THÈME

Conception et Implémentation d’un système de détection des

ravageurs pour l'agriculture de précision basée sur
l'apprentissage automatique
Titre : Conception et Implémentation d’un système de détection des ravageurs pour
l'agriculture de précision basée sur l'apprentissage automatique

Mots clés : internet des objets-surveillance-insectes-Deep Learning-système embarqué

Résumé :

Ce travail s’inscrive dans le contexte de réalisation d’une start-up. L’objectif est de concevoir
une solution intelligente de surveillance des insectes en temps réel qui aide l’agriculteur,
l’agronome, ou producteurs de prendre la décision en bon moment cette solution basé sur la
vision et l’intelligence artificielle.
 REMERCIEMENTS

« À mes chers parent ma mère et mon père pour leur Patience, leur amour, leur soutien et leur
encouragement. Nos sincères remerciements à tous les membres du jury qui nous ont fait
l’honneur de réviser ce travail. Un remerciement spécial au M. Bachir Ben Brika et au Mme
Nawrez Mejri pour leur patience, leur aide et leurs conseils pour élaborer ce travail. Une
personne que je dois mentionner pour son aide est Mme Najjar Wafa, un grand merci pour son
soutien »
 SOMMAIRE

Table des matières

Introduction Générale............................................................................................................................................................... 10

Contexte de projet......................................................................................................................................................................... 10

CHAPITRE 1. INTERNET DES OBJETS ET AGRICULTURE INTELLIGENTE.................................................................15

I. Internet des objets : Définition....................................................................................................................................... 15

II. Caractéristiques................................................................................................................................................................. 15

III. Architecture........................................................................................................................................................................ 16

1. Capteurs et appareils............................................................................................................................................................. 17

2. Connectivité............................................................................................................................................................................ 19

3. Cloud........................................................................................................................................................................................ 22

4. Interface utilisateur............................................................................................................................................................... 24

IV. Solutions IoT...................................................................................................................................................................... 25

1. Systèmes d’eau intelligents.................................................................................................................................................. 25

2. Conservation de l’énergie.................................................................................................................................................... 25

V. Agriculture intelligente.................................................................................................................................................... 26

1. Définition................................................................................................................................................................................ 26

2. Solutions existants................................................................................................................................................................. 26

1. Surveillance et automatisation du bétail..............................................................................................................26

2. Serre intelligente.....................................................................................................................................................28

VI. Avantages............................................................................................................................................................................ 28

CHAPITRE 2. MACHINE LEARNING POUR LA CLASSIFICATION D’IMAGES...............................................................30

I. Apprentissage automatique............................................................................................................................................ 30

II. Chaine de traitement pour la classification d’image.................................................................................................30

III. Deep Learning.................................................................................................................................................................... 31

1. Artificial Neural Network - ANN :..................................................................................................................................... 32

2. Réseaux de neurones profonds (Deep Neural Network - DNN) :................................................................................ 32

IV. Architecture de réseau CNN........................................................................................................................................... 33

1. Modèles.................................................................................................................................................................................... 34

2. Framework.............................................................................................................................................................................. 34

3. Implémentation...................................................................................................................................................................... 37

CHAPITRE 3. PIEGE DE SURVEILLANCE D’INSECTES : GRAND CULTURE..................................................................39

I. Méthodes de dépistage classiques.................................................................................................................................. 39

II. Piège connecté.................................................................................................................................................................... 39

1. Définition................................................................................................................................................................................ 39

1. Fonctionnement des pièges intelligents............................................................................................................................. 39

2. Solutions existants................................................................................................................................................................. 40

1. DTN Smart Trap....................................................................................................................................................40

2. Trapview.................................................................................................................................................................41

3. e-Gleek.....................................................................................................................................................................42

4. Fauna photonics......................................................................................................................................................43

I. Avantages et inconvénients de pièges connectés.........................................................................................................45

II. Opportunité sur le marché nationale............................................................................................................................ 46

CHAPITRE 4. ANALYSE FONCTIONNELLE ET ETUDE CONCEPTUELLE.......................................................................49

I. Concept de solution........................................................................................................................................................... 49

1. Présentation de la maquette................................................................................................................................................. 49

1. Rôle de Raspberry Pi.............................................................................................................................................50

2. Capteur....................................................................................................................................................................50

2. Le système embarqué............................................................................................................................................................ 51

1. Architecture........................................................................................................................................................................ 51

II. Langages de programmation et outils libres utilisés................................................................................................. 53

1. Langage de programmation................................................................................................................................................ 53

2. Outils de conception......................................................................................................................................................... 56

1. Draw.io..................................................................................................................................................................................... 56

2. SketchUp................................................................................................................................................................................. 57

3. Modélisation avec UML....................................................................................................................................................... 57

1. Diagramme des cas d’utilisation...........................................................................................................................58

 2. Diagramme de séquence........................................................................................................................................59

III. Acquisitions, traitement et envoi de données au serveur......................................................................................... 59

Chapitre 5 : Mise en œuvre de système.................................................................................................................................... 63

Introduction................................................................................................................................................................................... 63

I. Matérialisation des fonctionnalités du système.......................................................................................................... 63

1. Choix de la solution............................................................................................................................................................... 63

2. Présentation des équipements............................................................................................................................................. 65

1. Raspberry Pi...........................................................................................................................................................65

2. Capteurs utilisé : caméra Raspberry Pi v2..........................................................................................................67

Chapitre 6 : Etude financiers..................................................................................................................................................... 69

Introduction................................................................................................................................................................................... 69
 SIGLES ET ABREVIATIONS

FAO Food and Agriculture Organization

UML Unified Modeling Language

GPS Global Positioning System

RFID Radio Frequency IDentification

LAN Local Area Network

GSM Global system for mobile communications

WAN Wide Area Network

IT Information Technology

NFC Near Field Communication

CAN Convertisseur Analogic/Numerique

RAM Random access memory ...

EEPROM Electrically Erasable Programmable Read-Only

IEEE Transactions on Electron Devices

PDA Personal Digital Assistant

LPWAN Low Power Wide Area Network

M2M Machine to machine

SDK Software development kit

AWS Amazon Web Services

CSA Community Supported Agriculture

FPGA Field-programmable gate array

BSD Berkeley Software Distribution

CPU Central Processing Unit

GPU Graphics Processing Unit

TPU Tensor Processing Unit

API Application Programming Interface

IoT Internet of thing

 Introduction générale: contexte et sujet de

mémoire

Cette partie a pour objectif d’exposer le contexte lié à cette mémoire. Ce projet ayant pour nom
« Liris » a pour objectif la surveillance à distance des insectes .Nous consistons à implémenter
un système de détections de ravageurs pour l’agriculture de précision basée sur l’apprentissage
automatique ce chapitre présente le contexte général et définissant la problématique et la
manuscrit.
Introduction Générale

Les technologies électroniques et TIC gagnent du terrain dans les services agricoles,
l'agriculture de précision développe de nouvelles solutions pour la gestion de l'eau, l’analyse de
sol, optimisation des traitements ; puisque le but de l'agriculture de précision est d'obtenir le
produit le plus sain de manière durable. La plupart de ces applications utilisent des capteurs
intelligents qui sont gérés à partir de systèmes embarqués à faible coût et à faible
consommation d'énergie.

Selon les estimations de la FAO, entre 20% et 40% de la production agricole mondiale est
détruite chaque année par les parasites. Chaque année, l’impact économique de ces pertes liées
aux les insectes ravageurs sont estimées à hauteur de 70 milliards d’euros.

Néanmoins l’agriculture tunisienne a beaucoup de contraintes liées aux méthodes de lutte

antiparasitaire, aux surveillances des ravageurs et aux l’utilisation des engrais chimiques.
Quelles solutions existent pour rendre cette agriculture plus efficace et plus facile à gérer :

- La collecte et l’accès aux informations ?

- Optimiser la protection des cultures?

- L’inspection précoce des insectes ravageurs ?

Contexte de projet
Ce travail présente une solution d’agriculture intelligente et innovante basée sur l’apprentissage
automatique et des objets connectés destiné à toute personne désirant obtenir ou collecter les
informations sur les insectes ravageurs dans sa parcelle en temps réel.

Problématique

Les organismes nuisibles, en particulier pour les végétaux, sont l’un des principaux facteurs de
pertes de production et de biodiversité dans le monde. De plus en plus fréquemment, des
maladies et des ravageurs émergent ou ressurgissent, portant atteinte à la santé des plantes et,
par extension, à l’environnement, notre alimentation et notre santé. Lutter contre ces menaces
représente un coût et, si l’on y ajoute les pertes de production qu’elles occasionnent, chaque
année plusieurs milliards d’euros à l’échelle mondiale sont investis ou perdus. « Philippe
Reignault , directeur de la santé des végétaux et du Laboratoire de la santé des végétaux de
l’Anses ». En effet ; les attaques de ravageurs impactent fortement la production il est donc
indispensable de mettre en place une prévention efficace pour éviter des conséquences
importantes.

