Département Génie Rural
Permanent URI for this collectionhttp://10.10.20.114:4000/handle/123456789/2351
Browse
3 results
Search Results
Item Conception d’un système embarqué à bas coût pour la détection des adventices en cultures en ligne à différents stades phénologiques(2026-10-11) LASMER, ManelLes adventices représentent l’une des principales contraintes de la production agricole en raison de leur capacité à concurrencer les cultures pour les ressources essentielles, entraînant ainsi une diminution des rendements et une augmentation des coûts de production. Les méthodes conventionnelles de lutte, principalement fondées sur l’utilisation des herbicides, présentent des limites liées à leur faible sélectivité, à leur impact environnemental et au développement de résistances chez certaines espèces. Face à ces enjeux, l’agriculture de précision offre des solutions innovantes reposant sur les technologies de vision par ordinateur et d’intelligence artificielle. Dans ce contexte, ce mémoire a pour objectif de concevoir un système embarqué à faible coût dédié à la détection automatique des adventices en conditions réelles. La démarche adoptée comprend la constitution d’une base de données d’images, leur annotation, leur prétraitement ainsi que le développement et l’évaluation de plusieurs modèles de segmentation basés sur l’apprentissage profond afin d’identifier automatiquement les adventices. Les expérimentations réalisées ont permis de comparer les performances des différents modèles étudiés. Parmi eux, le modèle YOLO11s-seg s’est distingué par ses meilleures performances, en atteignant une précision de détection de 91 %, ce qui confirme son efficacité et son aptitude à être intégré dans un système embarqué destiné à un robot agricole autonome. Dans la continuité du développement des modèles, une phase d’optimisation et d’inférence sur système embarqué (Raspberry Pi 5 / ONNX) a été réalisée. Les performances en temps réel ont été évaluées en mesurant la vitesse d’inférence (FPS) et la latence, confirmant la faisabilité d’une intégration sur un robot agricole autonome pour le désherbage ciblé. Ce travail constitue une contribution au développement de solutions intelligentes pour l’agriculture de précision. Il met en évidence l’intérêt des techniques de vision par ordinateur et de l’apprentissage profond pour la détection des adventices et ouvre des perspectives pour la mise en œuvre de systèmes automatisés permettant un désherbage ciblé, une réduction de l’utilisation des herbicides et une gestion plus durable des cultures.Item Détection Précoce des Insectes Ravageurs dans les Cultures de Citronniers à l’aide de Réseaux Neuronaux Convolutifs (CNNs)(2025-12-11) DJEBLI, Ikram; HAMROUZE, SofianeLa culture des agrumes joue un rôle majeur dans l’économie agricole des régions méditerranéennes, mais elle est fortement affectée par les attaques d’insectes ravageurs, rendant la détection précoce indispensable pour une gestion phytosanitaire durable. Ce travail propose une approche de surveillance intelligente basée sur l’apprentissage profond, utilisant des réseaux de neurones convolutifs (CNN) pour la classification automatique des insectes ravageurs des agrumes à partir d’images. Quatre architectures pré-entraînées sur ImageNet ont été étudiées et comparées : MobileNetV3-Small, ResNet-18, DenseNet-121 et EfficientNet-B0. La méthodologie repose sur l’apprentissage par transfert afin d’adapter ces modèles à un jeu d’images spécifique. Les performances ont été évaluées selon la précision de classification, le temps d’inférence et l’aptitude à l’intégration sur des systèmes embarqués. Les résultats montrent que les architectures légères, notamment MobileNetV3-Small et ResNet18, offrent un compromis optimal entre précision et rapidité, les rendant adaptées à la surveillance en temps réel. Cette étude confirme le potentiel des CNN pour le développement de systèmes autonomes de détection et d’alerte précoce, contribuant à une agriculture plus durable et intelligente.Item Analyse comparative des architectures de réseaux neuronaux convolutifs pour la reconnaissance des maladies des plantes de tomates(2025-12-04) BACHIRI, Zohra; HANICHET, AssiaLa tomate constitue l’une des cultures les plus importantes au niveau mondial, tant sur le plan nutritionnel qu’économique. Cependant, elle demeure vulnérable à de nombreuses maladies fongiques, bactériennes et virales qui affectent la qualité et le rendement du produit. Ce travail vise à comparer plusieurs architectures de réseaux neuronaux convolutifs (CNN) pour la classification des maladies des feuilles de tomate, en s’appuyant sur la base de données PlantVillage. Trois modèles principaux ont été étudiés : MobileNetV3-Large, MobileNetV3-Small et EfficientNet-B0. L’évaluation a porté sur la précision, la rapidité d’exécution, l’efficacité computationnelle et la capacité de généralisation en conditions proches du terrain. Les résultats obtenus montrent que le modèle MobileNetV3-Small offre le meilleur compromis entre précision et légèreté, avec une exactitude d’environ 81 %, ce qui le rend particulièrement adapté aux dispositifs embarqués à faibles ressources, tels que l’ESP32 et le Raspberry Pi. Ces performances ouvrent la voie au développement de solutions intelligentes destinées à la détection précoce des maladies, contribuant ainsi à renforcer la productivité agricole et à soutenir la transition numérique du secteur.
