20070918,  B,  H,  EP

Beschreibung[fr]

La présente invention concerne les techniques analytiques utilisées pour l'analyse comparative d'échantillons, notamment pour la comparaison d'un échantillon par rapport à une base de données, dans le domaine du contrôle qualité et autres.

On souhaite souvent vérifier que la qualité d'un produit, en termes d'odeur, de saveur, de composition ou autre, atteigne un niveau prédéterminé, ou bien on souhaite prédire la valeur d'une propriété particulière d'un produit, par exemple la concentration d'une substance particulière dans le produit. Ceci est d'autant plus important dans le cas d'un produit consommable. Plusieurs techniques analytiques instrumentales ou sensorielles ont été proposées pour réaliser des mesures sur des échantillons de produits et pour comparer ces mesures avec d'autres réalisées sur des échantillons de référence (dont la qualité, ou la concentration des composantes, etc., est connue au préalable).

Typiquement, ce genre de procédé comporte une étape dite d'apprentissage lors de laquelle des mesures sont faites sur les échantillons de référence afin d'établir un modèle de traitement de données permettant de mettre en valeur les variables (mesures) liées aux propriétés intéressantes du produit. Les modèles de traitement de données classiques élaborées au cours de cette phase d'apprentissage comportent les méthodes mathématiques, les méthodes statistiques, les réseaux de neurones (dont les poids évoluent au cours de la phase d'apprentissage), les règles de décision (ces règles étant déterminées lors de la phase d'apprentissage), ou autres.

Ces modèles de traitement de données sont souvent utilisés pour déterminer à quelle classe appartient un échantillon dit "inconnu" qui est présenté au système après la phase d'apprentissage. De ce fait, on appelle souvent ce genre de modèle "un modèle d'identification" ou bien "un modèle de reconnaissance". En général l'analyse cherche à classer l'échantillon "inconnu" dans l'une des classes définies à partir de la base d'apprentissage, que ce soient des classes associées aux différentes origines - par exemple, des classes "café colombien", "café de Jamaïque", "café Ethiopien", etc. lorsqu'on cherche à déterminer de quel genre de café il s'agit - ou que ce soient des classes représentant des qualités différentes - par exemple, des classes "défectueux", "frontalier", "de bonne qualité", etc..

L'homme du métier saura que l'expression "un échantillon inconnu" ou "sous test" comprend aussi bien un échantillon dont la nature est inconnue qu'un échantillon dont la nature est connue (par exemple, "c'est un échantillon de café") mais dont on ne sait pas la qualité ou la teneur en une composante particulière.

En général, les modèles d'identification ou de reconnaissance élaborés au cours de la phase d'apprentissage sont mis à jour en y ajoutant des données provenant d'échantillons inconnus appropriés qui ont été présentés au système. Cette mise à jour peut être décidée par l'utilisateur mais elle peut être aussi automatisée. Ce dernier cas est géré par une règle de décision de type "si le degré de ressemblance de l'échantillon inconnu avec les échantillons d'apprentissage est supérieur à un seuil choisi alors cet échantillon devient un échantillon d'apprentissage". Il est à noter qu'à chaque mise à jour tout modèle construit sur les échantillons d'apprentissage est remis à jour.

Souvent, ces techniques d'analyse visent à repérer des défauts affectant un produit, par exemple un produit issu d'une chaîne de fabrication. Il est, donc, important que les techniques d'analyse employées puissent différencier entre des variations naturelles d'un produit et des véritables défauts.

Les mesures réalisées par un instrument sur un échantillon sont autant de variables dont les valeurs décrivent cet échantillon. Plusieurs des instruments employés pour la prise de mesures sur les échantillons génèrent un nombre constant de variables. Par exemple, un appareil du genre "nez électronique" comporte un certain nombre de capteurs et les signaux de sortie des capteurs constituent les variables mesurées pour chaque échantillon. Comme le nombre de capteurs reste fixe, cet instrument de mesure génère le même nombre de variables pour les échantillons inconnus et pour les échantillons de référence utilisés lors de la phase d'apprentissage.

Or, il existe plusieurs instruments d'analyse (ou bien techniques sensorielles) selon lesquels le nombre de variables évaluées pour un échantillon n'est pas fixe. Par exemple, la technique d'analyse par chromatographie gazeuse implique le passage d'un échantillon gazeux à travers une colonne et la détection des différentes composantes qui sortent de la colonne après des temps de rétention respectifs différents. En fait, les résultats de l'analyse correspondent à un certain nombre de pics de hauteurs différents correspondant chacun à un temps de rétention différent. Le nombre de pics (temps de rétention) est différent selon la composition chimique de l'échantillon.

Dans le cas où un nombre de variables non fixe peut décrire chaque échantillon, la manière de comparer un échantillon inconnu avec une base de données d'apprentissage n'est pas évidente. Plus particulièrement, l'élaboration et l'adaptation d'un modèle d'identification n'est pas simple dans le cas où les variables décrivant les échantillons inconnus ne sont pas nécessairement les mêmes que les variables décrivant les échantillons de référence.

Par le passé on a proposé de contourner ce problème en limitant aux variables communes la comparaison effectuée entre l'échantillon inconnu et les échantillons de référence. Pourtant, si le modèle de traitement de données ne traite que les variables communes à l'échantillon inconnu et la base d'apprentissage, l'utilisateur aura une appréciation moins précise de la similitude

ou de la différence entre l'échantillon inconnu et la base d'apprentissage. Plus spécialement, il existe un risque réel que des échantillons possédant des défauts ne soient pas repérés ou bien qu'il y ait une confusion entre des variations naturelles d'un produit, qui devraient être incorporées dans le modèle de reconnaissance, et des véritables défauts.

Les systèmes d'analyse du genre décrit ci-dessus comportent souvent une interface graphique servant à afficher à l'utilisateur un certain nombre de données et de résultats. Les résultats montrés à l'utilisateur permettent à celui-ci d'obtenir un aperçu rapide des différences et des similitudes entre l'échantillon sous test et la base d'apprentissage. Les représentations graphiques classiques comprennent des représentations qui permettent de comparer les mesures obtenues pour l'échantillon inconnu avec celles obtenues pour les échantillons de la base d'apprentissage.

Par exemple, selon une représentation graphique classique, on définit un espace dont les axes sont définis selon les différentes mesures prises sur les échantillons et on affiche dans cet espace des points ou bien des vecteurs respectifs correspondant à l'échantillon inconnu et aux échantillons de la base d'apprentissage - voir l'exemple représenté à la Figure 1. On peut également, ou en alternative, afficher dans cet espace des régions qui constituent des classes identifiées à partir des échantillons de référence. Dans le cas général, les axes sont associés à des combinaisons particulières des variables car dans le cas ou le nombre de variables est supérieur à 3, et que l'on souhaite les représenter toutes, ces représentations sont impossibles. Ces représentations font partie, en général, des résultats de méthode statistiques d'exploration des données (exemple : Analyse en Composantes Principales).