La sur utilisation des pesticides est en partie due au fait que les informations sur les espèces et
les densités de ravageurs ne peuvent être fournies en temps opportun et avec précision. En
revanche, si les informations sont fournies en temps opportun, il pourrait être possible de
prendre des mesures de prévention appropriées et d'adopter des stratégies de lutte antiparasitaire
appropriées, y compris l'utilisation rationnelle des pesticides. Au regard de tous ces problèmes
et vu l’essor fulgurant de la technologie, l’intégration de TIC dans le processus de production
agricole pour aider à la prise de décisions.

Explication du sujet

Nous allons décrire le sujet, ses objectifs, son périmètre, et définissant la manuscrit de travail. Le
mémoire de fin d’étude pour l’obtention du diplôme Master Professionnel Co-construite en
nouvelles technologies de la communication et de l’information dédiée à l’innovation de
l’agriculture a été intitulé «Conception et implémentation d’un système de détection des ravageurs
pour l'agriculture de précision basée sur l'apprentissage automatique de l'IoT »

L’agriculture intelligente permet une transformation majeure de la production agricole afin de

relever les défis et contraintes pour une augmentation de la productivité. Le fait de détecter des
problèmes tôt permet à un agriculteur de les résoudre avant que la culture ne subisse de graves
dégâts. La détection précoce des problèmes de ravageurs est essentielle pour permettre la prise
de décisions en temps opportun avant qu'il ne soit trop tard. Si le ravageur n'est pas connu de
l’agriculteur, la détection précoce signifie qu'il y a plus de temps pour l'identifier correctement.

La présent mémoire propose une solution d’agriculture intelligente, Au lieu de contrôler

manuellement les pièges dans les parcelles, il compte et classifie automatiquement les insectes.
Nous utiliserons des composants électroniques tels que un capteurs d’image, commandés par un
Raspberry Pi pour l’acquisition et le traitement des informations. Ces composants
communiquent entre eux grâce à des protocoles standards.
 Objectif du mémoire

Le but de ce mémoire est de proposer une maquette d’un piège connecté qui sera suivie d’une
application mobile permettant de visualiser, à partir d’un réseau distant en temps réel, les
informations liées aux insectes. L’interface sera simple et intuitive pour permettre à
l’utilisateur, un accès rapide à l’information, notre système est d’aider un simple agriculteur,
avec un équipement très simple, facile à manipuler. L’objectif est de contrôler intelligemment
une zone agricole contre les insectes.

Afin de bien mener ce projet, les objectifs intermédiaires suivants sont définis

- Comprendre les notions associées au sujet ;

- Définir les fonctionnalités du système et les données à traiter

- Choisir les outils et langage de programmation à utiliser ;

- Concevoir des architectures matérielles et logicielles du système, ainsi que son

fonctionnement ;

- Réaliser un prototype du système afin de démontrer les fonctionnalités essentielles du

système.

- Faire une plateforme mobile

Construction du manuscrit
Dans ce manuscrit, nous nous mènerons des recherches sur les différentes notions abordées par
le sujet, présenter quelques systèmes existants, trouver des solutions pour offrir plus de
fonctionnalités à notre système.

Ensuite, nous faire une analyse fonctionnelle et une étude conceptuelle du système. Pour cela,
nous ferons appel aux applications de méthodes conceptuelles à savoir UML (Unified
Modeling Language). Ce dernier est un langage de modélisation graphique qui s’articule autour
des diagrammes et s’appuie sur un formalisme de description normalisée, conçu pour visualiser
la conception d’un système.

En troisième lieu, nous définirons l’architecture du système de même que son fonctionnement.
Nous expliquerons tant bien au niveau logiciel qu’au niveau matériel pour mieux comprendre
son fonctionnement. Et nous présenterons également les différents composants, leurs utilités et
leurs interactions. En effet, au-delà de la représentation physique, il est important de définir les
différents logiciels et programmes utilisés, leur orchestration en vue d’obtenir un système sûr,
fiable et adapté aux besoins des usagers.

Et enfin, nous procéderons à la réalisation du prototype d’un piège connecté. Le but de ce

mémoire est de prouver la faisabilité de notre projet d’étude afin de proposer une solution prête
à l’emploi.
 1

Iot et agriculture intelligente

Ce chapitre présente en premier lieu le concept d’internet des objets et les différentes
architectures logicielles et matériels et en deuxième lieu présenté les concepts fondamentaux de
l’agriculture intelligente avec quelques solutions existantes la solution à la problématique du
projet étaient orientés vers une solution d’agriculture intelligente et innovante basée sur les
techniques de réseau sans fil et des objets connectés.
CHAPITRE 1. INTERNET DES OBJETS ET AGRICULTURE INTELLIGENTE

I. Internet des objets : Définition

Le groupe de travail Internet of Things Global Standards Initiative (IoT-GSI), piloté par
l’International Télécommunication Union (ITU), considère l’IoT comme « une infrastructure
mondiale au service de la société de l’information » permettant « d’offrir des services
évolués en interconnectant des objets (physiques et virtuels) grâce à l’interopérabilité de
technologies de l’information et de la communication existantes ou en évolution ».

De son côté, l’IEEE définit l’IoT comme un « réseau d’éléments chacun muni de capteurs
qui sont connectés à Internet ».L’IoT-GSI définit également un objet connecté comme un
équipement possédant les sept attributs suivants :

- Capteurs
- Connectivité à Internet
- Processeurs
- Efficacité énergétique
- Coût optimisé
- Fiabilité
- Sécurité

II. Caractéristiques

L’IoT est un système complexe avec un certain nombre de caractéristiques. Ses

caractéristiques varient d’un domaine à l’autre. Voici certaines des caractéristiques
générales:

— L’Intelligence : IoT est livrée avec la combinaison d’algorithmes et de calcul, de

logiciels et de matériel qui le rend intelligent.

— Connectivité : La connectivité renforce l’Internet des objets en rassemblant des objets

du quotidien. La connectivité de ces objets est essentielle car de simples interactions au
niveau des objets contribuent à l’intelligence collective dans le réseau IoT.
 — Nature dynamique : L’activité principale de l’Internet des objets est de recueillir des
données de son environnement, ce qui est réalisé avec les changements dynamiques qui
ont lieu autour des appareils.

— Détection : L'IoT ne fonctionne pas sans capteurs. Un capteur détecte ou mesure les
changements dans l'environnement. Il génère des données qui peuvent informer sur son
statut

— Hétérogénéité : L'hétérogénéité est les principales caractéristiques de l'IoT. Les

appareils IoT sont basés sur différentes plates-formes matérielles et réseau. Il peut
interagir avec d'autres appareils ou plates-formes de service sur plusieurs réseaux.

III. Architecture

L’architecture d’une solution connectée est constituée ; des objets connectés se connectant
au Cloud et envoyant leurs données à des fins de stockage et d'analyse, les utilisateurs
accédant à la solution via une application Web ou mobile (ou les deux) pour afficher les
données, envoient des commandes à l'objet.

Figure 1: Architecture générale pour une solution IoT

Premièrement, les capteurs ou les appareils collectent des données de leur environnement.
Ensuite, ces données sont envoyées dans le cloud, mais il faut un moyen d'y arriver les
capteurs / actionneurs peuvent être connectés au cloud via une variété de méthodes,
notamment: cellulaire, satellite, WiFi, Bluetooth, réseaux étendus à faible consommation
(LPWAN), connexion via une passerelle. Chaque option présente des compromis entre la
consommation d'énergie, la portée et la bande passante.
 Voilà schématisé ci-dessous une architecture d’un système d’objets connectées :
Figure 2: Architecture détaillé d’un système IoT

Une fois que les données sont arrivées dans le cloud (nous aborderons ce que signifie le
cloud dans notre section de traitement des données), le logiciel y effectue une sorte de
traitement. Ensuite, les informations sont rendues utiles à l'utilisateur final d'une certaine
manière. Cela peut se faire via une alerte à l'utilisateur (e-mail, texte, notification, etc.). Par
exemple, une alerte textuelle lorsque la température est trop élevée dans la chambre froide de
l'entreprise.

Chaque système IoT combine les quatre composants que nous avons décrits et commencé à
détailler, capteurs / appareils, connectivité, traitement des données et interface utilisateur.

1. Capteurs et appareils

Les appareils de l’Internet des objets ont pour objectif de collecter des informations, de les
analyser et de générer une réponse appropriée. Pour remplir ces fonctions, les systèmes
intelligents doivent installer des capteurs. Les capteurs rendent compte de l’état du monde
réel. Ces petites technologies constituent la première ligne d’automatisation et jouent un rôle
essentiel dans un écosystème IoT.

