REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

PAIX-TRAVAIL-PATRIE PEACE-WORK-FATHERLAND

Ministère De l’Enseignement Ministry Of Higher

Supérieur Education

Ecole Nationale Supérieure National Advanced School Of

Polytechnique De Maroua Engineering Of Maroua

Département D’ Informatique Department Of Computer Science

Et De Télécommunication And Telecommunications
B.P./P.O. 46 Maroua
Tél/Phone : (237) 222 254 039
Site : http://www.enspm.univ-maroua.cm
E-mail : enspm@univ-maroua.cm

TRAVAIL PERSONNEL DE L’ETUDIANT

UE : SEC 437 INTELLIGENCE ARTIFICIELLE ET APPLICATIONS
GROUPE 1 SECURITE ET CRYPTOGRAPHIE

Liste des participants :

Noms et Prénoms Matricules Niveau

GWETH GWETH DENIS RUFIN 20C0218EP IC4

DJABOU KAOUTOING EVE 22E0501EP IC4

KAMTEU KENGNE ALOYSE 20C0220EP IC4

DIDIER

SOUNKOUA ROGER 22E0518EP IC4

Sous la supervision de : M. NOUNAMO DABOU Patrick

Année Académique : 2023-2024
 Table des matières

Table des matières .....................................................................................................................................2

Introduction ............................................................................................................................................... 4

PRESENTATION DES RESEAUX DE NEURONES CONVOLUTIFS ...............................................4

Définition .....................................................................................................................................4

Concept ........................................................................................................................................4

Principe de fonctionnement .........................................................................................................5

Figure 1 : Schéma représentant l’architecture d’un CNN ...........................................................5

Figure 2 : Schéma du parcours de la fenêtre de filtre sur l’image ..............................................6

Figure : Processus de Max-Pooling .............................................................................................6

Figure 3: Représentation d’un perceptron multicouche ..............................................................7

Avantages et Inconvénients .........................................................................................................8

PRESENTATION DES RESULTATS OBTENUS ENTRE 2021 ET 2023 sur les CNN ......................8

le développement d’un système intelligent pour la détection et la classification des graines de

semences de résineux .................................................................................................................. 8

Conception et implémentation d’un système de détection et classification des maladies

foliaires ........................................................................................................................................ 9

Approche multi-critère pour la caractérisation des adventices dans une agriculture de

précision .......................................................................................................................................9

Détection automatique d’objets agricoles avec du Machine Learning .....................................10

Segmentation sémantique par réseaux neuronaux des espèces indésirables dans la culture
agricole ...................................................................................................................................... 10

Détection de la maladie des feuilles du mais à l’aide de réseaux neuronaux ...........................11

Génération de données synthétiques pour les Datasets ............................................................ 11

TABLEAU RÉCAPITULATIF .............................................................................................................. 12

IMPLEMENTATION DU MODELE SUR PYTHON .......................................................................... 14

Préparation des données ............................................................................................................ 14

Définition de l’architecture du CNN .........................................................................................14

Figure 4 : Creation de 3 couches de convolution avec une taille de noyau de 3*3 .................15

Construction du modèle CNN ................................................................................................... 15

 Figure 5 : Importation de Tensorflow ...................................................................................... 15

Prétraitement des données .........................................................................................................15

Figure 5 : Utilisation de ImageDataGeneretor pour l’augmentation de données .....................15

Entraînement du modèle ............................................................................................................16

Figure 6 : Utilisation de la méthode fit pour entraîner le modèle .............................................16

Evaluation du modèle ................................................................................................................16

Figure 7 : Evaluation de la perte et de l’exactitude avec tes_loss et test_accuracy ................. 16

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.

PRESENTATION DES RESEAUX DE NEURONES CONVOLUTIFS

Définition
Les réseaux de neurones, également appelé CNN (Convolutional Neural Network) en
anglais, est une architecture de réseau neuronal profond spécifiquement conçue
pour le traitement des images et des données en grille et inspiré par le
fonctionnement du cortex visuel animal. Il est largement utilisé dans les domaines
de la vision par ordinateur, de la reconnaissance d’images, de la classification
d’images.En d’autres termes une catégorie avancée de réseaux de neurones
artificiels, spécifiquement conçus pour manipuler des données structurées sous
forme de grilles, avec un accent particulier sur le traitement d’images.