Ce genre de représentation graphique n'est pas bien adapté au cas où les propriétés de l'échantillon inconnu ont été mesurées selon des variables qui ne sont pas identiques aux variables évaluées pour la base d'apprentissage. Dans la mesure où l'échantillon inconnu et la base d'apprentissage possèdent des caractéristiques communes, on peut représenter les mesures prises sur l'échantillon inconnu dans l'espace défini.

Si l'échantillon inconnu est décrit selon certaines des variables qui décrivent aussi la base d'apprentissage alors on peut comparer l'échantillon inconnu par rapport à la base de données dans un espace euclidien défini selon des axes correspondant à ces variables communes (ou correspondant à un sous-ensemble de ces variables). Or, selon cette représentation on va apprécier les différences et les similitudes entre l'échantillon sous test et la base d'apprentissage sur la base de renseignements partiels. En effet, des informations inhérentes aux données mesurées relatives à l'échantillon sous test et aux échantillons de référence sont ignorées.

Selon une autre représentation graphique classique, on superpose les valeurs mesurées pour l'ensemble des échantillons (celles relatives à l'échantillon inconnu et celles relatives aux échantillons de la base d'apprentissage). La Figure 2 montre un exemple d'une représentation graphique de ce type relatif à une analyse par chromatographie en phase gazeuse - cette analyse comportait une phase d'apprentissage lors de laquelle 7 échantillons ont été analysés, ce qui donnait 60 variables différentes (temps de rétention). Les pics obtenus pour ces échantillons d'apprentissage sont indiqués sur la Figure 2. Un échantillon inconnu était ensuite présenté à la colonne de chromatographie et on a mesuré 51 temps de rétention (variables). Les pics obtenus pour l'échantillon inconnu sont aussi indiqués sur la Figure 2.

En regardant la Figure 2 il est évident que cette représentation graphique classique inclut toutes les informations disponibles à propos de l'échantillon inconnu et des échantillons référence. Or, la quantité d'information présentée et l'imbrication des différents tracés ne permettent pas de mettre en évidence d'une manière simple les différences et les similitudes entre l'échantillon sous test et la base de données.

La présente invention a été conçue au vu des inconvénients mentionnés ci-dessus.

La présente invention concerne un procédé d'analyse comparative d'un échantillon, provenant d'un produit, par rapport à une base d'apprentissage, tel qu'énoncé dans les revendications annexées.

La présente invention concerne en outre un système d'analyse comparative tel qu'énoncé dans les revendications annexées.

Par ailleurs, la présente invention concerne une méthode de production d'une représentation graphique, ou de plusieurs représentations graphiques, telle que décrit ci-dessous.

La présente invention concerne en outre un système de production d'une représentation graphique, ou de plusieurs représentations graphiques, tel que décrit ci-dessous.

Par ailleurs, la présente invention concerne une interface graphique telle que décrite ci-dessous.

La présente invention concerne en outre un ensemble de représentations graphiques, telles que décrites ci-dessous en liaison avec les premier à quatrième modes de réalisations de l'invention, qui permettent une appréciation des différences et des similarités entre un échantillon inconnu et une base d'apprentissage.

Les procédés et les systèmes selon la présente invention permettent de comparer un échantillon avec une base de données même dans le cas où les variables qui décrivent l'échantillon ne sont pas identiques à celles qui décrivent les échantillons de référence de la base de données. Selon ces méthodes et ces systèmes, les différences et les similarités entre l'échantillon sous test et les échantillons de référence sont mieux repérables.

Les avantages et les caractéristiques indiqués ci-dessus, ainsi que d'autres, apparaîtront plus clairement à la lecture de la description ci-dessous de certains modes de réalisation de l'invention, donnés à titre d'exemples illustratifs mais nullement limitatifs, et illustrés en se référant aux dessins en annexe, dans lesquels :

  • la Figure 1 est une représentation graphique classique montrant un espace multidimensionnel défini selon des variables de mesure particuliers, et des données d'échantillon représentées dans cet espace;
  • la Figure 2 est un graphe du genre classique montrant les surfaces des pics mesurés lors d'un processus d'analyse par chromatographie en phase gazeuse d'un premier jeu d'échantillons;
  • la Figure 3 est un schéma indiquant de façon générale les composants d'un système adapté à mettant en oeuvre la méthode selon des premier, deuxième, troisième et quatrième modes de réalisation de la présente invention;
  • la Figure 4 est un graphique rond du genre "camembert", produit selon un premier mode de réalisation de la présente invention, pour comparer, de façon globale, l'échantillon sous test par rapport à la base d'apprentissage;
  • la figure 5 est un exemple d'un deuxième graphique rond du genre "camembert", produit selon un deuxième mode de réalisation de la présente invention, destiné à comparer, de façon globale, un échantillon par rapport à une base d'apprentissage;
  • la Figure 6 montre deux représentations graphiques, produites selon un troisième mode de réalisation de la présente invention, pour montrer un exemple de la partition des variables de mesure entre trois classes;
  • la Figure 7 est une version annotée d'une représentation graphique, produite selon un quatrième mode de réalisation de la présente invention, pour comparer la valeur prise par une variable individuelle pour un échantillon sous test avec l'ensemble de valeurs prises par cette même variable pour les échantillons de référence;
  • la Figure 8 est une représentation graphique selon la Figure 7 relative à un exemple d'une variable d'une première classe;
  • la Figure 9 est une représentation graphique selon la Figure 7 relative à un exemple d'une variable d'une deuxième classe;
  • la Figure 10 est une représentation graphique selon la Figure 7 relative à un exemple d'un ensemble des variables des première et deuxième classes;
  • la Figure 11 est une représentation graphique selon la Figure 10 assortie de renseignements supplémentaires.

La description qui suit de divers modes de réalisation de la présente invention traitera de procédés d'analyse comparative relatifs à des mesures issues de la chromatographie en phase gazeuse. Or, l'invention n'est pas limitée à la technique utilisée pour obtenir les mesures décrivant les échantillons - l'homme du métier comprendra qu'il existe plusieurs autres procédés d'analyses instrumentales et sensoriels (par exemple, l'analyse par spectroscopie infrarouge, l'analyse par panel sensoriel, et autres) qui produisent un nombre de mesures qui peut varier d'un échantillon à l'autre et dont les mesures générées peuvent être traitées par les méthodes selon l'invention.

Par ailleurs, la description qui suit évoque le concept de l'analyse d'un échantillon. Il convient de noter que les échantillons proviennent de produits et que l'échantillon peut être de différents formes : un prélèvement du produit même,

ou bien un échantillon des substances volatiles dégagées par le produit (c'est-à-dire un échantillon de l'odeur du produit), ou autres.

