| Titre : |
Approches par Apprentissage Profond pour le diagnostic et l’estimation de la sévérité des maladies du manguier dans les pays en voie de développement : cas du Sénégal |
| Type de document : |
texte imprimé |
| Auteurs : |
Demba Faye, Auteur |
| Editeur : |
Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Mathématiques et Informatique |
| Année de publication : |
2024 |
| Importance : |
82 P. |
| Format : |
29 cml |
| Langues : |
Français (fre) |
| Mots-clés : |
maladie plante diagnostic automatique sévérité Apprentissage Machine Apprentissage Profond réseau de neurones convolutifs manguier pays en voies de développement réseau de neurones Intelligence Artificielle Machine Learning Deep Learning maladie des plante donnée alternaria anthracnose aspergillus lasiodiplodia modélisation mathématique SenMangoFruitDDS Mendeley Data traitement d’image image estimation automatique Image Processing Techniques color space segmentation thresholding |
| Résumé : |
Les maladies des plantes, entraînent une réduction considérable, à la fois, de la
quantité et de la qualité de la production agricole mondiale. En raison du manque
d’infrastructures nécessaires et de la pauvreté, l’identification rapide de ces maladies
reste difficile dans de nombreuses régions du monde. Ces maladies constituent alors,
une menace majeure pour la sécurité alimentaire mondiale.
Aujourd’hui, plusieurs solutions basées sur l’Intelligence Artificielle (IA), notamment
l’apprentissage machine (Machine Learning (ML)) et l’apprentissage profond
(Deep Learning (DL)), ont été proposées par les chercheurs pour le diagnostic et la
détermination automatiques de la sévérité des maladies des plantes. Ces solutions,
malgré leurs nombreux avantages, présentent des limites qu’il convient de repousser.
Dans le cadre de cette thèse, nous avons, dans un premier temps, proposé un
jeu de données de 862 images de mangues saines et de mangues affectées par
les maladies telles que l’alternaria, l’anthracnose, l’aspergillus et le lasiodiplodia.
Sur ce jeu de données baptisé SenMangoFruitDDS et disponible en ligne, sur la
plateforme Mendeley Data, nous avons appliqué une nouvelle stratégie d’augmentation
de données qui nous a permis d’avoir un jeu de données augmenté
de 64 071 images qui donne au modèle de Réseau de Neurones Convolutif
(CNN) ResNet50 un accuracy et un F1_score de classification des maladies de
98.20% chacun. Dans un deuxième temps, nous avons proposé deux solutions de
détermination automatique de la sévérité des maladies du manguier à partir de
fruits infectés. La première solution consistant à une quantification de la sévérité
des maladies sur les fruits est basée sur les techniques de traitement d’images
(Image Processing Techniques (IPT)) telles que le color space segmentation
et le thresholding. Cette solution peut calculer la sévérité des maladies avec un
accuracy de 98.06%. La seconde solution est basée sur le DL, notamment le CNN
ResNet50 et la technique d’apprentissage par transfert (transfer learning). Elle
utilise la première solution pour répartir les images de mangues infectées dans
SenMangoFruitDDS en trois niveaux (ou classes) de sévérité à savoir précoce,
intermédiaire et final. Cette solution d’estimation automatique de la sévérité des
maladies a obtenu d’excellentes performances de classification (accuracy : 97.82% et
un F1_score : 97.79%). En fin, nous avons développé une application mobile dans
laquelle sont déployées les solutions de diagnostic et d’estimation automatiques
de la sévérité des maladies considérées du manguier. Cette application est d’une
importante utilité pour les producteurs de mangues africains, notamment sénégalais |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=1606 |
Approches par Apprentissage Profond pour le diagnostic et l’estimation de la sévérité des maladies du manguier dans les pays en voie de développement : cas du Sénégal [texte imprimé] / Demba Faye, Auteur . - Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Mathématiques et Informatique, 2024 . - 82 P. ; 29 cml. Langues : Français ( fre)
| Mots-clés : |
maladie plante diagnostic automatique sévérité Apprentissage Machine Apprentissage Profond réseau de neurones convolutifs manguier pays en voies de développement réseau de neurones Intelligence Artificielle Machine Learning Deep Learning maladie des plante donnée alternaria anthracnose aspergillus lasiodiplodia modélisation mathématique SenMangoFruitDDS Mendeley Data traitement d’image image estimation automatique Image Processing Techniques color space segmentation thresholding |
| Résumé : |
Les maladies des plantes, entraînent une réduction considérable, à la fois, de la
quantité et de la qualité de la production agricole mondiale. En raison du manque
d’infrastructures nécessaires et de la pauvreté, l’identification rapide de ces maladies
reste difficile dans de nombreuses régions du monde. Ces maladies constituent alors,
une menace majeure pour la sécurité alimentaire mondiale.
Aujourd’hui, plusieurs solutions basées sur l’Intelligence Artificielle (IA), notamment
l’apprentissage machine (Machine Learning (ML)) et l’apprentissage profond
(Deep Learning (DL)), ont été proposées par les chercheurs pour le diagnostic et la
détermination automatiques de la sévérité des maladies des plantes. Ces solutions,
malgré leurs nombreux avantages, présentent des limites qu’il convient de repousser.
Dans le cadre de cette thèse, nous avons, dans un premier temps, proposé un
jeu de données de 862 images de mangues saines et de mangues affectées par
les maladies telles que l’alternaria, l’anthracnose, l’aspergillus et le lasiodiplodia.
Sur ce jeu de données baptisé SenMangoFruitDDS et disponible en ligne, sur la
plateforme Mendeley Data, nous avons appliqué une nouvelle stratégie d’augmentation
de données qui nous a permis d’avoir un jeu de données augmenté
de 64 071 images qui donne au modèle de Réseau de Neurones Convolutif
(CNN) ResNet50 un accuracy et un F1_score de classification des maladies de
98.20% chacun. Dans un deuxième temps, nous avons proposé deux solutions de
détermination automatique de la sévérité des maladies du manguier à partir de
fruits infectés. La première solution consistant à une quantification de la sévérité
des maladies sur les fruits est basée sur les techniques de traitement d’images
(Image Processing Techniques (IPT)) telles que le color space segmentation
et le thresholding. Cette solution peut calculer la sévérité des maladies avec un
accuracy de 98.06%. La seconde solution est basée sur le DL, notamment le CNN
ResNet50 et la technique d’apprentissage par transfert (transfer learning). Elle
utilise la première solution pour répartir les images de mangues infectées dans
SenMangoFruitDDS en trois niveaux (ou classes) de sévérité à savoir précoce,
intermédiaire et final. Cette solution d’estimation automatique de la sévérité des
maladies a obtenu d’excellentes performances de classification (accuracy : 97.82% et
un F1_score : 97.79%). En fin, nous avons développé une application mobile dans
laquelle sont déployées les solutions de diagnostic et d’estimation automatiques
de la sévérité des maladies considérées du manguier. Cette application est d’une
importante utilité pour les producteurs de mangues africains, notamment sénégalais |
| Permalink : |
https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=1606 |
|  |
Accueil
Affiner la rechercheApproches par Apprentissage Profond pour le diagnostic et l’estimation de la sévérité des maladies du manguier dans les pays en voie de développement : cas du Sénégal / Demba Faye (2024)