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;

• Chaque couche reçoit en entrée des données et les renvoie transformées.

Pour cela, elle calcule une combinaison linéaire puis applique éventuellement
une fonction non-linéaire, appelée fonction d’activation. Les coefficients de la
combinaison linéaire définissent les paramètres (ou poids) de la couche;

• Un réseau de neurones est construit en empilant les couches : la sortie d’une

couche correspond à l’entrée de la suivante.

• Cet empilement de couches définit la sortie finale du réseau comme le

résultat d’une fonction différentiable de l’entrée

• La dernière couche calcule les probabilités finales en utilisant pour fonction

d’activation la fonction logistique (classification binaire) ou la fonction
softmax (classification multi-classes)

• 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.

Figure 1 : Schéma représentant l’architecture d’un CNN

Dans le problème de classification, ce vecteur contient les probabilités
d’appartenance aux classes.Les étapes de leur fonctionnement sont les suivantes :
 • Convolution : La convolution est le pilier essentiel des CNN. Des filtres,
également désignés sous le nom de noyaux de convolution, sont appliqués à
des zones locales de l’image d’entrée. Ces filtres permettent de détecter des
motifs spécifiques tels que des contours, des textures ou des formes, en
exécutant des opérations de multiplication et d’addition.

Figure 2 : Schéma du parcours de la fenêtre de filtre sur l’image

• Fonction d’Activation : Suite à la convolution, une fonction d’activation non

linéaire est couramment appliquée, préférentiellement la fonction ReLU
(Rectified Linear Unit). Cette fonction injecte de la non-linéarité dans le
modèle, autorisant ainsi le réseau à capturer des relations plus complexes au
sein des données.

• Pooling : Les couches de pooling sont employées pour réduire la dimension

spatiale des données tout en préservant les caractéristiques cruciales. Le
pooling, généralement réalisé par max pooling, sélectionne la valeur
maximale dans une région déterminée, contribuant à diminuer la complexité
du modèle.

Figure : Processus de Max-Pooling

 • Hiérarchie de caractéristiques : Au fil de la progression de l’information à
travers les différentes couches du réseau, des caractéristiques de plus en plus
abstraites et complexes sont extraites. Ce processus engendre une hiérarchie
de représentations, autorisant le réseau à comprendre des niveaux
d’abstraction variés.

• Couche Entièrement Connectée : Les caractéristiques apprises sont ensuite

dirigées vers des couches entièrement connectées localisées à la fin du
réseau. Ces couches agrègent les informations spatiales extraites, facilitant
l’exécution de la tâche spécifique du modèle, comme la classification.

Figure 3: Représentation d’un perceptron multicouche

• Couche de sortie : La dernière couche de la CNN est la couche de sortie qui

produit la prédiction finale. Elle utilise généralement la fonction d'activation
softmax pour normaliser les scores finaux en probabilités, afin de
représenter la confiance du modèle dans chaque classe.

• Apprentissage par Rétropropagation : L’entraînement des CNN s’opère au

moyen de l’algorithme de rétropropagation. Les poids des connexions sont
ajustés de manière itérative pour minimiser l’écart entre les prédictions du
réseau et les étiquettes réelles, permettant l’apprentissage automatique de
caractéristiques distinctives.
• Collecte d'informations et analyse des données : Pour le CNN, la collecte
d'informations implique généralement l'acquisition d'un grand ensemble de
données d'images et de leurs étiquettes correspondantes. Les données sont
ensuite prétraitées, telles que la normalisation des valeurs de pixel, avant
d'être utilisées pour l'entraînement du modèle.
 • Extraction et création du dataset : L'extraction des données dans un CNN se
fait grâce aux couches de convolutions qui captent les caractéristiques
importantes des images. Par la suite, ces caractéristiques peuvent être
utilisées pour la création d'un ensemble de données d'entraînement, de
validation et de test.