Les techniques d'analyses instrumentales et sensorielles qui décrivent des échantillons selon un nombre non fixe de variables peuvent produire, relativement à l'échantillon sous test, des valeurs pour des variables qui n'ont pas d'équivalent dans la base d'apprentissage. De la même façon, il se peut que l'échantillon sous test ne produise pas de mesure relative à l'une ou à plusieurs des variables décrivant les échantillons de la base d'apprentissage. Les présents inventeurs se sont rendus compte qu'il y a une perte de renseignements utiles si l'analyse comparative de l'échantillon par rapport à la base d'apprentissage porte uniquement sur les valeurs des variables qui sont communes à l'échantillon sous test et les échantillons de la base d'apprentissage. De même, ils ont compris qu'il peut y avoir des difficultés d'analyse si tous les calculs et toutes les représentations graphiques affichées portent sur l'ensemble des variables.

Plus particulièrement, les inventeurs ont déterminé une façon de classer les variables, issues de la technique d'analyse, qui permet une comparaison rapide de l'échantillon sous test avec les échantillons de référence sans perte de renseignements ni confusion (du fait d'u montant trop important de renseignements). Selon ce classement, on identifie non seulement les variables qui sont communes à l'échantillon sous test et les échantillons de la base d'apprentissage mais aussi les variables qui sont propres à l'échantillon sous test et celles qui sont propres aux échantillons de la base d'apprentissage.

En considérant que la base d'apprentissage comporte des données concernant un nombre n d'échantillons de référence ei (i = 1 à n), on peut désigner par I l'ensemble de ces échantillons. En d'autres termes : I = e i ; i = 1 : n

Si les échantillons de la base d'apprentissage sont décrits par un nombre p de variables Vj (j = 1 à p), on peut désigner par Ja l'ensemble de ces variables. En d'autres termes : J a = V j ; j = 1 : p

La base d'apprentissage est décrite par un tableau ou une matrice X de dimensions (n,p). Le terme générique X(ij) de cette matrice est la valeur prise par la variable Vj sur l'échantillon ei. La matrice X est donc définie par X i j = V j ( e i ) , avec i = 1 : n et j = 1 : p

La base de données associée aux échantillons d'apprentissage est entièrement décrite par les trois éléments : I J A X

L'échantillon inconnu, qu'on note eu , est décrit par un ensemble Ju de q variables Vuk. En d'autres termes : J u = V u k ; k = 1 : q

On associe à l'échantillon eu un vecteur Xu de dimension q. Le terme générique Xu(k) de ce vecteur est la valeur prise par la variable Vuk sur l'échantillon eu c'est-à-dire: Xu k = Vu k e u , avec k = 1:q

Selon la présente invention on considère que les deux ensembles de variables Ja et Ju forment trois classes et on associe à chaque mesure une indication de la classe à laquelle elle appartient:

Classe 1 : les variables communes à l'échantillon sous test et aux échantillons de la base d'apprentissage

On note Jintersection l'ensemble des variables communes, c'est-à-dire les variables qui sont présentes dans les deux ensembles Ja et Ju. J intersection = V j , V j J a V u k J u , tel que V j = V u k

Il convient de noter que ces variables dites "communes" ne seront pas nécessairement communes à tous les échantillons de référence, chacune de ces variables sera commune à l'échantillon sous test et à au moins l'un des échantillons de la base d'apprentissage.

Classe 2 : les variables propres aux échantillons d'apprentissage (la base des données)

On note Propres(Ja) les variables qui sont propres aux échantillons d'apprentissage, qui sont constituées du complémentaire de l'ensemble Jintersection dans Ja ; c'est-à-dire : Propres J a = { V i , V j Ja , pour tout Vuk ∈ Ju on Vj≠Vuk }

Classe 3 : les variables propres à l'échantillon inconnu

On note Propres(Ju ) les variables qui sont propres à l'échantillon sous test, qui sont constituées du complémentaire de l'ensemble Jintersection dans Ju ; c'est-à-dire : Propres J u = V u k , V u k J u , pour tout V j J a on V u k V j

Selon la présente invention, lors de l'analyse comparative d'un échantillon par rapport à une base de données, il convient de classer les mesures prises sur l'échantillon sous test et sur les échantillons de référence selon l'appartenance de la caractéristique afférente à l'une des trois classes mentionnées ci-dessus. Des données indiquant l'appartenance des différentes caractéristiques aux classes mentionnées sont enregistrées afin d'être disponibles pour permettre la comparaison de l'échantillon sous test par rapport à la base d'apprentissage de diverses manières. Typiquement, ces données d'appartenance sont enregistrées de façon temporaire puisque, en ce qui concerne les variables décrivant la base d'apprentissage, le classement sera différent à chaque fois qu'on introduit au système un nouvel échantillon inconnu.

La Figure 3 est un schéma indiquant les composants majeurs d'un système d'analyse comparative adapté pour mettre en oeuvre les procédés de la présente invention. Le système comporte un module de traitement 1 qui reçoit en entrée des données décrivant un échantillon inconnu pour analyse. Ces données peuvent provenir d'appareils divers.

L'analyse comparative de l'échantillon inconnu se fait par rapport à une base d'apprentissage constituée de données concernant un certain nombre d'échantillons de référence. En général, les échantillons de référence sont des échantillons dont la nature ou la qualité est connue, ou bien possédant un paramètre particulier dont la valeur est connue (par exemple la teneur en une composante particulière), selon l'application du système. Typiquement, les données de la base d'apprentissage sont stockées dans une mémoire ou autre module de stockage 2 qui est soit local, soit éloigné du module de traitement 1. Le module de traitement 1 communique avec le module de stockage 2 au cours de l'analyse comparative de l'échantillon inconnu, afin de lire des données concernant les mesures prises sur les échantillons de référence.

Normalement, un seul et même système sert à l'apprentissage d'un modèle de traitement de données (modèle de reconnaissance ou autre) au cours d'une phase préalable d'apprentissage et à l'analyse comparative d'un échantillon inconnu par rapport à la base d'apprentissage au cours d'une phase ultérieure. Dans un tel cas, le module de traitement 1 est agencé de manière à pouvoir élaborer un modèle de traitement de données adapté à l'application visée et, en cas de besoin, de mettre ce modèle à jour (voir ci-dessous).