La figure 3, montre les cinq classes regroupant les différents concepts d’une ontologie de
capteurs :
 Capteur : Ce sont les concepts pour décrire les capteurs, les systèmes, les composants et
les dispositifs (device).
 Observation. Ce concept peut être étendu en se basant sur le standard (O & M) pour les
observations et les mesures.
 Capacités : Ce sont les concepts pour décrire ce que le capteur mesure; le mesure-til
correctement ? Comment peut-il le mesurer ? les types de valeurs des mesures (field of
view) et sa politique d’acquisition.
 Processus : Ce sont les concepts pour les entrées et sorties, la politique de transmission,
les fonctions et procédures. Les concepts pour décrire comment une mesure est faite et
pour décrire comment les capteurs et autres systèmes sont combinés ensemble.
 Propriétés physique : Ce sont les concepts pour décrire : où se trouve le capteur, où il
mesure, son niveau d’énergie, à quoi il est attaché, ses dimensions physiques et son
poids, ses conditions opérationnelles et son fabriquant.

Figure 3: concept de base d’un capteurs

Définition

Un capteur est un dispositif transformant l’état d’une grandeur physique observée en une
grandeur utilisable. On fait souvent la confusion entre capteur et transducteur. Il faut savoir
qu’un capteur est constitué au minimum d’un transducteur. Le capteur se distingue de
l’instrument de mesure par le fait qu’il ne s’agit que d’une simple interface entre un
processus physique et une information manipulable. La figure suivante montre le
composant de base d’un capteur intelligent.
 Figure 4: Architecture d’un capteur « intelligent »

Actionneurs - dispositifs qui contrastent avec les capteurs. Il transforme les signaux
électriques en mouvements physiques. Les capteurs et les actionneurs sont des
transducteurs qui convertissent une forme d'énergie en une autre. L'échange de données est
le facteur clé le plus important de l'IoT. C'est pourquoi les capteurs et les actionneurs
jouent ici un rôle essentiel.

Les actionneurs, qui induisent un mouvement, peuvent être classés en trois catégories, à
savoir les actionneurs électriques, hydrauliques et pneumatiques en fonction de leur
fonctionnement. Les actionneurs hydrauliques facilitent le mouvement mécanique en
utilisant un fluide ou une puissance hydraulique. Les actionneurs pneumatiques utilisent la
pression de l’air comprimé et les actionneurs électriques utilisent l’énergie électrique.

2. Connectivité

L'Internet des objets est composé de capteurs / appareils connectés, donc par définition, un
système IoT a besoin d'une sorte de connectivité, surtout s'il utilise le cloud.

L'option de connectivité parfaite consommerait extrêmement peu d'énergie, aurait une

portée énorme et serait capable de transmettre de grandes quantités de données (bande
passante élevée). Malheureusement, cette connectivité parfaite n'existe pas. Chaque option
de connectivité représente un compromis entre la consommation d'énergie, la portée et la
bande passante. Cela nous permet de segmenter les différentes options de connectivité en
trois grands groupes, que vous trouverez ci-dessous :

Consommation d'énergie élevée, gamme élevée, bande passante élevée

Pour envoyer sans fil beaucoup de données sur une grande distance, il faut beaucoup
d'énergie. Un bon exemple de ceci est notre smartphone. notre téléphone peut recevoir et
transmettre de grandes quantités de données (par exemple, des vidéos) sur de grandes
distances, mais vous devez le recharger tous les 1 à 2 jours. Les options de connectivité de
ce groupe incluent le cellulaire et le satellite.

Faible consommation d'énergie, gamme basse, bande passante élevée

Pour réduire la consommation d'énergie et envoyer encore beaucoup de données, nous

devons réduire la portée. Les options de connectivité de ce groupe incluent WiFi,
Bluetooth et Ethernet.

Ethernet est une connexion câblée, la portée est donc courte car elle ne correspond qu'à la
longueur du fil. Le WiFi et le Bluetooth sont tous deux des connexions sans fil avec une
bande passante élevée et une consommation d'énergie inférieure à celle du cellulaire et du
satellit.

Faible consommation d'énergie, gamme élevée, faible bande passante

Pour augmenter la portée tout en maintenant une faible consommation d'énergie, nous
devons réduire la quantité de données que vous envoyez. Les options de connectivité de ce
groupe sont appelées réseaux étendus à faible puissance (LPWAN).

Les LPWAN envoient de petites quantités de données qui leur permettent de fonctionner à
très faible puissance avec des distances en miles plutôt qu'en pieds. Par exemple, un
capteur d'humidité à des fins agricoles n'a pas besoin d'envoyer beaucoup de données, peut-
être juste un seul chiffre (le niveau d'humidité) toutes les quelques heures. Nous ne voulons
pas non plus que ce capteur consomme beaucoup d'énergie car il doit fonctionner sur
batterie.

Les LPWAN sont extrêmement utiles pour de nombreuses applications IoT. Ils permettent
à des tonnes de capteurs de collecter et d'envoyer des données sur de vastes zones tout en
prolongeant la durée de vie de la batterie.

Nous allons approfondir certaines des options de connectivité que nous avons mentionnées
ici :

Les réseaux très courte distance Les réseaux personnels ou WPAN (wireless personal
area network) sont des réseaux de capteurs ou WSN (wireless sensor network) sont des
réseaux dédiés à la collecte d’informations issues de capteurs de température, d’humidité,
de présence, de fumée, ... et qui sont installés principalement dans les environnements
industriels et domestiques.Les réseaux corporels ou wban (wireless body area network)
sont des réseaux portés sur le corps humain ou animal. Ils sont interconnectés avec
l’infrastructure de wpan ou de réseau local.

Les réseaux moyenne distanceLes réseaux moyenne distance ou réseaux locaux wlan
(wireless local area network) sont exclusivement centrés autour de la technologie wifi.

Les réseaux longue distanceLes réseaux longue distance ou wwan (wireless wide area
network) sont principalement les réseaux de téléphonie mobile 2g, 3g, 4g,5g,6g mais
également les réseaux métropolitains de type wimax.Le réseau iot quant à lui est en phase
de déploiement de réseaux de type LPWAN (lowpower wan), c’est à dire longue distance
et faible consommation d’énergie. Cette classification s’appuie sur des critères
spécifiques ; les principaux critères de classification sont le débit (du kilo bits au méga bits
par seconde), la portée (du cm au km), la consommation d’énergie (du microWatt au
Watt), l’autonomie (d’une heure à dix ans) et le coût (de 10 centimes à une centaine
d’euros).

Tableau 1: Comparatif des protocoles

Consommation
Protocole Standard Portée Fréquence Débits
d’énergie
ISO/IEC
NFC 10 cm 13.56MHz 100–420kbps faible
18000-3
ZigBee 3.0
Zigbee based on 10–100 m 2,4 GHz 250 Kbps faible
IEEE802.15.4
Bluetooth 4.2
50-150m
Bluetooth core 2.4GHz 1Mbps (Smart/BLE) faible
(Smart/BLE)
specification
Based on Environ 50 2,4GHz et
Wifi 600 Mbps maximum Elevé
802.11n m 5 GHz
Sigfox Sigfox 30-50km 900 MHz 10-1000 bps faible
(milieu
rural) 3-
10km
(milieu
 urbain)
Based on Environ 50 2,4GHz et
Wifi 600 Mbps maximum Elevé
802.11n m 5 GHz
30-50km
(milieu
rural) 3-
Sigfox Sigfox 900 MHz 10-1000 bps faible
10km
(milieu
urbain)
15km
(milieu
LoRa LoRaWAN rural) 2-5km Variante 0,3-50 kbps faible
(milieu
urbain)
35-170kps (GPRS), 120-
GSM/GPRS/ 35km max 384kbps (EDGE),
900/1800/1
EDGE (2G), for GSM; 384Kbps-2Mbps
Cellulaire 900 Elevé
UMTS/HSPA 200km max (UMTS), 600kbps-
/2100MHz
(3G), LTE (4G) for HSPA 10Mbps (HSPA), 3-
10Mbps (LTE)

Jusqu'à présent, nous avons couvert les capteurs / appareils qui collectent des données dans
le monde et les technologies de connectivité qui permettent à ces capteurs / appareils de
transmettre ces données au cloud pour traitement. Mais qu'est-ce que le cloud? Et que se
passe-t-il lorsque ces données sont reçues?

3. Cloud

Cloud computing selon l’Institut National des Normes et de la Technologie (NIST)

L’infonuagique est un modèle permettant de favoriser un accès ubiquitaire, commode et sur
demande à un ensemble partagé de ressources informatiques configurables (par exemple,
des réseaux, serveurs, ressources de stockage et logiciels) pouvant être déployées
rapidement avec un minimum de gestion ou d’intervention de la part du prestataire de
service. L'utilisation du cloud est importante pour agréger les données et tirer des
informations à partir de ces données. Par exemple, une entreprise agricole intelligente serait
en mesure de comparer les capteurs d'humidité du sol après avoir planté les mêmes graines.
Sans le cloud, comparer les données dans des zones plus larges est beaucoup plus difficile.

 Caractéristiques

Libre-service sur demande L’utilisateur peut accéder aux ressources informatiques -

physiques et virtuelles - à tout moment et selon ses besoins et ce, sans intervention «
humaine » de la part du prestataire du service infonuagique. Le stockage de données, le
traitement informatique, la mémoire, la bande passante de réseau et les « appareils virtuels »
sont des exemples de ces ressources.