• Invariance Spatiale : Grâce à la convolution et au pooling, les CNN présentent

une invariance spatiale. Cela signifie qu’ils sont compétents pour reconnaître
des motifs indépendamment de leur position précise dans l’image, amplifiant
ainsi la généralisation du modèle.

• 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.

Il est courant d’ajouter des couches de régularisation, telles que la couche de

dropout, pour réduire le surapprentissage(Overfitting) et améliorer la
généralisation du modèle.

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.

PRESENTATION DES RESULTATS OBTENUS ENTRE 2021 ET 2023

sur les CNN
le développement d’un système intelligent pour la détection et la classification des
graines de semences de résineux
Le présent document rédigé par Mohamed Islem Ramoul porte sur la
détermination du nombre de graines dans un plateau d’ensemencement à partir
d’une image proche infrarouge dans le but d’améliorer l’ensemencement en
détectant les erreurs de façon automatique.L’analyse et le traitement automatique
d’un vignoble nécessitent de connaître le géoréférencement de chaque ligne de
vignes. Les coordonnées géographiques des vignes sont cependant longues et
difficiles à obtenir correctement avec des moyens traditionnels. Le but de cette
recherche est de simplifier cette tâche. Pour ce faire, la détection et la segmentation
des lignes de vigne à l’intérieur d’un vignoble doivent être améliorées. Deux
méthodes furent implémentées :
• La reconnaissance statistique de formes qui se base sur des données
statistiques expérimentales des caractéristiques des semences utilisant des
couches de filtrage afin d’isoler les objets non conformes aux caractéristiques
d’une graine à l’aide des données expérimentales statistiques avec une
précision de comptage obtenue d’approximativement 93 %.
• La reconnaissance de formes basées sur les réseaux de neurones convolutifs ,
on applique un apprentissage machine profond, qui extrait automatiquement
les caractéristiques de formes des graines avec une précision de comptage
obtenue d’approximativement 97 %.

Conception et implémentation d’un système de détection et classification des

maladies foliaires
L’identification des maladies foliaires est aujourd’hui très importante dans le
domaine agricole. La détection des maladies foliaires nécessite d’énormes quantités
de travail et de connaissances dans le domaine végétal. Ce projet pour l’objectif de la
conception et la réalisation d’un système intelligent qui permet de détecter et
classifier les maladies des plantes à l’aide d’un réseau de neurones spécialisé CNN.
Ce système proposé a été implémenté dans un Raspberry, les résultats des tests
montrent l’efficacité et la réussite de système proposé.

Approche multi-critère pour la caractérisation des adventices dans une agriculture de

précision
L’objectif de cette article est de mettre au point un moyen de détecter les
adventices dans un champ à l’aide d’images multispectrales, afin de pouvoir
déterminer quelles sont les adventices à éliminer pendant le cycle de culture en
cours et plus particulièrement aux stades précoces. L’approche multicritère
s’intéresse à la disposition spatiale, à la signature spectrale, à la morphologie et à la
texture des plantes présentes dans les parcelles. ils proposent une méthode
permettant de sélectionner les meilleurs critères pour une discrimination optimale
dans un contexte donné.
Préalablement à l’extraction de ces critères, un ensemble de méthodes ont
été développées afin de corriger les erreurs du dispositif d’acquisition, de détecter
précisément la végétation, puis d’identifier au sein de la végétation les individus sur
lesquels les différents critères peuvent être extraits. Pour l’étape de détection des
individus, il s’est révélé que l’échelle de la feuille était plus adaptée que celle de la
plante. La détection de la végétation et l’identification des feuilles s’appuient sur des
méthodes d’apprentissage profond, capables de traiter des feuillages denses..
Concernant le dispositif d’acquisition, une méthode de recalage des bandes
spectrales a été développée, et les résultats montrent une précision de l’ordre du
pixel. A titre indicatif, ces indices permettent d’atteindre 82.19% demIoU contre
63.93%-73.71% pour des indices standards et fonctionnent en environnement non-
contrôlé. Par extension, une méthode de détection des feuilles a été définie. Elle
repose sur la détection de leurs contours, et semble avantageuse sur nos données
multispectrales. Finalement, les meilleurs couples de propriétés ont été définis pour
la discrimination culture/adventices à l’échelle de la feuille, dont les performances
atteignent 91% de classification.