Le système d'analyse comparative selon l'invention peut permettre l'intervention d'un technicien, par exemple pour confirmer un résultat produit par le module de traitement 1. En outre, en général il convient d'afficher les résultats de l'analyse réalisée par le système. A ces fins, le système peut comporter un module 3 de génération de données d'image, un module d'affichage 4, et un module d'entrée 5 utilisable par le technicien afin d'introduire en entrée des données, des commandes ou bien des renseignements. Le module 3 de génération de données d'image peut être constitué, par exemple, d'un module classique de génération de données relatives à une interface utilisateur graphique. Le module d'affichage 4 peut être l'écran d'un ordinateur ou tout autre moyen d'affichage adapté. Le module d'entrée 5 peut comporter des moyens d'entrée classiques tels qu'une souris d'ordinateur, un clavier, un écran tactile, etc. Souvent on va concevoir le système 1 de façon à ce qu'il soit constitué d'un ordinateur programmé de façon à mettre en oeuvre les procédés décrits ci-dessous.

On va maintenant décrire des procédés selon différents modes de réalisation de la présente invention dans lesquels on rapproche un échantillon sous test et les échantillons de référence selon des paramètres de comparaison globale. La comparaison globale permet d'évaluer quelles sont les variables présentes ou bien absentes des ensembles de caractéristiques décrivant les échantillons de référence et l'échantillon de référence, ou bien le "poids" relatif des variables dans les ensembles Ja et Ju.

Selon un premier mode de réalisation de la présente invention, les éléments de comparaison globale sont basés sur un résumé des valeurs prises par les différents ensembles de variables sur les échantillons d'apprentissage ou l'échantillon inconnu.

Pour l'échantillon inconnu, on associe un premier paramètre M(I, I) aux valeurs prises, relatives à l'échantillon inconnu, par les caractéristiques qui sont communes à cet échantillon et à au moins l'un des échantillons de référence, comme suit : M ( I , I ) = Mesure Inconnu , Inter sec tion = V u k J int e r sec tion V u k e u

Pour l'échantillon inconnu, on associe un deuxième paramètre M(I, P) aux valeurs prises par les caractéristiques qui sont propres à l'échantillon inconnu, comme suit : M ( I , P ) = Mesure Inconnu , Pr opres = V u k Pr opres J u V u k e u

Pour résumer les échantillons de référence de la base d'apprentissage, on associe un premier paramètre M(A,I) aux valeurs prises, relatives aux échantillons de référence, par les caractéristiques qui sont communes à ces échantillons et à l'échantillon inconnu, comme suit : M ( A , I ) = Mesure Apprentissage , Inter sec tion = V j Inter sec tion Maximum V j e i , i = 1 : n } et on associe un deuxième paramètre M(A,P) aux valeurs prises par les caractéristiques qui sont propres aux échantillons de référence, comme suit : M ( A , P ) = Mesure Apprentissage , Pr opre = V j Pr opres J a Maximum V j e i , i = 1 : n On définit alors les quatre rapports suivants R I I = 100 × M I I Mesures , R I P = 100 × M I P Mesures , R A I = 100 × M × A I Mesures , R A P = 100 × M × A P Mesures , Mesures = M ( I , I ) + M ( I , P ) + M ( A , I ) + M A P

A partir de ces rapports, on peut évaluer la similitude ou bien la différence entre l'échantillon de référence et la base d'apprentissage considérés de façon globale.

Cette appréciation peut se faire au niveau d'une représentation graphique des rapports - voir, par exemple la représentation de la Figure 4. Sur la Figure 4, les différents rapports calculés selon le procédé décrit ci-dessus sont représentés en forme de parts d'un camembert, les aires respectives des parts étant déterminées en fonction de la grandeur du rapport concerné. Le premier mode de réalisation n'est pas limité à cette manière de représenter les différents rapports - de façon générale, les différents rapports seront représentés graphiquement selon des régions dont les aires dépendent de la grandeur du rapport concerné.

Selon la représentation graphique de la Figure 4, chaque région est représentée selon un style de hachage différent afin de fournir à l'utilisateur une idée rapide sur le type de données qui sont représentées par région. Cependant, cette différentiation entre les régions peut être établi en employant des propriétés autres que le style de hachage des régions affichées : par exemple, on peut représenter les régions selon des couleurs différentes ou bien selon des niveaux de gris différents, remplir les régions selon des motifs différents, etc. L'utilisation de couleurs différentes pour représenter les régions respectives constitue une approche particulièrement bien adaptée à donner une appréciation intuitive de l'appartenance des données aux différentes classes.

La représentation graphique montrée à la Figure 4 est annotée afin de chiffrer les différents paramètres M(I,I), M(I,P), M(A,I) et M(A,P) ainsi que les rapports correspondants R(I,I), R(I,P), R(A,I) et R(A,P). Or, il n'est pas essentiel que la représentation graphique soit assortie de mentions de ce genre, ou bien on peut permettre à l'utilisateur d'exprimer le choix d'annoter ou non la représentation et de sélectionner les renseignements supplémentaires à afficher (au moyen d'options fournies par l'interface utilisateur).

Les rapports R(I,I), R(I,P), R(A,I) et R(A,P) peuvent également servir pour évaluer la similitude ou bien la différence entre l'échantillon de référence et la base d'apprentissage, considérés de façon globale, dans le but de déterminer l'origine des différences. Plus précisément, on peut utiliser ces rapports afin d'évaluer si les différences entre l'échantillon inconnu et les échantillons de la base d'apprentissage sont suffisamment prononcées pour qu'une décision soit nécessaire quant à l'origine de ces différences (un défaut, ou bien une variation naturelle du produit).

La question de savoir si la différence globale entre l'échantillon sous test et la base d'apprentissage est suffisamment grande pour être significative peut être résolue de différentes façons. Selon un exemple, on peut régler le procédé afin que le rapport R(I,P) soit comparé avec un seuil prédéterminé &thgr; et, si R(I,P) > &thgr; on considère que la différence entre l'échantillon sous test et la base d'apprentissage est significative. Un seuil paramétrable sera défini dans le protocole de calcul. Lorsque cette valeur seuil sera franchie, des alarmes seront générées par le système. Dans certain cas, la présence même de certaines variables de Propres(Ju) sont synonymes d'un défaut. Dans ce cas, cette présence signifie une différence majeure (produit dangereux) et une alarme sera générée.

Une fois qu'une décision a été prise sur le fait que la différence globale entre l'échantillon sous test et la base d'apprentissage est significative, il convient soit de signaler un défaut (dans le cas où la différence provient d'un défaut du produit), soit de modifier le modèle de traitement de données utilisé par le système (dans le cas où la différence provient d'une variation naturelle du produit). Une information supplémentaire est nécessaire pour juger de ce dernier cas. Cette information peut être donnée par l'utilisateur du système en s'appuyant sur sa certitude de l'évolution de son produit ou bien elle peut être régi par une loi ou une formule déjà programmée par ailleurs. Afin de déterminer laquelle de ces deux actions doit être entreprise, on peut émettre un avertissement à l'utilisateur du système, lui indiquant l'existence d'une différence significative entre l'échantillon sous test et la base d'apprentissage, et l'inviter soit d'entreprendre lui-même l'action nécessaire, soit d'indiquer au système de quel cas il s'agit.