Accès ubiquitaire Les ressources informatiques sont accessibles en tout lieu, par Internet
ou autre réseau de télécommunication, par l’intermédiaire de mécanisme d’accès usuels,
même légers (fureteur, applications mobiles), et par l’entremise de multiples plateformes
(ordinateurs portables, assistants numériques personnels ou téléphones cellulaires).

Ajustements rapides Les ressources peuvent être ajustées rapidement - voire

instantanément - tant à la hausse qu’à la baisse, selon les besoins de l’utilisateur. Aux yeux
de l’utilisateur, les capacités disponibles paraissent souvent illimitées, et il peut en acquérir
à tout moment, sans limite de volume.
Services Mesurables L'utilisation des ressources peut être contrôlée et mesurée par le
prestataire, conditions essentielles pour la facturation, le contrôle d’accès, l’optimisation et
la planification du déploiement des ressources informatiques et gage de transparence pour
le prestataire et l’utilisateur du service.

 Avantages

L’utilisation du Cloud présente des avantages substantiels pour de nombreuses applications

IoT, notamment:

— Diminution des coûts, à la fois en amont et en infrastructure.

— Payez au besoin pour le stockage / l'informatique.
— Évolutivité et disponibilité élevées du système.
— Augmentation de la durée de vie des capteurs / appareils alimentés par batterie.
— Possibilité d'agréger de grandes quantités de données.
— Tout ce qui a une connexion Internet peut devenir «intelligent».
 Plates-formes IoT
Les plates-formes IoT sont le logiciel de support qui connecte tout dans un système IoT.
Une plate-forme IoT facilite la communication, le flux de données, la gestion des appareils
et la fonctionnalité des applications.
Les plateformes IoT aident :

— Connectez le matériel.
— Gérez différents protocoles de communication.
— Assurer la sécurité et l'authentification des appareils et des utilisateurs.
— Collectez, visualisez et analysez les données.
— Intégrez-vous à d'autres services Web.

Nous avons couvert les capteurs / appareils qui sont dans le monde pour collecter des
données et effectuer des actions. Nous avons couvert la connectivité qui permet à ces
capteurs / appareils d'envoyer et de recevoir des données depuis le cloud. Et dans la section
précédente, nous avons vu comment ces données sont ingérées et transformées pour fournir
des informations précieuses et automatiser les processus.

4. Interface utilisateur

Les utilisateurs ont besoin d'un moyen de visualiser et de comprendre les données capturées
par l'IoT. une interface utilisateur est le moyen par lequel un utilisateur et un système
informatique interagissent. Beaucoup considèrent les interfaces utilisateur comme de
simples logiciels ou applications sur téléphones et ordinateurs, mais une interface utilisateur
peut être n'importe quoi, d'une montre intelligente à Amazon Echo à commande vocale en
passant par les boutons d'un tableau de bord de tracteur intelligent.

Applications natives
 Les applications natives sont ce à quoi la plupart des gens pensent lorsqu'ils pensent aux
interfaces utilisateur mobiles. Les applications natives sont des applications que vous
téléchargez directement sur votre téléphone. L'avantage des applications natives est que
vous avez un meilleur accès aux fonctionnalités du téléphone

Applications Web

Comme un site Web, une application Web est accessible en accédant à une certaine URL
(par exemple, https://examplewebapp.com ). Cependant, alors que les sites Web sont
largement informatifs (comme Wikipedia), les applications Web sont conçues pour avoir
certaines fonctionnalités (comme le contrôle d'un appareil à distance). L'avantage des
applications Web est qu'elles peuvent fonctionner à la fois sur iOS et Android, car vous
utilisez simplement un navigateur Web au lieu de télécharger quelque chose.

Applications hybrides

Comme son nom l'indique, les applications hybrides se situent entre les applications natives
et les applications Web. Vous téléchargez toujours quelque chose, comme une application
Web, mais lorsque vous ouvrez l'application, cela ouvre essentiellement une page Web, ce
qui signifie qu'elle peut agir comme une application Web

IV. Solutions IoT

1. Systèmes d’eau intelligents

Étant donné la quantité de pénurie d’eau qui prévaut dans la plupart des régions du monde,
il est très important de gérer efficacement nos ressources en eau. En conséquence, la plupart
des villes optent pour des solutions intelligentes qui placent beaucoup de mètres sur les
conduites d’alimentation en eau et les égouts pluviaux. Les compteurs peuvent être utilisés
pour mesurer le degré d’entrée et de sortie d’eau et pour identifier d’éventuelles fuites. Les
systèmes de comptage d’eau intelligents sont également utilisés conjointement avec les
données des satellites météorologiques et des capteurs d’eau fluviale. Ils peuvent également
nous aider à prévoir les inondations.

2. Conservation de l’énergie

Le réseau intelligent est un système moderne de production, de transmission, de distribution

et de consommation d’électricité, compatible avec les technologies de l’information et de la
 communication. Pour rendre la production, la transmission et la distribution d’énergie
électrique intelligentes, le concept de réseaux intelligents ajoute de l’intelligence à chaque
étape et permet également un flux d’énergie dans les deux sens (du consommateur au
fournisseur). Cela peut économiser beaucoup d’énergie et aider les consommateurs à mieux
comprendre le flux d’énergie et la tarification dynamique. Dans un réseau intelligent, la
production d’électricité est distribuée. Des capteurs sont déployés dans tout le système pour
tout surveiller. Il s’agit en fait d’un réseau distribué de micro-réseaux. Les micro-réseaux
génèrent de l’énergie pour répondre aux demandes des sites locaux et retransmettent
l’énergie excédentaire au réseau central.

En outre, il existe de nombreuses applications de l'IOT telles que le transport intelligent, la

gestion des infrastructures (autoroutes, ponts et voies ferrées), la fabrication, la construction
intelligente, et la vente au détail intelligente, etc.

V. Agriculture intelligente

1. Définition

Selon la FAO, l’agriculture intelligente face au climat (CSA-Climat Smart Agriculture) est
une approche intégratrice qui s’adresse aux défis liés à la sécurité alimentaire et au
changement climatique, qui vise explicitement 3 objectifs :

- Augmentation durable de la productivité et du revenu,

- Adaptation et renforcement de la résilience au changement climatique,

- Réduction et/ou suppression des émissions de gaz à effet de serre.

L’agriculture intelligente utilisant les IOT consiste à améliorer la gestion de l’eau, la gestion
du sol, la surveillance des cultures, le contrôle des insecticides et des pesticides. Les capteurs
des IOT sont capables de fournir aux agriculteurs des informations sur les rendements des
récoltes, précipitations, infestation de parasites et la nutrition du sol. En plus de cela, les
capteurs peuvent collecter des données précises qui peuvent être employées pour améliorer
des techniques agricoles avec le temps.

L'agriculture intelligente est un développement qui met l'accent sur l'utilisation de. Des
technologies telles que l'Internet des objets (IoT) et le Cloud Computing ont accéléré la
 transformation numérique des pratiques agricoles conventionnelles, promettant une
augmentation du taux de production et de la qualité des produits.

2. Solutions existants

1. Surveillance et automatisation du bétail

Lely fournit des équipements robotisés d'alimentation et de traite des bovins qui peuvent être
intégrés à un système d'information de gestion agricole intelligent.

Figure 5: robot d'alimentation Lely, qui peut être intégré à l'IoT. Crédit photo: maxpixel.net

NoFence utilise des colliers d'animaux intelligents pour activer le géo repérage. Les colliers
fournissent un «stimulus» électrique doux qui encourage l'animal à rester dans le pâturage
désiré. L'outil aide à gérer le surpâturage. Lorsqu'il est combiné avec d'autres IoT et systèmes
d'information géographique (SIG), il peut également soutenir une productivité améliorée, une
gestion des terres et une agriculture régénérative

Figure 6: Le bétail avec étiquette RFID Crédit photo: Wikimedia

2. Robot de désherbage
Le robot travaille sans conducteur ni opérateur. Il se déplace seul en s’orientant et se
positionnant grâce à son GPS RTK, sa caméra et ses capteurs. Son système de vision
artificielle lui permet de suivre les lignes de culture et de détecter la présence et position des
adventices dans et entre les lignes. Deux bras robotiques appliquent ensuite une micro-dose
d’herbicide de manière ciblée uniquement sur les adventices détectés.
VI. Avantages
Les principaux avantages dans l’utilisation des IoT pour mettre en valeur l’agriculture sont :

— La gestion efficace et l’optimisation des ressources en eau,

— Aide à la surveillance permanente de terre, afin que les précautions puissent être
prises au stade précoce.

— Contribuer à l’augmentation de la productivité,

— Réduction du travail manuel,

— Gain de temps

— Surveillance et observation de la croissance des cultures

 2

Machine Learning pour la classification

d’images

Dans le but de faciliter la compréhension du fonctionnement de méthodes déployées. Nous

allons traduire de maniérées générales l’apprentissage automatique (Machine Learning ) pour la
classification d’image, et plus précisément l’apprentissage profond (Deep Learning) et les
réseaux de convolutions neuronaux (CNN).
 CHAPITRE 2. MACHINE LEARNING POUR LA CLASSIFICATION D’IMAGES

I. Apprentissage automatique
L’apprentissage automatique (Machine Learning) fait partie de l’intelligence artificielle qui
permet d’effectué des calculs afin de résoudre un problème complexe. La particularité de
machine Learning est que la méthode utilisée permettent à la machine d’apprendre à réaliser
une tache en fonction des nombreuses données d’entré.

