Académique Documents
Professionnel Documents
Culture Documents
PAIX-TRAVAIL-PATRIE PEACE-WORK-FATHERLAND
Introduction ............................................................................................................................................... 4
Définition .....................................................................................................................................4
Concept ........................................................................................................................................4
PRESENTATION DES RESULTATS OBTENUS ENTRE 2021 ET 2023 sur les CNN ......................8
Segmentation sémantique par réseaux neuronaux des espèces indésirables dans la culture
agricole ...................................................................................................................................... 10
Figure 4 : Creation de 3 couches de convolution avec une taille de noyau de 3*3 .................15
CONCLUSION ....................................................................................................................................... 17
Blibliographie ..........................................................................................................................................18
Introduction
Les réseaux de neurones convolutifs, ou CNN, ont révolutionné de nombreux
domaines, y compris l’agriculture. Grâce à leur capacité à analyser de grandes
quantités de données d’imagerie, les CNN sont devenus un outil essentiel dans le
suivi et la gestion des cultures. En effet, ces réseaux peuvent être utilisés pour
surveiller la croissance des cultures, détecter les maladies et les ravageurs, estimer
les rendements potentiels, et même prédire les besoins en irrigation, les CNN
peuvent également être utilisés pour cartographier les champs et estimer les
rendements potentiels ,automatiser certaines tâches agricoles, telles que le
désherbage ou la pulvérisation des cultures en utilisant des drones équipés de
caméras et des algorithmes de CNN, les agriculteurs peuvent cibler plus précisément
les zones à traiter, réduisant ainsi la quantité de produits chimiques nécessaires et
minimisant l’impact sur l’environnement. Nous allons ainsi faire la présentation de
ces CNN passant par la définition à la présentation de l’algorithme ensuite nous
allons présenter quelques articles qui traitent sur le sujet et enfin un tableau
d’analyse comparative.
Concept
Les réseaux de neurones convolutifs représentent une avancée majeure dans le
domaine de l’intelligence artificielle, avec des implications notables dans la
résolution de problèmes complexes liés à la vision par ordinateur. Leur capacité à
autonomiser le processus d’apprentissage des caractéristiques spatiales et
hiérarchiques les positionne en tant qu’outil fondamental pour l’analyse avancée de
données structurées sous forme de grilles, particulièrement adapté à la
compréhension et à l’interprétation d’images. Parlant donc de concept les
principaux éléments à retenir sont:
• Un réseau de neurones est un système composé de neurones, généralement
répartis en plusieurs couches connectées entre elles;
• Un tel système s’utilise pour résoudre divers problèmes statistiques, mais
nous nous intéressons ici qu’au problème de classification (très courant).
Dans ce cas, le réseau calcule à partir de l’entrée un score (ou probabilité)
pour chaque classe. La classe attribuée à l’objet en entrée correspond à celle
de score le plus élevé;
• Une fonction de perte (loss function) est associée à la couche finale pour
calculer l’erreur de classification. Il s’agit en général de l’entropie croisée
• Les valeurs des poids des couches sont appris par rétropropagation du
gradient : on calcule progressivement (pour chaque couche, en partant de la
fin du réseau) les paramètres qui minimisent la fonction de perte régularisée.
Principe de fonctionnement
Un CNN est simplement un empilement de plusieurs couches de convolution,
pooling, correction ReLU et fully-connected. Chaque image reçue en entrée va donc
être filtrée, réduite et corrigée plusieurs fois, pour finalement former un vecteur.
• Applications : Les CNN sont déployés avec succès dans divers secteurs,
notamment la classification d’images, la détection d’objets, la segmentation
sémantique, la reconnaissance faciale, et bien d’autres. Leur utilité étendue
les positionne comme des outils indispensables dans le champ de la vision
par ordinateur et de l’apprentissage profond.
Avantages et Inconvénients
Les CNN sont capables de capturer des structures spatiales et de hiérarchiser
les caractéristiques d’une image. Ils sont efficaces pour le traitement d’images grâce
à la réutilisation des paramètres des filtres et peuvent automatiquement apprendre
des caractéristiques discriminantes sans nécessiter une ingénierie manuelle.
Néanmoins les CNN peuvent être complexes à concevoir et nécessiter beaucoup de
données d’entraînement pour obtenir de bons résultats et peuvent être sensibles à
la taille et à la qualité des données d’entrée ce qui rend l’interprétabilité des
résultats parfois difficile en raison de la complexité du modèle.
TABLEAU RÉCAPITULATIF
Evaluation du modèle
Le modèle est évaluer selon l’ensemble de test pour obtenir la perte et
l’exactitude
https://Datascientest.com/convolutional-neural-network#
MOHAMED AMINE BOUHEDADJA ,Utilisation de l’apprentissage profond pour la
classification des mauvaises herbes dans la bleuet nain
ISLEM RAMOUL, développement d’un système intelligent pour la détection et la
classification des graines de semences de résineux
https://scholar.google.com/scholar?as_ylo=2022&q=10+articles+sur+les+les+r
eseaux+neurones+de+convolution+en+suivis+de+production+agricole&hl=fr&a
s_sdt=0,5
Agriculture de précision • Les Horizons.” https://leshorizons.net/cest-quoi-
agriculture-de
precision/ (accessed Jun. 22, 2021).
“L’agriculture de précision : de quoi s’agit-il et quels avantages offre-t-elle ?”
https://www.mccormick.it/fr/lagriculture-de-precision/ (accessed Jun. 15, 2021)
https://openclassrooms.com/fr/courses/4470531-classez-et-segmentez-des-
donnees-visuelles/5088816-apprenez-a-construire-un-cnn-et-gagnez-du-
temps-avec-le-transfer-learning
Belmesmar, Bachir, and Yacine Bebboukha. Utilisation de la perception visuelle
pour la fusion d'images multi-focus. Diss. UNIVERSITY OF KASDI MERBAH
OUARGLA.