On peut adapter le système afin de réagir de façon appropriée aux indications introduites en entrée par l'utilisateur. Par exemple, si l'utilisateur introduit en entrée un signal indiquant que la différence provient d'une variation naturelle du produit, le système répondra à l'introduction de cette indication en effectuant la modification nécessaire du modèle de traitement de données, notamment en élaborant une version modifiée du modèle selon un traitement qui compte l'échantillon sous test parmi les échantillons de référence utilisé pour l'élaboration du modèle.

On va maintenant décrire un deuxième mode de réalisation de la présente invention selon lequel on rapproche l'échantillon sous test et les échantillons de référence selon un deuxième jeu de paramètres de comparaison globale. Selon ce deuxième mode de réalisation de la présente invention, les éléments de comparaison globale sont basés sur le calcul des cardinaux des trois classes définies précédemment. En effet, on peut noter Cardinal(Ja+Ju) le nombre de variables différentes définies sur l'ensemble des échantillons d'apprentissage et de l'échantillon inconnu à comparer, où Cardinal(Ja+Ju) est défini comme suit : Cardinal(Ja & Ju) = Cardinal(J intersection) + Cardinal(Propres(Ja))+ Cardinal(Propres(Ju)) On peut ensuite définir les trois rapports suivants : Rapport ( int er section ) = 100 × Cardinal J int er section Cardinal J a & J u Rapport ( Pr opres J u ) = 100 × Cardinal Pr opres J u Cardinal J a & J u Rapport ( Pr opres J a ) = 100 × Cardinal Pr opres J a Cardinal J a & J u

Ces trois rapports constituent un deuxième jeu de paramètres permettant une comparaison globale de l'échantillon inconnu par rapport à la base d'apprentissage. A partir de ces rapports, on peut évaluer la similitude ou bien la différence entre l'échantillon de référence et la base d'apprentissage considérés de façon globale.

Cette appréciation peut se faire au niveau d'une représentation graphique des rapports - voir, par exemple la représentation de la Figure 5. Sur la Figure 5 (comme sur la Figure 4), les différents rapports sont représentés en forme de parts d'un camembert, les aires respectives des parts étant déterminées en fonction de la grandeur du rapport concerné, et des styles de hachage différents ont été utilisés pour remplir les différentes régions. Encore une fois, le présent mode de réalisation n'est pas limité à cette manière de représenter les différents rapports. Par ailleurs, on peut annoter la représentation graphique de la Figure 5, si nécessaire.

Les rapports Rapport(Intersection), Rapport(Propres(Ju)), et Rapport(Propres(Ja)) peuvent également servir à évaluer la similitude ou bien la différence entre l'échantillon de référence et la base d'apprentissage, considérés de façon globale, dans le but de déterminer si la différence est significative et si cette différence provient d'un défaut, ou bien d'une variation naturelle du produit.

Plusieurs approches différentes sont possibles pour traiter les rapports Rapport(Intersection), Rapport(Propres(Ju)) , et Rapport(Propres(Ja)) afin d'évaluer si la différence globale entre l'échantillon inconnu et la base d'apprentissage est significative ou non. Par exemple, on peut comparer l'un de ces rapports avec un seuil prédéterminé respectif et, si le rapport est supérieur au seuil correspondant, décider que la différence globale entre l'échantillon inconnu et la base d'apprentissage est significative. Selon l'application, la seule présence d'une variable (variable relative à un risque) dans un échantillon inconnu peut suffire à déclencher une alarme. De même la seule absence d'une variable (variable relative à une qualité propre au produit) induirait une alarme.

En cas de différence significative entre l'échantillon de référence et la base d'apprentissage, les mêmes mesures que celles décrites ci-dessus en relation avec le premier mode de réalisation de l'invention peuvent être adoptées - notamment on peut avertir l'utilisateur de l'existence de la différence significative et, si désiré, mettre en oeuvre des actions différentes selon des indications introduites en entrée par l'utilisateur. En particulier, les indications introduites en entrée par l'utilisateur peuvent provoquer l'élaboration d'un nouveau modèle d'identification (modèle de reconnaissance ou autre), en incluant, parmi les échantillons de référence utilisés lors de l'élaboration du modèle nouveau, l'échantillon inconnu.

Dans plusieurs cas, les variables utilisées pour décrire les échantillons ont une relation entre eux et on peut les ranger dans un ordre particulier. Par exemple, les mesures issues d'une analyse par chromatographie en phase gazeuse correspondent à des temps de rétention dans une colonne; on peut ordonner les mesures par rapport à la durée des différents temps de rétention. Selon un troisième mode de réalisation de la présente invention, on rapproche l'échantillon sous test et les échantillons de référence en se concentrant sur la distribution des variables de mesure des différentes classes identifiées ci-dessus. Plus particulièrement, selon le troisième mode de réalisation de l'invention il convient de déterminer l'ordre des membres de l'ensemble de variables JaJu et ensuite d'examiner la localisation (ou bien la distribution), dans l'ensemble ordonné, des variables de chaque classe.

Cette appréciation peut se faire au niveau d'une représentation graphique des variables ordonnées - voir, par exemple la représentation de la Figure 6A. Sur la Figure 6A les variables de chaque classe - celle des caractéristiques communes à l'échantillon inconnu et à la base d'apprentissage (Jintersection ), celle des caractéristiques propres à l'échantillon inconnu (Propres(Ju)), et celle des caractéristiques propres à la base d'apprentissage (Propres(Ja)) - sont rangés dans un ordre qui correspond à une hiérarchie liée à la technique de mesure. Dans l'exemple de la Figure 6A, les variables correspondent à des temps de rétention dans une colonne de chromatographie en phase gazeuse et elles sont rangées par ordre croissant de temps de rétention.

Sur la Figure 6A les variables de chaque classe sont représentées en utilisant des styles de hachage différents. Or, de façon semblable aux représentations graphiques utilisées dans les premier et deuxième modes de réalisation, la différentiation entre les trois classes peut se faire selon un paramètre d'affichage autre que le style de hachage utilisé. En outre, sur la Figure 6A on fait abstraction des valeurs mesurées relatives à chaque variable, les variables étant toutes représentées selon une barre respective de dimension fixe. Il convient de remarquer qu'on peut varier la forme de la région représentant chaque variable sans sortir du cadre du présent mode de réalisation.

La représentation de la Figure 6A permet à l'utilisateur d'apprécier rapidement la distribution des variables de chaque classe par rapport au temps de rétention (ou bien par rapport à un ordre quelconque inhérent aux variables de mesure et par rapport auquel on aurait ordonné les variables). On peut également examiner ces distributions en employant des moyens de traitement automatisés.