Détection automatique d’objets agricoles avec du Machine Learning

Dans cette article Vincent Schülé nous propose une méthode capable de
distinguer les objets agricoles dans un vignoble pour améliorer la viticulture en
utilisant des outils de Machine Learning pour détecter les objets agricoles dans un
vignoble. Pour se faire il utilise ici plusieurs architectures tels que le CNN, le faster
R-CNN(amélioration du R-CNN), le Mask R-CNN(l’amélioration suivante suivant le
Faster R-CNN ayant la particularité de segmenter chaque instance d’un objet avec
un masque sémantique) soutenus par un Resnet101(modèle CNN pré-
entraîné)..Cette recherche a suivi la méthodologie CRISP-DM afin de concevoir un
outil de segmentation et localisation des lignes de vignes à l’intérieur d’un vignoble.
Le processus final établi reste facile à utiliser et améliore la précision par rapport au
modèle de référence car pour la précision la référence est 73.98%, le faster R-CNN
est 75.99% et le Mask R-CNN est 70.69%.

Segmentation sémantique par réseaux neuronaux des espèces indésirables dans la

culture agricole
L’agriculture est souvent au cœur des discussions environnementales.
L’industrialisation de la production alimentaire passe en grande partie par des
produits chimiques qui ont des impacts en dehors des champs. L’application
sélective de ces produits est souvent difficile et il ne serait pas rentable d’effectuer
cette application manuellement. L’intelligence artificielle a beaucoup progressé dans
le traitement d’images au cours des dernières années, laissant entrevoir la
possibilité d’accomplir cette application sélective en temps réel lors du passage dans
les champs. L’entraînement de ces réseaux neuronaux nécessite un grand volume de
données réelles, données qui n’existent pas sans de grands efforts d’acquisition et de
classification préalable. Dans le cas de la culture agricole , il n’existe pas de données
facilement accessibles sur lesquelles travailler. Il faut donc trouver des approches
différentes. à l’aide d’un moteur graphique habituellement utilisé pour des jeux
vidéos (Unreal Engine), l’auteur a créé des environnements virtuels qui ont permis
l’entraînement de réseaux neuronaux sous Tensorflow/Keras. Cette approche a
permis de réduire considérablement l’effort d’acquisition et de classification de
données réelles. Le travail s’est entièrement déroulé sur un ordinateur de bureau,
sans nécessiter l’accès à des équipements spécialisés ou de grandes ressources
financières. L’entraînement sur les données virtuelles seulement a généré une
précision de 67% et 72% dans le jeu de données. Le réalisme des images et sa
correspondance au cas réel pourraient clairement être améliorés. Cependant,
l’entraînement incluant une petite quantité de données réelles a augmenté la
précision à 88%. Il n’est toutefois pas encore au niveau observé dans d’autres
travaux de recherches similaires (95%). Les données virtuelles ont possiblement un
plafond de performance maximale inférieur aux données réelles. Pour un usage
cartographique, cette précision combinée à l’imagerie par drone permettrait déjà de
créer des cartes utiles de classification des surfaces en cultures. L’obtention de tels
résultats suite aux efforts fournis indique que l’approche pourrait mener à un
système d’application en temps réel. Le réalisme des simulations est relié à la
qualité de l’entraînement.

