Détection des défaillances des capteurs utilisé en smart irrigation en utilisant l’apprentissage profond (Deep Learning)

No Thumbnail Available

Date

2024-12-14

Journal Title

Journal ISSN

Volume Title

Publisher

Abstract

L’utilisation de capteurs physiques basés sur l’IoT est courante, mais leur fiabilité en temps réel reste un défi majeur, notamment en cas de perturbations externes. Ce document propose une solution basée sur des réseaux neuronaux LSTM, testée dans un système d’irrigation intelligent. Un modèle prédictif remplace un capteur physique pour prédire en temps réel des valeurs de température, d’humidité et de température du sol avec une grande précision. les résultats mettent en évidence la possibilité d’utiliser un réseau neuronal, désigné ici comme modèle prédictif , pour compléter et surveiller le fonctionnement des capteurs physiques. Cette approche permet de détecter les défaillances des capteurs physiques, rendant ainsi les systèmes d’irrigation intelligents plus fiables et performants.

Description

Keywords

: Irrigation intelligent, intelligence artificielle (AI), apprentissage automatique (ML), apprentissage profonde (DL), Les réseaux de longue mémoire à court terme (LSTM), réseau de neurones récurrents (RNN).

Citation