Le fait d'avoir rangé les variables selon un ordre particulier, d'avoir identifié l'appartenance des variables aux classes indiquées ci-dessus, et d'avoir examiné la distribution des variables de chaque classe au sein du séquence établi, permet de repérer rapidement des cas de figure particuliers, comme, par exemple, le cas où toutes les variables propres à l'échantillon inconnu, ou toutes les variables propres à la base d'apprentissage, correspondent à une extrémité de l'ordre de rangement. Selon l'application, on peut considérer que certains des cas de figure sont "anormales" dans le sens où ils correspondent à une différence globale significative entre l'échantillon inconnu et la base d'apprentissage. Typiquement, cette différence est relative aux variables importantes qu'on ne souhaitent pas rencontrer (apparition de défaut) ou voir disparaître (perte de qualité) dans l'échantillon inconnu. Comme dans les premier et deuxième modes de réalisation, le système peut avertir l'utilisateur de l'existence de cette différence globale significative et, éventuellement, répondre de façon appropriée aux indications introduites en entrée par l'utilisateur - notamment en élaborant un nouveau modèle de traitement de données si on estime que la différence globale entre l'échantillon inconnu et la base d'apprentissage provient d'une variation naturelle du produit analysé. Un plan d'expérience réalisé correctement pour la phase d'apprentissage permettra normalement d'inclure la variabilité supposée des échantillons. L'invention permet une identification rapide des défauts inconnus à priori.

Par ailleurs, la Figure 6A montre comment on peut présenter sur un écran d'affichage la représentation graphique proposée. La représentation graphique peut être affichée tout simplement, sans étiquette ni axes, comme on peut le voir sur la Figure 6A. Or, on peut adapter l'interface graphique afin d'afficher d'autres renseignements en liaison avec la simple représentation graphique: par exemple, un axe marqué pour indiquer le paramètre selon lequel on a ordonné les variables, les noms des variables, etc. Si désiré, on peut afficher ou non ces renseignements annexes suite à une action de l'utilisateur. Par exemple, l'interface graphique peut d'abord afficher la simple représentation graphique de la Figure 6A puis, si l'utilisateur utilise une souris d'ordinateur pour positionner un curseur sur la barre correspondant à une variable "temps de rétention = 23.16 secondes" et clique, le temps de rétention correspondant à cette variable sera affiché comme on peut le voir sur la Figure 6B.

Les techniques décrites jusqu'ici concernent des paramètres permettant une comparaison globale de l'échantillon inconnu par rapport à la base d'apprentissage. Or, il peut s'avérer intéressant d'examiner les différences et les similitudes qui se trouvent au niveau des variables individuelles. Selon un quatrième mode de réalisation de l'invention, on compare la valeur d'une caractéristique telle qu'on la mesurée sur l'échantillon inconnu, à la distribution statistique de valeurs de cette même caractéristique telles que mesurées sur les échantillons de référence.

L'approche préconisée pour comparer la valeur mesurée sur l'échantillon inconnu et la distribution statistique de valeurs applicable à la base d'apprentissage consiste à l'élaboration d'une représentation en forme de boîte, de préférence en forme de boîte à moustaches. La représentation d'une distribution statistique générale en forme de "boîte à pattes" ou en "boîte à moustaches" (en anglais "boxplot" ou "box and whiskers plot") a été proposé par Tukey en 1977. La Figure 7 montre un exemple d'une représentation en forme de boîte à moustaches des valeurs mesurées relative à une caractéristique particulière et permet d'expliquer la correspondance entre les diverses valeurs statistiques et la forme représentée.

Selon l'exemple de la Figure 7, le côté inférieur de la boîte coïncide avec la valeur correspondante à 25% des échantillons de référence - c'est-à-dire que cette valeur de la variable en question est prise par au moins 25% de l'ensemble d'échantillons de la base d'apprentissage - et le côté supérieur de la boîte coïncide avec la valeur correspondante à 75% des échantillons de référence. Un trait horizontal vers le centre de la boîte indique la valeur médiane et une étoile indique la valeur moyenne. Si la représentation de la Figure 7 correspondait à une représentation en forme de boîte simple, il n'y aurait plus de traits en sus de ceux mentionnés jusqu'ici. Or, ce dessin montrant une représentation en forme de boîte à moustaches, il existe également une ligne verticale s'étendant depuis le côté supérieur de la boîte vers le haut et une ligne verticale s'étendant depuis le côté inférieur de la boîte vers le bas. La ligne verticale supérieure s'étend jusqu'à la valeur maximale de la variable en question telle que mesurée relative à un des échantillons de référence et la ligne verticale inférieure s'étend jusqu'à la valeur minimale.

Un diagramme en forme de boîte, ou bien en forme de boîte à moustaches, peut revêtir des configurations différentes. Par exemple, les côtés inférieur et supérieur de la boîte peuvent correspondre à d'autres pourcentiles et non pas aux quartiles, des traits correspondant à des valeurs autres que la médiane peuvent être dessinés à travers la boîte, les extrémités des « moustaches » peuvent correspondre non pas aux valeurs minimales et maximales mais à des valeurs correspondantes à d'autres pourcentiles (par exemple, à 5% et à 95%).

Selon le quatrième mode de réalisation de la présente invention, on superpose sur la représentation graphique en forme de boîte à moustaches (ou bien en forme de boîte) une indication de la valeur de la variable en question telle que mesurée sur l'échantillon inconnu. La Figure 7 montre un exemple de cette approche et correspond au cas où la valeur applicable à l'échantillon de référence est nettement supérieure à la valeur maximale prise par l'ensemble des échantillons de référence. Un cas particulier concerne l'apparition de nouvelles variables non présentes dans les échantillons de référence.

La Figure 8 montre un exemple du cas contraire, où la valeur applicable à l'échantillon de référence est nettement inférieure à la valeur minimale prise par l'ensemble des échantillons de référence. Comme on peut le voir sur la Figure 8, on peut afficher des renseignements en liaison avec la représentation graphique en forme de boîte à moustaches, soit de façon automatisée, soit selon les actions de l'utilisateur. Sur la Figure 8 les renseignements affichés sont "L.Time : B.41.66" - c'est-à-dire le temps de rétention de la "librairie" (base d'apprentissage) relatif à la colonne B est 41.66s - et "E-Time :40.88" - c'est-à-dire que le temps de rétention d'échantillon inconnu est 40.88s.

Pour chaque variable qu'on veut, on peut déterminer le coefficient C suivant : C = X ( inconnu ) - Moyenne apprentissage / EcartType Apprentissage ,

où X(inconnu) représente la valeur applicable à cette variable relative à l'échantillon inconnu.