Détection de la maladie des feuilles du mais à l’aide de réseaux neuronaux

La progression de la productivité du mais est escomptée en augmentation
annuelle, cependant, divers obstacles entravent cette croissance. L’incidence des
maladies figure parmi les facteurs contraignants. En règle générale, les maladies
affectant les plants de mais sont aisément identifiables par l’examen des feuilles.
L’objet du présent article réside dans l’exploration de la classification des maladies
foliaires du mais au moyen de la vision par ordinateur, faisant appel à un réseau
neuronal convolutif (CNN). Il vise à comparer la convolution profonde réseau
neuronal (CNN) AlexNet et Squeezenet. Le réseau a également utilisé optimisation,
descente de gradient stochastique avec élan (SGDM).L’ensemble de données pour
cette expérience a été extrait de PlantVillage avec 3852 images avec 4 classes, c’est-
à-dire sain, mildiou, tache et rouille. Les données sont divisées en 3
parties :formation, validation et tests. La formation et la validation sont à 80%, le
reste pour essai. Les résultats de la formation avec validation croisée produisent la
meilleure précision de 100% pour AlexNet et Squeezenet. De plus, les meilleurs
poids et les biais sont stockés dans le modèle pour tester la classification des
données. La reconnaissance des résultats utilisant AlexNet ont montré une précision
de 97,69%. Alors que les résultats de Squeezenet 44,49% de précision. A partir de
cet environnement expérimental, il peut être conclu qu’AlexNet est meilleur que
Squeeze Net pour les maladies des feuilles du mais classification.

Génération de données synthétiques pour les Datasets

La détection des maladies foliaires se trouve confrontée à un défi majeur lié à
l’acquisition et à l’étiquetage d’un grand volume d’images. L’adressage de cette
problématique nécessite une réflexion stratégique sur les moyens d’optimiser les
processus de collecte de données, tout en exploitant des approches innovantes pour
surmonter les limitations liées aux ressources humaines et financières.Pour cela,
l’auteur propose une méthode basée sur la génération des réseaux adversaires
(GNA).C’est un processus d’augmentation artificielle de la quantité de données en
générant de nouveaux points de données à partir de données existantes.Une GNA se
compose généralement de deux éléments essentiels, l’un étant un discriminateur (D)
chargé de discerner entre les images authentiques et celles générées, tandis que
l’autre est un générateur (G) spécialisé dans la création d’images visant à tromper le
discriminateur.Voici le principe de fonctionnement général:
 • Collecte de données : Tout d’abord, un ensemble de données contenant des
images de feuilles à la fois saines et malsaines est collecté et annoté.
• Architecture GAN : Un GAN est configuré avec un générateur et un
discriminateur. Le générateur prend des images aléatoires en entrée et tente
de générer des images de feuilles tandis que le discriminateur évalue la
qualité de ces images en les comparant aux images réelles de feuilles saines
et malsaines.

• Entraînement : Le générateur et le discriminateur sont formés en alternance.

Le générateur tente d’améliorer la qualité de ses sorties pour tromper le
discriminateur, tandis que le discriminateur est entraîné pour devenir de
plus en plus compétent dans la distinction entre les feuilles saines et
malsaines.
• évaluation : Une fois que le GAN est bien entraîné, le générateur peut être
utilisé pour créer de nouvelles images de feuilles.Ces images générées
peuvent ensuite être utilisées pour élargir l’ensemble de données
d’entraînement et améliorer la capacité du modèle à distinguer les feuilles
saines et malsaines.

• Résultat:En présentant une image d’une feuille au modèle, il peut prédire si la

feuille est saine ou malsaine en se basant sur l’apprentissage qu’il a effectué
lors de la phase d’entraînement.

TABLEAU RÉCAPITULATIF

Articles Auteurs Année de Technologies Précisions

publication utilisées

Le Islem Ramoul 2021 Référence :

développement 87.94%
d’un système
intelligent pour Résultats :
la détection et 96.4%
la classification
des graines de
semences de
résineux

Conception et BENALLAL 2021 CNN, Architecture

implémentation Khaoula, Raspberry, 1 : 64.99%
d’un système BOUATTOU Système
de détection et Maroua Intelligent, Architecture
classification RNA, 2 : 34.40%
des maladies
foliaires Architecture
3 : 97.06%
Architecture
4 : 75%

Etude des traits ABDI, 2023 Bulk, SSD, 74.51%

de productivité Mohamed, RESNET101,
et de la Ibrahim R-CNN
résistance aux BOSRI
maladies de
quelques
lignées
sélectionnées
de la tomates

Génération de Klai Aissa 2022 GAN, SAGAN, 69.22%

données ImgNet,
synthétiques
pour les
Datasets

Segmentation Anonyme 2021 Résultats :

sémantique par 88%
réseaux
neuronaux des Référence :
espèces 95%
indésirables
dans la culture
agricole

