Smart farming : Système d'aide à la décision basé sur la fusion de données multi-sources
Le travail présenté dans ce manuscrit traite de l'intégration de données multi-sources, dans le cadre applicatif de l'agriculture de précision, en mettant l'accent sur la fusion de données issues de diverses modalités telles que les images satellitaires, aériennes et de proximité. La...
Shranjeno v:
| Glavni avtor: | |
|---|---|
| Drugi avtorji: | , , , , , , , , |
| Format: | Thèse numérique |
| Jezik: | Français |
| Izdano: |
2024.
|
| Teme: | |
| Online dostop: | Accès au texte intégral http://www.theses.fr/2024ISAB0012/abes https://theses.hal.science/tel-05072544 |
| Sporočilo: |
Thèse soutenue en co-tutelle Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire), Laboratoire Pluridisciplinaire de Recherche en Ingénierie des Systèmes et Mécanique Energétique (Laboratoire) Autre(s) contribution(s) : Sanaa El Fkihi (Président du jury) ; Adel Hafiane, Youssef Es-Saady, Sanaa El Fkihi, Thierry Chateau, Raphaël Canals, Mohamed El Hajji, Laure Tougne Rodet, Zine El Abidine El Morjani (Membre(s) du jury) ; Sanaa El Fkihi, Thierry Chateau, Salwa Belaqziz (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Smart farming :, Decision support system based on multi-source data fusion |
| Izvleček: | Le travail présenté dans ce manuscrit traite de l'intégration de données multi-sources, dans le cadre applicatif de l'agriculture de précision, en mettant l'accent sur la fusion de données issues de diverses modalités telles que les images satellitaires, aériennes et de proximité. La fusion de ces sources variées vise à exploiter leurs complémentarités pour améliorer la gestion des cultures, notamment dans le cadre de la détection des maladies.Plusieurs approches basées sur l'apprentissage profond ont ainsi été proposées, notamment les architectures Vision Transformers (ViT) et DeepLab, adaptées à la classification et à la segmentation sémantique. L'une des principales contributions de notre travail de recherche est l'architecture DIFD (Dual-Input Fusion network based on DeepLabV3+) qui permet de combiner les données satellitaires et aériennes pour générer des cartes précises de la couverture végétale. En combinant cette approche avec la détection de proximité à l'aide de capteurs de vision au sol, il est possible de générer des cartes précises de localisation des anomalies. Un cas d'étude exploré dans cette thèse concerne la détection de l'infestation de la cochenille sur le cactus. Une base de données d'images de proximité de cactus a été créée, permettant d'entraîner des modèles de classification pour le diagnostic de l'état de santé du cactus. Dans ce cadre nous avons développé d'une application mobile CactiViT, basée sur un modèle ViT, dans le but d'offrir aux agriculteurs un outil pratique de la surveillance d'état sanitaire du cactus à partir des images acquises avec leurs smartphones, sans nécessiter de connexion Internet. Ce travail met en avant les avantages de l'utilisation de l'intelligence artificielle (IA) et de la vision par ordinateur dans l'agriculture, tout en soulignant les défis techniques liés à l amélioration des modèles IA à des environnements variés. Les résultats obtenus montrent l'efficacité des approches proposées pour la fusion de données multi-sources et la classification de l'état sanitaire des cactus. Des perspectives d'amélioration ont également été identifiées, notamment l'intégration de nouvelles données, en vue de proposer des solutions plus robustes et généralisables à d'autres types de cultures et d'environnements. The work presented in this manuscript addresses the integration of multi-source data within the framework of precision agriculture, with a focus on the fusion of data from various modalities, such as satellite, aerial, and proximal images. The fusion of these diverse sources aims to exploit their complementarity to improve crop management, particularly in the context of disease detection.Several approaches based on deep learning have been proposed, notably Vision Transformers (ViT) and DeepLab architectures, tailored for classification and semantic segmentation tasks. One of the main contributions of our research is the DIFD (Dual-Input Fusion network based on DeepLabV3+) architecture, which combines satellite and aerial data to generate precise vegetation cover maps. By integrating this approach with proximity detection using ground-based vision sensors, it becomes possible to produce accurate anomaly location maps. A case study explored in this thesis concerns the detection of cochineal infestation on cacti. A database of proximal cactus images was created, enabling the training of classification models for diagnosing the health status of the cacti.In this context, we developed the mobile application CactiViT, based on a ViT model, aimed at providing farmers with a practical diagnostic tool using images captured with their smartphones, without requiring an Internet connection. This work highlights the advantages of using artificial intelligence (AI) and computer vision in agriculture, while also addressing the technical challenges related to improving AI models for diverse environments. The results demonstrate the effectiveness of the proposed approaches for multi-source data fusion and cactus health status classification. Opportunities for improvement have also been identified, particularly through the integration of new data, with the goal of providing more robust and generalizable solutions to other types of crops and environments. |
|---|---|
| Opis knjige/članka: | Thèse soutenue en co-tutelle Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire), Laboratoire Pluridisciplinaire de Recherche en Ingénierie des Systèmes et Mécanique Energétique (Laboratoire) Autre(s) contribution(s) : Sanaa El Fkihi (Président du jury) ; Adel Hafiane, Youssef Es-Saady, Sanaa El Fkihi, Thierry Chateau, Raphaël Canals, Mohamed El Hajji, Laure Tougne Rodet, Zine El Abidine El Morjani (Membre(s) du jury) ; Sanaa El Fkihi, Thierry Chateau, Salwa Belaqziz (Rapporteur(s)) |
| Format: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |
| Dostop: | Thèse soumise à l'embargo de l'auteur jusqu'au 11 mai 2025 |