Ce coefficient C permet de savoir de combien on est loin de la moyenne de la base d'apprentissage ; la différence est significative si ce coefficient est supérieur à 3. Plus particulièrement, si ce coefficient est supérieur à 3 alors la probabilité que l'échantillon inconnu est le même produit que les échantillons de la base d'apprentissage est inférieure à 0.002.

L'identification de l'origine d'un défaut peut être réalisée du fait de l'apparition de nouvelles variables et des alarmes sont de même générées lorsque l'intensité mesurée de ces nouveaux éléments dépasse un seuil déterminé. L'utilisation de produits référents peut de même permettre une identification du composé incriminé.

Les Figures 7 et 8 montrent des diagrammes relatifs à des variables qui sont communes à l'échantillon inconnu et à la base d'apprentissage, c'est-à-dire des variables de la première classe (l'ensemble Jintersection ). Or, on peut utiliser le même genre de diagramme relatif aux variables de la deuxième classe (l'ensemble Propres(Ja)), en affichant une valeur nulle pour l'échantillon inconnu (voir la Figure 9). En outre, on peut afficher ensemble plusieurs diagrammes en forme de boite à moustaches, par exemple des diagrammes relatives à toutes les variables de la première classe ou bien des diagrammes relatives à toutes les variables des première et deuxième classes.

Les Figures 10 et 11 montrent un exemple selon le cas où on affiche simultanément des diagrammes en forme de boîte à moustaches relatives à toutes les variables des première et deuxième classes; sur la Figure 10 les données sont représentées sans annotation alors que sur la Figure 11 les diagrammes sont annotées, notamment en indiquant les valeurs applicables aux différentes variables telles que mesurées pour la librairie (la base d'apprentissage) et bien pour l'échantillon sous test, ainsi que le coefficient, C, mentionné ci-dessus (dénommé "rapport" sur les figures). Encore une fois, on peut adapter le système afin d'offrir à l'utilisateur diverses options en ce qui concerne les renseignements à afficher en tant qu'annotation et l'évènement qui déclenche l'affichage de l'annotation (actions de l'utilisateur, affichage automatique, etc.).

Dans le cas où on affiche simultanément des diagrammes en forme de boîte à moustaches relatives à des variables de différentes classes (1ère et 2ème classes), la manière dont les diagrammes sont représentées peut varier selon la classe concernée. Par exemple, on peut afficher les diagrammes (et, ou bien, les annotations afférentes) relatifs à des variables de la première classe selon une première couleur et les diagrammes relatifs à des variables de la deuxième classe selon une deuxième couleur.

Bien que les différents modes de réalisation de l'invention aient été décrits séparément, il convient de noter qu'un système selon l'invention peut mettre en oeuvre une combinaison de deux ou de plusieurs des procédés (voire tous les procédés) décrits ci-dessus en liaison avec les premier à quatrième modes de réalisation. Dans le cas où un même système met en oeuvre plusieurs des procédés des premier à quatrièmes modes de réalisation de l'invention, on peut régler le système de façon à ce que les données d'image générées pour représenter les variables (ou bien pour représenter les valeurs des variables) d'une classe particulière soient affichées selon la même couleur (style de hachage, etc.) dans toutes les représentations graphiques. Ceci rend plus simple l'interprétation de l'ensemble de représentations graphiques.

Bien que des modes de réalisation particuliers de la présente invention aient été décrits ci-dessus, l'homme du métier comprendra que diverses modifications et aménagements peuvent se pratiquer dans ceux-ci sans sortir du cadre de la présente invention.

Plus particulièrement, bien que la Figure 3 annexée montre une distribution particulière de fonctions entre divers composants d'un système, l'homme du métier comprendra que la distribution de fonctions peut se faire différemment. En outre, selon la façon dont on met en oeuvre le système, il se peut qu'on ne puisse pas identifier des modules individuels qui remplissent les fonctions énoncées ; on peut faire une combinaison de certains des modules représentés à la Figure 1. Par ailleurs, les divers modules représentés à la Figure 1 ne correspondent pas nécessairement à des éléments d'équipement physiques. On peut (et, en général, on va) réaliser les fonctions correspondant au moyen d'un logiciel.