Un algorithme d’apprentissage automatique dépend de la manière dont sont transmises les

données à l’algorithme de traitement. On distingue trois grands groupes d’apprentissage :
apprentissage supervisé, apprentissage non supervisé et apprentissage par renforcement.

Apprentissage supervisé : les données d’apprentissage fournis à l’algorithme des étiquettes

ou labels. L’objectif de l’algorithme est trouver la relation entre donné d’entré et la sortie.

Apprentissage non supervisé : contrairement l’apprentissage supervisé aucune donné

d’entré ne porte de label. Le système cherche donc à découvrir et apprendre tout ce qu’il est
capable de détecter à partir des informations d’entrée et la sortie dépend donc de ce que
l’algorithme a su décrire.

Apprentissage par renforcement : il est amélioré à chaque itération du processus par un

retour d’expérience. Les performances de l’algorithme sont maximisées à mesure qu’il prend
des décisions à partir de ses données d’apprentissage.

Nous allons nous intéressons à l’apprentissage supervisé dans la cadre de classification

d’image. Nous allons établir les généralités propres de traitement d’image.

II. Chaine de traitement pour la classification d’image

Comme le montre la figure 7, la chaine de traitement générale commune aux algorithmes de
classification d’images comporte plusieurs étapes telles que la détection et l’isolation de zone
d’intérêt, des prétraitements afin d’améliorer l’image dans le sens voulu suivi d’une
potentielle normalisation, l’extraction de caractéristiques ainsi que leur sélection, puis la
classification exécutant soit un apprentissage d’un modèle, soit une prédiction à partir du
modèle appris. Cette prédiction donne lieu à une décision qui, à partir de multiples résultats
 moyennés sur une base de données d’images, fourni un certain nombre d’informations
servant à évaluer les performances du modèle.

Figure 7: Chaine de traitement pour la classification d’image

La première étape consiste à extraire la zone d’intérêt dans laquelle se trouve les éléments
que l’on veut classifier. Cette étape permet de réduire l’influence des données peu pertinentes
dans l’image. Les prétraitements constituent une étape important et essentiel de cette chaîne.
La manipulation de l’image (filtres, segmentation binaire, superpixels, changement d’espaces
couleurs, etc.) permet de renforcer ou faire apparaître les éléments importants tout en
réduisant les contributions non utiles. La phase de normalisation permet de conserver une
homogénéité entre les images utilisée pour l’apprentissage. L’extraction de caractéristiques
est une étape cruciale, permettant de transcrire l’information visuelle en une information plus
stable et compréhensible par l’algorithme d’apprentissage.

La classification est divisée en deux phases : l’apprentissage et le test. Lors de

l’apprentissage, les caractéristiques des images d’apprentissages sont utilisées par le
classifieur afin de construire un modèle à partir de règles séparant au mieux les classes. Selon
l’application et les images utilisées, il est nécessaire d’ajuster les paramètres de
classification. La phase d’utilisation permet, à partir des caractéristiques d’une image
inconnue, de déterminer l’appartenance de l’échantillon à une certaine classe en utilisant le
modèle de classification. Ainsi ce modèle fourni l’étiquette de la classe prédite et le score
associé attestant de la probabilité d’une bonne prédiction. L’étape de décision consiste à
définir si la prédiction du modèle est juste ou non. Pour finir, l’évaluation permet de
quantifier les performances du modèle avec des métriques calculées à partir d’informations
issues des résultats de prédiction sur des images de test. Ces métriques permettent de
comparer des modèles entre eux et ainsi sélectionner le modèle optimal dans un cas donné.

III. Deep Learning

C’est un sous ensemble de l’apprentissage automatique permettant de résoudre un problème
en le divisant en plusieurs taches distribué à des algorithmes de machine Learning organisés
en couches successives chacunes travaillant sur le résultat de la précédents, ces couches
 constituent un réseaux de neurone artificielle proche de neurone humain dans la résolution de
problème.

1. Artificial Neural Network - ANN :

Un réseau de neurones artificiels est un réseau composé de neurones artificiels
interconnectés, où chaque neurone représente une unité de traitement d’information, Ces
neurones traitent et propagent l’information aux autres d’une manière similaire aux neurones
du cerveau humain.

2. Réseaux de neurones profonds (Deep Neural Network - DNN) :

Une solution consiste à concevoir des réseaux de neurones disposant d’un plus grand nombre
de couches cachées (ainsi qu’un plus grand nombre de neurones par couche), que l’on
appelle alors des réseaux de neurones profond

Il existe de nombreux types de réseaux de neurones et réseaux profonds suivant leur

architecture. Les plus populaires dans la conception des réseaux de neurones profonds étant :

Réseaux de neurones récurrents (Recurrent Neural Networks - RNN) :

Ces réseaux sont surtout utilisés à reconnaissance de texte ou en traduction ils possèdent des
boucles de connexions récurrentes, propageant le résultat d’un neurone au précédent ou à lui-
même. Ainsi, le réseau conserve en "mémoire" tout ou partie des informations précédentes et
est donc capable de les utiliser afin d’affiner les résultats suivants

Réseaux de neurones convolutifs (Convoluted Neural Network - CNN) :

Les CNN sont similaires aux réseaux de neurones profonds ordinaires mais leur architecture
est spécifique au traitement d’images. En effet, l’information de l’image est traitée en
déférents points par une convolution avec plusieurs filtres pour chaque couche. La récente
popularité du Deep Learning est due à ces réseaux, permettant entre autres les dernières
avancées en matière de conduite autonome, d’analyse complexe d’images, etc.

Figure 8: réseaux de neurone convolutif pour analyse d’image

 Dédiés à l’analyse d’images, peuvent être considérés comme une boite noire utilisant un
ensemble d’images d’apprentissage de même dimensions pour ajuster les nombreux
paramètres du réseau et ainsi se spécialiser à une certaine tâche. Nous nous proposons ici de
présenter rapidement les éléments constituant un CNN

Tableau 2: CNN, RNN

Type Algorithme Application Performance

LetNet - Traitement d’image - Haute précision dans les problèmes
CNN AlexNet - Signal vocal de reconnaissance d'image, partage
VGGNet - Traitement de langage de poids.
- Analyse de serie
RNN chronologique - Se souvient de chaque information,
LSTM
- Analyse des émotions prédiction de séries chronologiques
- Traitement de langage

Nous avons parlé de deux familles majeures de modèle à savoir les réseaux convolutifs,
ainsi que les réseaux récurrents. Nous rentrerons plus en détail sur les réseaux de neurones
convolutifs (CNN).

IV. Architecture de réseau CNN

Nous parlions de modèle, ce que nous vais sous-entendre par modèle sera l’architecture du
réseau neuronal. Ce modèle possède des couches avec certains paramètres et agencées d’une
certaines manières. Ces modèles utilisent des types de convolutions, sont entraînés avec des
algorithmes d’apprentissage, ce que nous allons appeler algorithme de Deep Learning. Enfin,
pour implémenter ces modèles, il faut les programmer et pour ça, nous utilisons des
Frameworks qui sont de grosse boîte à outil informatique qui vont proposer des
implémentations d'algorithmes. Nous résumer le rapport entre ces 3 mots par le schéma ci-
dessous :
1. Modèles
Yolo est un algorithme d'apprentissage en profondeur qui est sorti en mai 2016 et il est
rapidement devenu si populaire car il est si rapide par rapport à l'algorithme d'apprentissage
en profondeur précédent. Avec yolo, nous pouvons détecter des objets à une vitesse
relativement élevée. Avec un GPU, nous serions capables de traiter plus de 45 images /
seconde avec un processeur autour d'une image par seconde.

MobileNet est un modèle proposé par des chercheurs de Google Brain en Avril 2017.
comme son nom l’indique est de porter le Deep Learning sur des appareils mobile, donc avec
des contraintes de ressource mémoire, de calcul et énergétique.

SSD est une méta-architecture pour faire de la détection d’objet qui a vocation à être
minimaliste. Combiné à un extracteur de caractéristique minimaliste comme MobileNet. Son
fonctionnement est simple avec seulement quelques convolution supplémentaire et des
combinaisons entre couche.

R- CNN plus rapide est basé sur la région Convolutif Réseau méthode (Plus rapide R-
CNN) prend comme entrer un tout image et une ensemble de propositions d'objets. Le réseau
d'abord traite le wimage du trou avec plusieurs réseaux convolutifs orks à produire une
fonctionnalité carte. Ensuite, il extrait une fonction de longueur fixe vector du fonctionnalité
carte. Ce modèle emploie à impformation rover et tests la vitesse avec en augmentant
précision de détection

2. Framework
Il existe beaucoup de framework certains sont open-source.Nous les avons choisis en
fonction de leur importance dans le milieu du Deep Learning.
Darknet - Darknet est un framework open source développé par Joseph Redmon en 2012. il
est codé en langage C (proche du langage machine), il utilise la technologie CUDA de
NVIDIA.

