| Titre : | Réalisation d’une application pour la détection des maladies du blé |
| Auteurs : | Meriem Bey, Auteur ; Imane Rhalmi, Auteur ; Abd El Mouméne Zerari, Directeur de thèse |
| Type de document : | Mémoire magistere |
| Editeur : | Biskra [Algérie] : Faculté des Sciences Exactes et des Sciences de la Nature et de la Vie, Université Mohamed Khider, 2025 |
| Format : | 1 vol. (77 p.) / ill.couv.ill.encoul / 30cm |
| Langues: | Français |
| Langues originales: | Français |
| Résumé : |
À l'heure où la transformation numérique révolutionne tous les secteurs, ce projet se positionne comme une initiative pionnière pour optimiser la production céréalière. Il s'agit de développer une application intuitive capable de réinventer la manière dont les maladies du blé sont détectées et gérées par les agriculteurs. Le coeur de l'application réside dans sa capacité à analyser des images de feuilles de blé capturées via un simple smartphone. Bien plus qu'un outil de reconnaissance visuelle, elle utilise l'intelligence artificielle pour établir un diagnostic fiable et précis, en tenant compte des variations d'éclairage et des conditions environnementales.Une analyse comparative des approches existantes nous a permis de concevoir une architecture complète couvrant l’ensemble du pipeline : de la collecte et préparation des données à l’entraînement, l’évaluation et l’intégration du modèle dans une application mobile fonctionnelle. Le modèle ViT, au coeur de notre solution, a atteint un taux de précision de 98 %, surpassant d'autres architectures de référence telles que ResNet50V2 et MobileNetV2, ce qui confirme sa capacité à généraliser efficacement à de nouveaux cas.Après apprentissage et évaluation, le modèle est déployé en environnement réel et intégré à une application web via le framework Gradio.L’application développée se distingue non seulement par sa performance, mais aussi par son interface simple et intuitive, la rendantparticulièrement utile pour les agriculteurs, techniciens et chercheurs. Elle permet une détection précoce des maladies, favorisant ainsi une gestion phytosanitaire plus ciblée et une réduction de l’usage excessif de produits chimiques. |
| Sommaire : |
Table des figures Résumé Liste des figures Liste des tableaux Introduction générale 1 1 Préliminaires et concepts de base 2 1.1 Introduction…………………………………………………………………….... 2 1.2 Maladies du blé………………………………………………………………….. 2 1.2.1 Types de maladies du blé……………………………………………….... 2 1.2.2 Méthodes de diagnostic des maladies du blé……………………………. 5 1.2.2.1 Méthodes traditionnelles ………………………………………. 5 1.2.2.2 Méthodes modernes soutenues par la technologie …………….. 6 1.3 L'intelligence artificielle ……………………………………………… 8 1.3.1 Apprentissage automatique …………………………………………… 8 1.3.1.1 Types d'apprentissage automatique………………... 9 1.3.2 Apprentissage profond ………………………………………. 11 1.3.3 Transformateurs de vision …………………………………. 15 1.3.3.1 Les types de transformateurs par vision…………... 16 1.4 Conclusion……………………………………………………………….. 2 Synthèse des modèles d’IA et des applications mobiles pour le diagnostic des maladies du blé 18 2.1 Introduction…………………………………………………………. 18 2.2 Travaux Scientifiques Connexes……………………………………. 19 2.3 Applications Mobiles Similaires Existantes…………………………… 22 2.4 Contribution Proposée au Diagnostic des Maladies des Feuilles de Blé 25 2.5 Conclusion……………………………………………………………… 25 3 Conception du système 26 3.1 Introduction……………………………………………………………… 26 3.2 Architecture générale du système……………………………………….. 26 3.3 L’architecture détaillée du système……………………………………… 27 3.3.1 Collecte des données (Data Gathering)…………………………… 27 3.3.2 Prétraitement des données (Pre-processing)……………………….. 28 3.3.3 Division de l’ensemble de données (Splitting the Dataset)………… 29 3.3.4 Entraînement du modèle (Model Training)………………………… 30 3.3.5 Test du Modèle (Model Testing)…………………………….. 33 3.3.6 Métriques d'Évaluation (Evaluation Metrics)………………… 34 3.3.7 Déploiement du modèle (Model Deployment)……………….. 35 3.4 Conclusion………………………………………………………………… 36 4 Implémentation et Résultats 37 4.1 Introduction…………………………………………………………………. 37 4.2 Outils et langages de développement…………………………………… 37 4.2.1 Python…………………………………………………………… 37 4.2.2 Pytorch…………………………………………………………… 38 4.2.3 Numpy……………………………………………………………… 38 4.2.4 Matplotlib…………………………………………………………… 39 4.2.5 Kaggle………………………………………………………………. 39 4.2.6 Android studio……………………………………………………… 39 4.2.7 HTML…………………………………………………………… 40 4.2.8 CSS……………………………………………………………… 40 4.2.9 XML……………………………………………………………… 40 4.3 Réalisation………………………………………………………………… 41 4.3.1 Description de l'ensemble de données……………………………… 41 4.3.2 Étapes de prétraitement et fractionnement de l'ensemble de données 43 4.4 Présentation du code…………………………………………………... 44 4.4.1 Initialisation du modèle Vision Transformer (ViT)…………… 44 4.5 Résultats et discussion……………………………………….. 46 4.5.1 Résultats……………………………………………… 46 4.5.1.1 Précision globale du modèle………………… 46 4.5.1.2 Performances par métriques…………………. 46 4.5.1.3 Matrice de confusion………………………… 46 4.5.2 Discussion…………………………………………………………. 49 4.6 Aperçu de l'application…………………………………………. 51 4.6.1 Page d'accueil……………………………………………. 51 4.6.2 Appliquer la page Diagnostic………………………………………… 51 4.7 Conclusion………………………………………………………… 53 Conclusion générale 54 Bibliographie |
| Type de document : | Mémoire master |
Disponibilité (1)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| MINF/952 | Mémoire master | bibliothèque sciences exactes | Consultable |
