| Titre : | Networks and Information and Communication Technologies |
| Auteurs : | NADA TENGOURI, Auteur ; DOUNIA CHENNOUFI, Auteur ; Abdelhak Merizig, Directeur de thèse ; Soheyb Ayad, Directeur de thèse |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2024 |
| Format : | 1 vol. (92p.) / ill., couv. ill. en coul / 30 cm |
| Langues: | Français |
| Mots-clés: | Agriculture Intelligente (AI), tuta Absoluta, capteurs, intelligence artificielle (IA), apprentissage automatique (ML), apprentissage profond (DL). |
| Résumé : |
L’agriculture est l’un des piliers de l’économie algérienne, notamment la culture des tomates qui bénéficie d’une popularité croissante en raison de ses multiples utilisations et avantages. L’agriculture sous serre plastique est considérée comme une méthode courante et importante pour répondre à la demandecroissante, offrant un environnement propice. Cependant, les agriculteurs sontconfrontés à des défis posés par les ravageurs, en particulier le ravageur Tutaabsoluta, pour lequel les méthodes traditionnelles de lutte n’ont pas montré leurefficacité.Le Tuta absoluta est l’un des ravageurs les plus dangereux pour les culturessous serre plastique, en particulier les cultures de tomates, causant des dommagesgraves aux récoltes et des coûts très élevés pour les agriculteurs, entraînant d’importantespertes économiques.Pour relever ce défi, notre projet propose une idée novatrice qui propose unenouvelle approche combinant les technologies modernes telles que l’intelligenceartificielle et l’agriculture intelligente. Nous proposons un dispositif intelligentqui détecte et élimine efficacement ce ravageur. Le dispositif proposé comprend des capteurs et une caméra, la caméra fonctionnant automatiquement lorsque le capteur de mouvement détecte la présence de ce ravageur, transférant ensuite les données en temps réel à un modèle d’apprentissage en profondeur qui détermine avec précision le stade adulte de Tuta absoluta. De plus, le dispositif eststratégiquementplacé près des LED (jaune et vert) et des pièges pour attirer le ravageur,le capturer et l’éliminer. Le système comprend également un processus deprédiction de l’apparition de ce ravageur à l’aide d’un modèle d’apprentissageautomatique. De plus, le projet comprend une application mobile qui informeinstantanément les agriculteurs des événements de détection, d’élimination etde prédiction, leur permettant de prendre des décisions rapides et efficaces pourprotéger leurs cultures.Grâce à cette approche novatrice, la flexibilité del’intelligence artificielleest exploitée en synchronisation avec l’Internet des objets, ce qui permet d’augmentersa précision et son efficacité à un coût raisonnable, renforçant ainsi le processus de lutte contre la Tuta absoluta. |
| Sommaire : |
Acknowledgement . . . . . . . 1 Remerciements . . . . . . . . . . . . . . . . . . . . . . . Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Résumé . . . . . . . . . . . . . . . . 6ملخص List of Figures 12 List of Tables 14 List of Algorithms 15 List of Equations 16 1 General Introduction 17 1.1 General Context . . . . . . . . 17 1.2 Problem statement . . . . . . . . . . 17 1.3 Objectives . . . . . . . . . . . . . . . . . . 18 1.4 Thesis Structure . . . . . . . . . . . . . . . 18 References 17 2 Smart Agriculture Overview 19 2.1 Introduction . . . . . . . . . . . . . . . . . . . . 19 2.2 Definition of Smart Agriculture . . . . . . . . . . . . . . . 19 2.3 Evolution of Agriculture . . . . . . . 20 2.3.1 Agriculture 1.0: Traditional Farming . . . . . . . .. 20 2.3.2 Agriculture 2.0: Mechanization . . . . . . . . . . . . . 20 72.3.3 Agriculture 3.0: Precision Farming . . . . . . . . . 21 2.3.4 Agriculture 4.0: Smart Agriculture . . . . . .. . 21 2.4 Importance of Smart Agriculture in Modern Farming Practices .. . 22 2.5 The integration of ICTs in agriculture . . . . . . . . 23 2.6 Overview of Greenhouse Farming . . . . . . . . .. 24 2.6.1 Greenhouse definition . . . . . . . . . . . . .24 2.6.2 Greenhouse farming techniques . . . . . . . .. 24 2.6.3 Insect pests in Greenhouses . . . . . . 26 2.6.3.1 Definition of plant diseases and pest . . 26 2.6.3.2 Different sources of pests in greenhouses . . . . . . . . . . . 26 2.6.3.3 Common pests found in greenhouse environments . . . . . . 27 2.6.3.4 Impact of harmful insects on greenhouse . . . . . . . . . . . 27 2.6.3.5 Control methods for common pests found in greenhouse . . . 28 2.6.3.5.1 Cultural and Chemical Control . . . . . . 28 2.6.3.5.2 Biological Control . . . . . . . 2.7 Conclusion . . . . . . . . . . . . . 30 3 Classification & DL Technique for Insect detection 31 3.1 Introduction . . . . . . . . . . . . . 31 3.2 Artificial intelligence (AI) . . . . . . . . . . . . . . 31 3.2.1 Machine learning (ML) . . . . . . . . . 