L’architecture à 3 niveaux :

 Les algorithmes de deep learning

 L’implémentation d’entraînement de modèle

 Les fichiers de configurations

L’installation est simple car il faut le compiler avec un fichier de configuration makefile.
elle est très dépendante des logiciels et librairie liés comme OpenCV, CUDA ou Python, ce
qui peut amener à des problèmes de compilation.

Ensuite l’utilisation est simple, notamment si l’on veut utiliser le modèle de détection
YOLO car ce framework a été développé pour YOLO.

Le modèle entraîné se présente sous la forme de 2 fichiers, un fichier de configuration (.cfg)

qui décrit la structure du réseau et un fichier de poids (.weight) qui contient les poids pour le
réseau.

Ce framework donne une bonne idée de l’implémentation des algorithmes de deep learning,
il est très optimisé et très efficace pour le modèle YOLO. Malheureusement, il s’agit
également de son point faible car il est conçu pour YOLO, et dès que l’on veut utiliser un
autre modèle, cela implique le développement de la partie d’entraînement.

Caffe - Caffe est un framework développé par Yangqing Jia au cours de sa thèse. Le
framework est sous license BSD et open source.

Ce framework est implémenté en langage C++, l’installation comme darknet se fait par une
compilation avec un MakeFile. Tout comme Darknet la difficulté peut survenir avec les
dépendances qui sont encore plus nombreuse.

L’entraînement prend en paramètre un modèle et ses configurations d’entraînement qui sont

au format protobuf (format texte pouvant être manipulé par un éditeur de texte).
En conclusion, le framework caffe permet de configurer et tester rapidement des modèles et
des configurations. Malheureusement il est en perte de vitesse, notamment dans le secteur
industriel.

TensorFlow - Le framework TensorFlow est le plus en vogue depuis 2017 (avec la sortie de
la version 1.0), développé par l’équipe Google Brain à partir d’un framework interne nommé
DistBelief. Il est proposé sous license open source depuis Novembre 2015.

En effet il fonctionne sur de nombreux matériels comme les CPU, GPU, TPU avec des
accélérateurs de calcul comme XLA.

On développe les modèles avec le langage Python mais nous pouvons utiliser de nombreux
langages pour implémenter les modèles entraînés TensorFlow dans des solutions comme C+
+, Java, Javascript,.... Enfin le coeur (TensorFlow Distributed Execution Engine) est lui
développé en C++. Le fonctionnement classique d’un programme TensorFlow se base sur
plusieurs étapes; la définition du modèle; l’optimisation; l’initialisation des variables (les
tenseurs des poids par exemple). Après ces étapes, une session de calcul peut être lancé pour
les phase d’apprentissage ou de prédiction.

Cette notion de Session est primordiale afin de répartir les calculs en blocs d’une part et
d’autre part pour manipuler l’ordre d’exécution de chaque bloc de calcul. Cette manipulation
de l'ordonnancement du calcul est primordial pour les grands modèles d’apprentissage car
ces modèles sont en réalité des tenseurs à calculer qui sont connectés entre eux en formant
un graph.

La configuration des modèles est sauvegardée dans un format standardisé protobuf .pb
(format binaire) ou .pbtxt (format texte) et les modèles entraînés sont au format .ckpt puis au
format .pb lorsque les paramètres de poids sont constants. En effet ces paramètres de poids
sont utilisées pour l’étape de prédiction.

l’avantage du framework TensorFlow par rapport aux autres est sa diversité d’outils
(développé en grande partie par la communauté) qui rendent le développement de modèle
facile.

Choix de technologie
 A la suite de l’étude de toutes ces technologies, nous avons donc choisi d’utilise TensorFlow
comme framework pour tous les avantages que nous avons déjà cité comme l’API de
détection d’objet.

 Multi-plateformes (Linux, Mac OS, et même Android et iOS !)

 APIs en Python, C++, Java et Go (l’API Python est plus complète cependant, c’est sur
celle-ci que nous allons travailler)

 Temps de compilation très courts dû au backend en C/C++

 Supporte les calculs sur CPU, GPU et même le calcul distribué sur cluster

 Une documentation extrêmement bien fournie avec de nombreux exemples et tutoriels

Nous avons désormais, à la suite de l’étude bibliographique et de l’étude comparative des

technologies, un framework de Deep Learning et un modèle à entraîner. Donc nous pouvons
réaliser une implémentation

3. Implémentation
Le Flux d’entraînement e se décompose comme suit:

— La collecte des datasets et leur traitement

— La configuration de l’API de détection avec la configuration du modèle et de

l’entraînement

— L’entraînement à proprement parlé avec TensorFlow et l’API de détection du modèle

avec le dataset et la configuration.

— L’évaluation de l’entraînement, la conversion du modèle pour ensuite implémenter le

modèle entraîné dans une solution de détection.

— Enfin l’implémentation d’une solution de détection.

 3

Piège de surveillance d’insectes : Grande

culture
 CHAPITRE 3. PIEGE DE SURVEILLANCE D’INSECTES : GRAND CULTURE

I. Méthodes de dépistage classiques

La surveillance des ennemis des cultures est une étape cruciale de leur gestion intégrée. Les
producteurs et agronomes qui font du dépistage ont souvent recours à des pièges à phéromones
pour attirer et capturer les insectes. Il en existe de plusieurs types, en fonction de l’insecte que
l’on souhaite capturer comme les pièges (A) Multipher,(B) Unitrap, (C) Héliotis ou (D) Jackson
(Figure 7). L’observation des captures par piège est généralement effectuée une fois par semaine.
Dans certains cas, le dépistage des insectes demande plus de temps et de ressources s’il faut trier
le contenu du piège et compter le nombre de captures.

Figure 9: Différents types de pièges a phéromones classiques

II. Piège connecté

1. Définition

Un système automatisé de surveillance des ravageurs est un système en temps réel qui permet aux
agriculteurs de surveiller à distance les ravageurs et les insectes présents dans les terres agricoles.
Le système automatisé de surveillance des ravageurs alerte le producteur / agriculteur en cas de
grand nombre de ravageurs et d'insectes pouvant nécessiter une pulvérisation d'insecticide. Cela
aide les producteurs à optimiser l'utilisation des insecticides et à cultiver des cultures plus saines.

1. Fonctionnement des pièges intelligents

Une fois les insectes attirés à l’intérieur du piège, un système de détection compte le nombre
d’insectes capturés. En général, on trouve une caméra installée à l’intérieur du piège. Elle permet
de prendre une ou plusieurs photos par jour, en fonction de la biologie (diurne vs nocturne) et de
l’activité (par ex. : période de vol, recherche de partenaire, accouplement…) de l’insecte. À
l’intérieur du piège, on trouve également un système électronique alimenté par l’énergie solaire
ou une batterie. Celui-ci permet, grâce à un réseau sans fil, d’acheminer les données dans des
logiciels de traitement de l’information. Les photos sont traitées et analysées par un module de
reconnaissance automatique faisant appel à l’intelligence artificielle pour reconnaître les insectes
capturés. L’utilisateur de piège automatisé reçoit ensuite les informations directement sur son
ordinateur de bureau ou sur un appareil mobile.
Dans cette partie nous avons choisi quelques solutions existantes des systèmes de surveillance
automatisés des ravageurs à l’échelle mondiale.

2. Solutions existants

1. DTN Smart Trap

Le DTN Smart Trap, développé par la société américaine DTN, le DTN Smart Trap est un piège
intelligent qui utilise des algorithmes d’apprentissage profond pour compter les insectes cibles en
temps quasi réel. Le piège fonctionne avec des cartons adhésifs et des appâts à phéromones
conventionnels, qui doivent être échangés, La caméra embarquée détecte, compte et signale la
cible parasite en temps quasi réel. Les données sont envoyées à la plate-forme numérique Agro
system Cloud, disponible sur ordinateur et mobile. Le piège est efficace pour la plupart des
insectes papillons de nuit qui peuvent être capturés sur une carte collante traditionnelle avec des
leurres à phéromones.

