Master

Permanent URI for this communityhttp://10.10.20.114:4000/handle/123456789/2338

Browse

Has files: YesSubject: search.filters.subject.Classification d’images

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    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, Sofiane
    La 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.
  • Thumbnail Image
    Item
    Analyse comparative des architectures de réseaux neuronaux convolutifs pour la reconnaissance des maladies des plantes de tomates
    (2025-12-04) BACHIRI, Zohra; HANICHET, Assia
    La 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.