Anspruch[fr]
Procédé d'analyse comparative d'un échantillon sujet, provenant d'un produit, par rapport à un ensemble d'échantillons de référence, comportant les étapes consistant à : a) mesurer les valeurs d'une pluralité de caractéristiques des échantillons de référence; b) mesurer les valeurs d'une pluralité de caractéristiques de l'échantillon sujet; c) repérer l'ensemble des caractéristiques évaluées lors des étapes précédentes; d) parmi les caractéristiques repérées à l'étape c): i) identifier, en tant qu'une première classe de caractéristiques, les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, ii) identifier, en tant qu'une deuxième classe de caractéristiques, les caractéristiques propres aux échantillons de référence, et iii) identifier, en tant qu'une troisième classe de caractéristiques, les caractéristiques propres à l'échantillon sujet; et e) associer aux valeurs mesurées lors des étapes a) et b) une indication de la classe affectée à la caractéristique afférente lors de l'étape d). Procédé d'analyse comparative selon la revendication 1, et comportant les étapes consistant à: f) en ce qui concerne les caractéristiques repérées à l'étape c), quantifier le rapport entre: i) les valeurs de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, telles que mesurées relatives à l'échantillon sujet, ii) les valeurs mesurées des caractéristiques propres à l'échantillon sujet, iii) les valeurs de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, telles que mesurées relatives aux échantillons de référence, iv) les valeurs mesurées des caractéristiques propres aux échantillons de référence, et les valeurs de toutes les caractéristiques repérées à l'étape c) telles que mesurées lors des étapes a) et b) ; g) pour chacun des rapports calculés à l'étape f), générer des données d'image définissant une région dont l'aire dépend de la grandeur dudit rapport et afficher une image selon lesdites données d'image, la manière de représenter chaque région étant différente. Procédé d'analyse comparative selon la revendication 1 ou 2, comportant les étapes consistant à: f) en ce qui concerne les caractéristiques repérées à l'étape c), quantifier le rapport entre: i) les valeurs de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, telles que mesurées relatives à l'échantillon sujet, ii) les valeurs mesurées des caractéristiques propres à l'échantillon sujet, iii) les valeurs de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, telles que mesurées relatives aux échantillons de référence, iv) les valeurs mesurées des caractéristiques propres aux échantillons de référence, et les valeurs de toutes les caractéristiques repérées à l'étape c) telles que mesurées lors des étapes a) et b) ; et h) produire un avertissement si la grandeur d'au moins l'un des rapports calculées à l'étape f) dépasse un premier seuil prédéterminé. Procédé d'analyse comparative selon la revendication 1, 2 ou 3, comportant les étapes consistant à: j) parmi les caractéristiques repérées à l'étape c), quantifier la partie constituée de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, la partie constituée de caractéristiques propres aux échantillons de référence, et la partie constituée de caractéristiques propres à l'échantillon sujet; k) pour chacune des parties quantifiées à l'étape j), générer des données d'image définissant une région dont l'aire dépend de la grandeur de ladite partie ; et l) afficher une image selon les données d'image générées à l'étape k), la manière de représenter chaque région étant différente. Procédé d'analyse comparative selon la revendication 1, 2, 3 ou 4, comportant les étapes consistant à: j) parmi les caractéristiques repérées à l'étape c), quantifier la partie constituée de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, la partie constituée de caractéristiques propres aux échantillons de référence, et la partie constituée de caractéristiques propres à l'échantillon sujet; et m) produire un avertissement si la grandeur d'au moins l'une des parties calculées à l'étape j) dépasse un deuxième seuil prédéterminé respectif. Procédé d'analyse comparative selon l'une quelconque des revendication 1 à 5, comportant les étapes consistant à : j) parmi les caractéristiques repérées à l'étape c), quantifier la partie constituée de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, la partie constituée de caractéristiques propres aux échantillons de référence, et la partie constituée de caractéristiques propres à l'échantillon sujet; n) définir un ordre pour ordonner les caractéristiques repérées à l'étape c); o) déterminer la distribution, au sein de l'ordre défini à l'étape n), des caractéristiques qui sont communes à l'échantillon sujet et à au moins l'un des échantillons de référence, des caractéristiques qui sont propres aux échantillons de référence, et des caractéristiques qui sont propres à l'échantillon sujet; et p) analyser la distribution déterminée à l'étape o) afin de contrôler si, oui ou non, une condition est remplie pour la production d'un avertissement. Procédé d'analyse comparative selon l'une quelconque des revendication 1 à 6, comportant les étapes consistant à : j) parmi les caractéristiques repérées à l'étape c), quantifier la partie constituée de toutes les caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, la partie constituée de caractéristiques propres aux échantillons de référence, et la partie constituée de caractéristiques propres à l'échantillon sujet; n) définir un ordre pour ordonner les caractéristiques repérées à l'étape c); q) générer des premières données d'image relatives aux caractéristiques communes à l'échantillon sujet et à au moins l'un des échantillons de référence, des deuxièmes données d'image relatives aux caractéristiques propres aux échantillons de référence, et des troisièmes données d'image relatives aux caractéristiques propres à l'échantillon sujet; et r) afficher une image selon les premières, les deuxièmes et les troisièmes données d'image de manière à localiser sur le plan d'image des données d'image relatives à chaque caractéristique selon la localisation de cette caractéristique au sein de l'ordre défini à l'étape n), la manière de représenter chaque caractéristique étant différente selon si cette caractéristique correspond aux premières, ou deuxièmes ou aux troisièmes données d'image. Procédé d'analyse comparative selon la revendication 7, et comportant les étapes consistant à : s) pour au moins l'une des caractéristiques commune à l'échantillon sujet et à un échantillon de référence, générer des données d'image définissant un diagramme boîte à pattes sur la base des valeurs de cette caractéristique telle que mesurées relatives aux échantillons de référence; et t) afficher un diagramme boîte à pattes selon les données d'image générées à l'étape s) et y superposer des données d'image relatives à la valeur de ladite au moins une caractéristique telle que mesurée relative à l'échantillon sujet. Procédé d'analyse comparative selon la revendication 8, et comportant l'étape consistant à : u) recevoir en entrée des données de sélection provenant d'un utilisateur;

dans lequel la caractéristique ou bien les caractéristiques pour lesquelles des données d'image sont générées dans l'étape s) et affichées lors de l'étape t) consistent en des caractéristiques identifiées par des données de sélection reçues à l'étape u).
Procédé d'analyse comparative selon la revendication 8, dans lequel des données d'image sont générées dans l'étape s), et affichées ensemble lors de l'étape t), relatives à toutes les caractéristiques qui sont communes à l'échantillon de référence et à au moins un échantillon de référence. Procédé d'analyse comparative selon la revendication 8 ou 10, dans lequel des données d'image sont générées dans l'étape s), et affichées ensemble lors de l'étape t), relatives à toutes les caractéristiques propres aux échantillons de référence, les données d'image affichées relatives à l'échantillon sujet et superposées sur les données d'image relatives aux caractéristiques propres aux échantillons de référence étant des données indiquant une valeur nulle. Procédé d'analyse comparative selon la revendication 8, 9, 10 ou 11, et comportant l'étape consistant à générer un avertissement si la valeur d'un coefficient C dépasse un troisième seuil, où : C = X ( inconnu ) - Moyenne apprentissage / EcartType Apprentissage , où X(inconnu) est la valeur d'une caractéristique telle que mesurée relative à l'échantillon sujet, Moyenne(apprentissage) est la moyenne des valeurs de ladite caractéristique telles que mesurées relatives aux échantillons de référence et EcartType(Apprentissage)) est l'écart type applicable aux valeurs de ladite caractéristique telles que mesurées relatives aux échantillons de référence. Procédé d'analyse comparative selon la revendication 3, 5, 6 ou 12, et comportant les étapes consistant à : v) recevoir en entrée des données d'identification provenant d'un utilisateur, ces données d'identification indiquant soit que l'échantillon sujet relatif auquel un avertissement a été produit est défectueux soit que ladite échantillon sujet représente un variante permissible par rapport aux échantillons de référence ; et w) si les données d'identification reçues à l'étape v) indiquent que l'échantillon sujet représente un variant permissible, mettre à jour un modèle de traitement de données afin d'inclure ledit échantillon sujet parmi les échantillons de référence. Programme d'ordinateur possédant un groupe d'instructions qui, lorsqu'on les utilise sur un ordinateur, font que l'ordinateur effectue les opérations du procédé d'analyse comparative défini dans l'une quelconque des revendications 1 à 13. Système d'analyse comparative d'un échantillon sujet, provenant d'un produit, par rapport à un ensemble d'échantillons de référence, ledit système comportant un ordinateur programmé de manière à effectuer les opérations du procédé d'analyse comparative défini dans l'une quelconque des revendications 1 à 13.






IPC
A Täglicher Lebensbedarf
B Arbeitsverfahren; Transportieren
C Chemie; Hüttenwesen
D Textilien; Papier
E Bauwesen; Erdbohren; Bergbau
F Maschinenbau; Beleuchtung; Heizung; Waffen; Sprengen
G Physik
H Elektrotechnik

Anmelder
Datum

Patentrecherche

Patent Zeichnungen (PDF)

Copyright © 2008 Patent-De Alle Rechte vorbehalten. eMail: info@patent-de.com