Classification d’ images agricoles avec le Deep Learning .
| dc.contributor.author | Bouadi Dyhia | |
| dc.contributor.author | Imarazene Thanina | |
| dc.contributor.other | Aoudjit Rachida ép. Lagab | |
| dc.date.accessioned | 2021-02-28T10:26:45Z | |
| dc.date.available | 2021-02-28T10:26:45Z | |
| dc.date.issued | 2019 | |
| dc.description | 98 f. : ill. ; 30 cm. (+ CD-Rom) | en |
| dc.description.abstract | Dans l'optique de voir la population mondiale augmenter grandement dans les prochaines années, l'agriculture va devoir subvenir à des besoins de plus en plus croissants, notamment dans les cultures. Ainsi l'Homme doit trouver des nouveaux moyens permettant un rendement bien plus élevé. Celui-ci peut être augmenté de plusieurs manières, notamment par une extension du territoire cultivable. Cependant, cette solution ne pourra pas complètement nourrir les générations futures, vu que les surfaces agricoles sont limitées en espace et que l'expansion urbaine fait prendre de plus en plus de place à la ville. L'amélioration du rendement d'une parcelle grâce à la technologie apparaît donc comme un moyen utile pour subvenir à ces futurs besoins. Parmi ces technologies, on retrouve l'agriculture de précision. L'agriculture de précision est une continuité de la révolution verte, c'est à dire la politique menée par différents pays du monde dans les années 60-90 et qui vise à intensifier les rendements de l'agriculture, notamment en choisissant les variétés de plantes les plus rentables et en utilisant des pesticides et autres intrants (produits apportés à la terre comme l'engrais, les semences, les amendements, les produits phytosanitaires etc ).Elle permet de mieux comprendre et analyser les besoins physiologiques des cultures et de développer des outils d'aide à la décision pour l'utilisateur . De nos jours, l'agriculture nécessite une compréhension des besoins de chaque parcelle, voire même de chaque plante. Parmi les moyens utilisé par l'agriculture de précision on a la télédétection qui fournit des données très utiles pour identifier et surveiller les cultures , Elle constitue un moyen d'acquisition de données géographique de plus en plus intéressant, qui évolue vers les grandes échelles. Avec les résolutions actuelles, elle est particulièrement bien adaptée à l'analyse de parcellaires agricoles, mais aussi à de nombreuses autres applications à petite échelle: prévision de récoltes à l'échelle régionale ou mondiale, analyses statistiques, suivi des évolutions d'un territoire, ... Les sélectionneurs peuvent l'utiliser pour caractériser les plantes plus facilement et rapidement en réduisant lamain d'oeuvre sur des tâches souvent fastidieuses (comptages manuels , détection de maladies .). Afin de mesurer l'efficacité de la classification faite par AlexNet et Resnet 50 on a utilisé deux indicateurs de performance la matrice de confusion et la courbe ROC | en |
| dc.identifier.citation | Réseaux Mobilité Et Systèmes Embarqués | |
| dc.identifier.other | MAST.INF.01-19 | en |
| dc.identifier.uri | https://dspace.ummto.dz/handle/ummto/12260 | |
| dc.language.iso | fr | en |
| dc.publisher | Université Mouloud Mammeri | en |
| dc.subject | Agriculture de Précision | en |
| dc.subject | Artificial Intelligence | en |
| dc.subject | Réseaux de neurones | en |
| dc.subject | Deep Learning | en |
| dc.subject | GlobalPositioningSysteme | en |
| dc.title | Classification d’ images agricoles avec le Deep Learning . | en |
| dc.type | Thesis | en |