Figure 10: Architecture DTN smart trap

Il y a une option d'alertes lorsque le fléau cible atteint le niveau de contrôle. Dans ce tableau nous
représentons les spécifications techniques de DTN smart trap.
Tableau 3: spécifications techniques de DTN

Méthode de communication Satellite

Réception GPS OUI

Les alertes de ravageurs par e-mail et application mobile

Méthode de lutte intégrée Piège à phéromone traditionnel

Cloud OUI

Les alertes de ravageurs par e-mail et application mobile

Intervalle de connexion au 1 fois/ jour

réseau

Type de batterie Batterie rechargeable

Duré de batterie Une saison

Densité de piège même densité que les pièges traditionnels

caméra 1 camera au-dessus de font du piège

Prix 400$ par piège/an (loué)

2. Trapview

Les pièges Trapview, développés par la société slovène Efos.Trapview est une solution brevetée
d'intégration matérielle et logicielle qui utilise des phéromones d'insectes pour concevoir des
pièges, piéger des ravageurs et prendre des photos. L’ensemble du système est alimenté par des
panneaux solaires et des batteries. Le système est équipé de 4 caméras haute résolution, prenant
des photos des ravageurs sur le panneau collant, obtenant des images et les transmettant à la plate-
forme de réseau à distance via GPRS, analysant les images via un logiciel de surveillance
automatisé des parasites et affichant les résultats sur la page Web ou sur les appareils mobiles. Il
est recommandé d'installer 1 piège dans une zone de 1 à 5 ha. Il y a une option d'alertes lorsque le
fléau cible atteint le niveau de contrôle.
 Tableau 4: spécifications techniques de Trapview

Connexion Internet GSM-GPRS EDGE HDSPA

Capteur GPS OUI

Intervalle de connexion au 1 fois/ jour

réseau

Type de batterie Batterie au lithium

Panneaux solaires 7.2V, 333mA

caméra Appareil photo 4*2 mégapixels

RAM 4 Mo

3. e-Gleek

e-Gleek c’est un piège connecté à insectes commercialisé par la société Advansee dans le but de
développer un algorithme de reconnaissance des cicadelles de la flavescence dorée, il est
composée d'un boîtier étanche accroché à une plaque en aluminium.

Figure 11: Vue général d’e-Gleek

Ce boîtier contient l'électronique de la caméra et du système de comptage. Il contient également
un modem pour la communication des informations vers un serveur déporté. Un logement pour
une carte SIM est disponible à l'intérieur du boîtier. Un deuxième boîtier situé à l'extrémité d'un
tube contient le capteur d'images.
Le concept e-gleekMC vise à piéger les insectes volants et à fournir des dénombrements réguliers
des insectes insectes. Les insectes sont classés selon leur taille (3 catégories). Les résultats sont
envoyés à un serveur distant jusqu’à 5 fois par jour. Une fois que l’une des catégories a atteint sa
limite maximale ou a quantité différentielle définie par l’utilisateur, une alarme est envoyée à
l’opérateur via TEXT ou email. Une alarme peut également être envoyée à l’utilisateur lorsque la
densité des mouches capturées sur la feuille collante est trop important. C’est un signe que la
feuille doit être modifiée. Deux options sont disponibles. L’une est l’utilisation du réseau 3G pour
communiquer à la fois les compteurs et les images. L’autre est basé sur la communication radio
longue portée (LORA, SIGFOX) pour fournir uniquement des alarmes lorsqu’un seuil a été
dépassé.
Tableau 5: spécifications techniques de e-Gleek

Transmission des données Réseau 3G, LoRa,Sigfox

Alerte e-mail et/ou SMS

Batterie une autonomie d' 1 an sans intervention

Capteur une camera

Intervalle de connexion au 5 images par jour

réseau

Chargeur batterie Chargeur secteur 12V AC/DC pour batterie au

plomb/gel

Prix 625,00 €

4. Fauna photonics

Une entreprise danoise a développé une technologie laser capable de scanner des insectes dans
les champs.Le produit de capteur transmet infrarouge, lumière invisible sur l’activité des insectes
et détecte automatiquement la lumière réfléchie arrière de chaque insecte. Cette lumière rétro-
réfléchie fournit une empreinte unique de l’insecte comme indiqué la figure ci-dessous.
L’empreinte contient de l’information sur la fréquence du battement des ailes de l’insecte, sa
couleur et son ratio ailes-corps. Après détection, chaque empreinte est transmise via 3G ou 4G au
Cloud Faunaphotonics pour traitement. Dans le nuage Faunaphotonics applique l’intelligence
artificielle (IA) pour analyser les empreintes d’insectes et extraire l’information sur le battement
des ailes, la couleur et l’envergure des ailes par rapport à la taille de l’insecte.

1 : Module LED
2 : Volume éclairé
3 : Champ de vision du détecteur
4 : Quadrant de photodiode
5 : Volume de détection
6 : Antenne
Un module LED illumine un volume d'air devant l'instrument avec deux faisceaux coniques
superposés à 810 et 970 nm. Tout comme la façon dont vous voyez la lumière réfléchie par les
papillons de nuit dans les phares de voiture la nuit, les insectes qui volent dans le volume
réfléchissent la lumière émise vers le capteur. La lumière réfléchie par tout insecte traversant le
volume de détection est collectée par un détecteur à quadrant en silicone. Les deux longueurs
d'onde sont collectées sur le même détecteur et séparées en utilisant une amplification de
verrouillage implémentée dans un module FPGA (array programmable field field).

Tableau 4: tableau comparatif des pièges connectés

Piège DTN trapview E-gleek phonaphotonics

Transmission GSM GSM-GPRS LoRa ,3G 4G

Capteur utilisé Camera 4 camera camera Capteur infrarouge

(laser)

Intervalle d’envoi des Une fois/jour Une fois/jour 5 fois/jour -

données

Autonomie 6 mois Une saison - -

Prix 400$/an (loué) 500$australien 625£ -

I. Avantages et inconvénients de pièges connectés

— Les pièges automatisés offrent donc l’opportunité de suivre les populations d’insectes
quasiment en temps réel, dans plusieurs régions en même temps
— les pièges automatisés sont fiables pour prédire les pics de populations d’insectes.
— La visite des pièges n’est nécessaire que pour changer les phéromones toutes les trois ou
quatre semaines selon l’insecte.
— Journaux documentés, donnant des indications précoces où et quand les problèmes
surviennent, permettant des actions ciblées.
— Respectueux de l'environnement et exempt de pesticides.
— Rentable grâce à la réduction des risques.
— Gain de temps
Cependant, le coût des pièges est encore élevé, ce qui peut limiter leur utilisation à grande échelle.
De plus, ceux-ci doivent être installés dans une zone où il y a une bonne couverture du réseau sans
fil pour l’envoi des données. Enfin, lorsque ces pièges sont utilisés pour la première fois pour faire
le suivi d’un nouveau ravageur, il faut prévoir une période de validation des captures, permettant à
l’appareil d’apprendre à bien reconnaître les insectes.

II. Opportunité sur le marché nationale

A l’échelle nationale selon nos analyses et recherches sur la Tunisie, le marché de piège à insecte
connecté est vierge jusqu’à maintenant ils n’ont développé aucune solution ou approche liée à ce
sujet.
L’analyse SWOT pourrait nous aider à détecter les opportunités disponibles sur le marché
national, les menaces prévues, nos forces et les faiblesses susceptibles de freiner le
développement de notre projet.

Forces Faiblesse

• Innovation • R&D mondiales très rapides et avancés

dans ce secteur
• La possibilité d’amélioration du
• Coûts technologiques élevés et
produit qui est très élevé et qui peut
connaissances et compétences techniques
même avoir des autres limitées des agriculteurs

fonctionnalités • Une grande partie des agriculteurs

pratiquent encore les méthodes
traditionnelles.

Opportunités Menaces

• Un marché nouveau à l’échelle • Le climat instable du pays et du

Monétaire
mondiale
• Monde agricole pas assez impliqué
• Un marché vierge à l’échelle
dans politiques environnementales
nationale

• Une très faible concurrence

• Contexte juridique et Stratégie de

l’Etat très motivants

 4

Analyse fonctionnelle et étude conceptuelle

Dans ce chapitre nous allons faire une analyse fonctionnelle et une étude conceptuelle de notre
système. Ce qui nous amène à réfléchir sur l’ensemble de l’organisation qui devra être mise en
place ainsi que les outils nécessaires pour la conception.
 CHAPITRE 4. ANALYSE FONCTIONNELLE ET ETUDE CONCEPTUELLE

I. Concept de solution
notre système basé sur un dispositif d'imagerie et de traitement à faible coût et à faible
consommation fonctionnant via un réseau de capteurs sans fil qui est capable d'acquérir
automatiquement des images de la zone de piégeage et de les traiter pour compter la densité
d'insectes. Les données sont ensuite envoyées à un serveur Web où elles sont stockées dans une
base de données. Le serveur Web héberge un tableau de bord Web grâce auquel les opérateurs
humains peuvent surveiller à distance les pièges à insectes.

1. Présentation de la maquette
Ici nous énumérons les principales fonctionnalités du prototype d’un piège connecté. Notre
maquette est composée :

— D’un boîtier est conçu pour piéger les insectes ravageurs (piège),

— Une feuille collant,

— Leurre aux phéromones

— Raspberry Pi,

— Capteur d’image,

— Module de transmission

Pour cela nous allons utiliser un boîtier en polypropylène ondulé, léger et 100% recyclable, il
résiste aux dommages mécaniques et aux influences atmosphériques, non toxiques et
réutilisables pendant plusieurs années. En cas de dommage, il est possible de déplacer toute
l'électronique dans un nouveau boîtier. Pour illustrer notre piège d’expérimentation, nous avons
utilisé un logiciel de modélisation « Google SketchUp » qui conduit aux résultats suivants :
 Figure 12: Schéma montrant le boitier ondulé

Cette partie consiste à identifier les différentes entités intervenant dans le système. En effet il
s’agira de décrire ces entités, leurs rôles et leurs interactions.