32 3.2.1.1 Types of Machine Learning Algorithms . . . . . 32 3.2.1.1.1 Supervised Learning . . . . . . . . 33 3.2.1.1.2 Unsupervised Learning . . . . . . 33 3.2.1.1.3 Semi-supervised Learning . . . 33 3.2.1.1.4 Reinforcement Learning(RL) . . . 34 3.2.2 Deep learning (DL) . . . . . . . . . . . . . . . . 34 3.2.2.1 Types of Deep Learning . . . . . . . .. 34 3.2.2.1.1 Supervised Learning: . . . . . . 3.2.2.1.2 Unsupervised Learning: .. . 34 3.2.2.2 Types of Data . . . . . . . . . . . . . . . . . . . 35 3.2.2.2.1 Structured Data: . . . . . . . . .. . 35 3.2.2.2.2 Unstructured Data: . . . . . . 35 83.2.2.2.3 Semi-Structured Data: . . . . . . 35 3.2.2.3 Techniques in Deep Lear. . . 35 3.3 Classification Algorithms . . . . . . . . . . 36 3.3.1 Definition of Classification . . . . . . 36 3.3.2 Types of Classification Algorithms for Machine Learning . . . . . . . 36 3.4 Image classification . . . . . . . . . . . . . . . . . . 37 3.4.1 Definition of image Classification . . . . . 37 3.4.1.1 Unsupervised classification . . . . . . .. 37 3.4.1.2 Supervised classification . . . . . . . . .. 37 3.4.2 Image Classification Techniques . . . . . . 37 3.4.3 The Process of Image Classification . . . . . . . . . 37 3.4.4 Objective in Image Classification . . . . . . . . . 38 3.4.5 Machine Learning in Image Classification . . . . . 38 3.4.6 Object Detection . . . . . . . . 38 3.4.6.1 Transformers Application in Object Detection . .. 39 3.4.6.2 Object Detection Focus . . . . . . . 39 3.4.7 Image Segmentation . . . . . . . . . 39 3.4.7.1 Image Segmentation Objective . . . . . . . 39 3.5 Case Study: Tuta absoluta . . . . . . . . . . . . 40 3.5.1 Definition of Tuta absoluta . . . . . . . .. 40 3.5.2 The phenology of Tuta absoluta . . . . . . .. . . . 40 3.5.2.1 Egg Stage . . . . . . . . . . . . . . .. . 40 3.5.2.2 Larvae Stage . . . . . . . 41 3.5.2.3 Pupal Stage . . . . . . . . . . . . . . . . .. . 41 3.5.2.4 Adult Stage . . . . . . . . . 41 3.5.2.5 Population Dynamics . . . . . . .. . 42 3.5.3 Characteristics of tuta Absoluta . . . . . . . . . . . 42 3.5.4 The effect of Tuta absoluta on tomatoes . . . . 43 3.5.5 Statistics of the spread of Tuta absoluta . . . . . . . . 43 3.5.6 Solutions to eliminate Tuta absoluta . . . . . 44 3.6 Related work . . . . . . . . . . . . . . . . . .. . . 44 3.7 Discussion . . . . . . . . . . . . . 47 93.8 Conclusion . . . . . . . . . . . . . . . . . . . . .. . 48 4 Design and Contribution 49 4.1 Introduction . . . . . . . . . . . . . . . . . . . . . 49 4.2 Methodology . . . . . . . . . . . . . . . . . 49 4.3 Proposed architecture . . . . . . . . . . . . .. . . . 50 4.3.1 Architecture description . . . . . . . . . . . . . . . 51 4.3.1.1 Physical Layer: . . . . . . . . . .. 51 4.3.1.2 Cloud Layer: . . . . . . . . . . . . . . . 52 4.3.1.3 Treatment Layer: . . . . . . . . . . . . . . 53 4.3.1.4 End User Layer: . . . . . . . 53 4.4 Tuta Absoluta detection system . . . . .. . . 54 4.4.1 Prediction of stage . . . . . . . . . . . . . . 54 4.4.2 Recognition model . . . . . . . . . . . . . . . . 58 4.4.3 Functional needs . . . . . . . . . . . .. . 63 4.4.4 Non-Functional needs . . . . . . . . . . 63 4.4.5 Use case diagram (system analysis model) . . . . . . . . 64 4.4.5.1 Identification of actors . . . . . . . . .. . 64 4.4.5.2 Identification of use cases . . . . . 64 4.4.5.3 Sequence diagram of the ”Log in ” or ”sign up” scenario . . 65 4.4.5.4 Sequence diagram of the ”System work” scenario . . . . . . 67 4.5 Conclusion . . . . . . . . .. . . 70 5 Implementation and Results 71 5.1 Introduction . . . . . . . . . . . . 71 5.2 Implementation . . . . . . . . . . . . . .. . . 71 5.2.1 Hardware tools - The electronic equipment - . . . . 71 5.2.1.1 Raspberry Pi 4 model B . . . . . .. . 72 5.2.1.2 Raspberry Pi Camera . . . . . . . . . 72 5.2.1.3 Arduino Uno . . . . . . . . . . . . . . . 72 5.2.1.4 Ultrasonic sensor . . . . . . . . .. . . 73 5.2.1.5 The DHT11 sensor . . . . . . 73 5.2.1.6 LCD Display . . . . . . . . . . . . . . . . . . 73 105.2.2 Frameworks, tools and libraries . . . . . . .. . 74 5.2.2.1 Programming language . . . . . . . . . .. 74 5.2.2.2 Libraries . . . . . . . . . . . . . . 75 5.2.2.3 Tools . . . . . . . . . . . . . . . 76 5.3 Obtained results and discussion . . . 77 5.3.1 Model results . . . . . . . . . . . . 77 5.3.1.1 CNN Models Evaluation . . . . . 77 5.3.1.2 LR , SVM and SVR Models Evaluation . . . . . . . . . . . 81 5.4 Prototype Showcase: Detection and Elimination Mechanism . . . . . . . . . 83 5.4.1 Mobile application interfaces . . . . . . . . . . . . . . 85 5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . 91 6 General Conclusion and Perspectives 92 6.1 Conclusion . . . . . . . . . . . . . . . 92 |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/877 | Mémoire master | bibliothèque sciences exactes | Consultable |