Détection de la Anonyme ---- AlexNet, AlexNet :

maladie des Squeezenet 97.69%
feuilles du mais
à l’aide de Squeezenet :
réseaux 44.49%
neuronaux
Détection Vincent Schülé 2019 R-CNN, faster Référence :
automatique R-CNN, Mask 73.98%
d’objets R-CNN
agricoles avec Faster R-CNN :
du Machine 75.99%
Learning Mask R-CNN :
70.69%

Utilisation de Mohamed 2021 Tensorboard, Exactitude :

l’apprentissage Amine OpenCV, 94.5%
profond pour la Bouthedadja Matplotlib,
classification Perte
des mauvaises d’entropie :
herbes dans le validation :
bleuet nain 32.3%,
apprentissage :
29.8%
Précision :
98%
Résultats
finals : <90%

IMPLEMENTATION DU MODELE SUR PYTHON

Préparation des données
Il sera d’abord question de collecter un bon nombre d’images de feuilles en
bon état et en mauvais état pour commencer un prétraitement des images collectées.
Ensuite, redimensionner des images au format requis par le CNN et diviser
l’ensemble de données en ensembles d’apprentissage, de validation et de test afin
d’élaborer le Dataset.

Définition de l’architecture du CNN

C’est la partie concernant le choix du nombre de couches de convolution avec
des filtres de taille n*n, l’utilisation de couche de pooling pour réduire la
dimensionnalité et l’ajout de couches entièrement connectées pour la classification
finale.
Figure 4 : Creation de 3 couches de convolution avec une taille de noyau de 3*3

Construction du modèle CNN

Il faut choisir une bibliothèque adaptée( soit TensorFlow, soit Keras) pour la
création d’un modèle séquentiel pour ensuite procéder à l’empilement des
différentes couches en respectant l’architecture définie.

Figure 5 : Importation de Tensorflow

Prétraitement des données

Il faut effectuer des augmentations de données sur l’ensemble
d’apprentissage et normaliser les pixels entre 0 et 1. Les générateurs de flux de
données sont préparés pour l’apprentissage et la validation.

Figure 5 : Utilisation de ImageDataGeneretor pour l’augmentation de données

Entraînement du modèle
Après avoir divisé les données en 3 ensembles vus plus haut il faudra utiliser
un algorithme d’optimisation, une fonction de perte et une fonction de métrique de
précision pour la compilation du modèle puis faire des itérations sur les modèles de
données d’entraînement pour ajuster les poids du réseau et fournir les générateurs
d’apprentissage et de validation, ainsi que d’autres paramètres tels que les étapes
par époque et le nombres d’époques.

Figure 6 : Utilisation de la méthode fit pour entraîner le modèle

Evaluation du modèle
Le modèle est évaluer selon l’ensemble de test pour obtenir la perte et
l’exactitude

Figure 7 : Evaluation de la perte et de l’exactitude avec tes_loss et test_accuracy

CONCLUSION

En conclusion,il était question de présenter les neurones de convolution dans

leur ensemble et les travaux qui ont été fait sur ce sujet.Les réseaux de neurones
convolutifs ont ouvert de nouvelles perspectives passionnantes dans le domaine du
suivi de la production agricole. Leur capacité á analyser et interpréter des données
d’imagerie haute résolution permet aux agriculteurs de surveiller de manière plus
précise l’état de leurs cultures, d’identifier les problèmes potentiels et de prendre
des mesures correctives plus rapidement. Avec une utilisation croissante de la
technologie des CNN, il est clair que ces outils joueront un rôle crucial dans l’avenir
de l’agriculture intelligente et durable. En effet, en combinant des données
d’imagerie avec des données météorologiques et des données sur le sol, les
agriculteurs peuvent obtenir une vision plus complète de leurs cultures et prendre
des décisions plus éclairées pour optimiser leurs rendements. De plus,
l’automatisation de certaines tâches agricoles grâce aux CNN permet non seulement
de réduire la quantité de produits chimiques nécessaires, mais aussi de minimiser
l’impact sur l’environnement.
Blibliographie

 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.