1. Rôle de Raspberry Pi
Le Raspberry Pi est le cœur du fonctionnement de la maquette. C’est le processeur d'image,
qui a une capacité de calcul suffisante et des interfaces d'extension externes. De plus, le
raspberry Pi permet le fonctionnement en autonomie avec différentes sources d’énergie telles
que power Bank, panneau solaire, batteries. Il se chargera aussi de traiter les images et les
envoyés vers un serveur web.

2. Capteur
Comme défini dans le chapitre précédent, un capteur est un dispositif transformant l’état d’une
grandeur physique observée en une grandeur utilisable. Le capteur, permet de prendre en
compte les évènements de notre environnement. Les capteurs sont des éléments de base des
systèmes d’acquisition de données.

Les capteurs peuvent-être classés selon trois critères :

Leurs apports énergétiques : on distingue deux types :

— capteurs passifs : qui donnent une représentation de la grandeur physique mesurée par le
biais d’une résistance électrique variable et ont l’avantage de pouvoir fonctionner seuls.
 — capteurs actifs : dont la grandeur physique mesurée va directement établir une relation
électrique de sortie c’est-à-dire qu’en sortie de ces capteurs il y aura une grandeur
électrique, sans adjonction de tension à ses bornes.

Leurs types des sorties : il y en a trois :

— capteurs analogiques : la sortie est une grandeur électrique dont la valeur est une fonction de
la grandeur physique mesurée par le capteur. La sortie peut prendre une infinité de valeurs
continues.

— capteurs numériques : la sortie est une séquence d'états logiques qui, en se suivant, forment
un nombre. la sortie peut prendre une infinité de valeurs discrètes.

— capteurs logiques : la sortie est un état logique que l'on note 1 ou 0. La sortie ne peut prendre
que ces deux valeurs.

Leurs types de détection : il existe deux :

— détection avec contact « le capteur doit entrer en contact physique avec un phénomène pour
le détecter»

— détection sans contact « le capteur détecte le phénomène à proximité de celui-ci »

2. Le système embarqué

1. Architecture
L'IoT à quatre couches est utilisé pour construire le piège connecté. Il comprend une couche de
perception, une couche de transport, une couche de traitement et une couche d'application.

Le framework DL est formé et s'exécute sur la couche de traitement pour effectuer la tâche
d'identification des insectes à distance. Le détail de l'architecture IoT et la configuration de DL
et d'autres détails des composants IoT sont décrits ci-dessous.

 Couche de perception

La couche de perception est un nœud d'extrémité ou une couche inférieure dans un cadre IOT à
quatre couches. Il est construit avec une caméra et une feuille de piège à insectes de type collant
et une batterie pour l’alimentation. Cette couche envoie des images de piège à insectes au
calque de traitement via les protocoles de communication de la couche de transport pour établir
la surveillance à distance des insectes et tâche d'identification des insectes.

 Couche de transport

La couche de transport agit comme un pont de communication entre toutes les couches IOT. Il
accomplit le tâche suivante: Envoi de l'image du piège à insectes au calque de traitement et
transfert du données à la couche application. La couche de transport utilise la communication et
la transmission GPRS pour le partage des informations.

 Couche de traitement

Une couche de traitement est une unité centrale de notre système piège. Il comprend des
dispositifs informatiques à haute vitesse pour traiter l'image, exécutant l’algorithme
d'identification des insectes et traitement de la demande de couche d'application.

 Couche d'application

La couche d'application fournit les informations sur l'état du piège à insectes à l'utilisateur final.
Smartphones et les interfaces Web sont utilisées pour exécuter la tâche de couche application.

Figure 13:Architecture à quatre couches

II. Langages de programmation et outils libres utilisés
Au profit de la réalisation de notre système « piège connecté », nous avons exploré plusieurs
langages de programmation particulièrement et quelques outils libres.

1. Langage de programmation
Python

Figure 14: Logo Python

Python est un langage de programmation open source créé par le programmeur Guido van
Rossum en 1991. Il tire son nom de l’émission Monty Python’s Flying Circus.Il s’agit
d’un langage de programmation interprété, qui ne nécessite donc pas d’être compilé pour
fonctionner. Un programme » interpréteur » permet d’exécuter le code Python sur n’importe
quel ordinateur. Ceci permet de voir rapidement les résultats d’un changement dans le code. En
revanche, ceci rend ce langage plus lent qu’un langage compilé comme le C.En tant que
langage de programmation de haut niveau, Python permet aux programmeurs de se focaliser sur
ce qu’ils font plutôt que sur la façon dont ils le font. Ainsi, écrire des programmes prend moins
de temps que dans un autre langage. Il s’agit d’un langage idéal pour les débutants.Le langage
Python doit sa popularité à plusieurs avantages qui profitent aussi bien aux débutants qu’aux
experts. Tout d’abord, il est facile à apprendre et à utiliser. Ses caractéristiques sont peu
nombreuses, ce qui permet de créer des programmes rapidement et avec peu d’efforts. De plus,
sa syntaxe est conçue pour être lisible et directe.Un autre avantage du Python est sa popularité.
Ce langage fonctionne sur tous les principaux systèmes d’exploitation et plateformes
informatiques.
TensorFlow

TensorFlow est une bibliothèque open source de Machine Learning, créée par Google,
permettant de développer et d’exécuter des applications de Machine Learning et de Deep
Learning. Découvrez tout ce que vous devez savoir à son sujet.

Le Machine Learning est une technologie qui peut s’avérer extrêmement utile pour de
nombreux cas d’usage, mais qui s’avère malheureusement complexe à manipuler. L’acquisition
de données, l’entraînement de modèles, de déploiement de réseaux de neurones requièrent à
l’origine d’importantes compétences techniques.

Cependant, grâce aux différents frameworks de Machine Learning, l’accès à cette technologie
s’est beaucoup simplifié au fil des années. Parmi ces frameworks, on compte notamment
PyTorch, CNTK, MXNet, et Google Tensorflow

Open CV

Initialement développée par Intel, OpenCV (Open Computer Vision) est une bibliothèque
graphique. Elle est spécialisée dans le traitement d’images, que ce soit pour de la photo ou de la
vidéo.Sa première version est sortie en juin 2000. Elle est disponible sur la plupart des systèmes
d’exploitation et existe pour les langages Python, C++ et Java. Sous licence BSD (Berkeley
Software Distribution Licence), OpenCV peut être réutilisé librement, en tout ou partie, pour
être intégré au sein d’un autre projet

MYSQL

MySQL est un Système de Gestion de Base de Données (SGBD) parmi les plus populaires au
monde. Il est distribué sous double licence, un licence publique générale GNU et une
propriétaire selon l’utilisation qui en est faites. La première version de MySQL est apparue en
1995 et l’outil est régulièrement entretenu.Ce système est particulièrement connu des
développeurs pour faire partit des célèbres quatuors: WAMP (Windows, Apache, MySQL et
PHP), LAMP (Linux) et MAMP (Mac). Ces packages sont si popul aires et simples à mettre
en œuvre que MySQL est largement connu et exploité comme système de gestion de base de
données pour des applications utilisant PHP. C’est d’ailleurs pour cette raison que la plupart
des hébergeurs web proposent PHP et MySQL.

Figure 15:Logo MySQL

HTML

Le HTML « HyperText Markup Language) est un langage permettant de décrire les différents
composants d’un document multimédia. Le HTML est tiré du XML, il est à la base de
fonctionnement d’un site web. Il permet d’écrire et organiser le contenu de la page web
(paragraphes, titres). Ainsi le langage HTML utilise des commandes (balises, marqueurs ou
tags) pour le formatage des informations. Il est simple et compatible avec la plupart de
navigateurs web. Nous avons adopté la version la plus récente qui est la version 5 « HTML5 »
pour la conception de notre plateforme. Ceci nous offre beaucoup plus d’amélioration en termes
des contenus, une meilleure gestion des formulaires.

CSS

Les feuilles de style en cascade ou CSS « Cascading Style Sheets » sont une extension de
langage HTML. Les CSS se préoccupent de la mise en forme du contenu. Elles permettent :

— D’ajouter des propriétés à une commande HTML.

— Une mise à jour plus aisée des pages web d’un site

— Définir la typographie et l’agencement des pages web.

 JavaScript

JavaScript est un langage de programmation de script orienté objet, qui a su au fil des années
s’imposer comme une technologie incontournable dans le web. C’est une technologie complète,
qui regroupe un nombre impressionnant d’outils permettant de dynamiser vos pages web et de
leur donner une toute autre dimension. Le JavaScript est un langage interprété qui est exécuté
sur le navigateur de l’internaute : nous parlons de comportement client-side, par opposition au
serveur-side (lorsque le code est exécuté sur le serveur).

Bootstrap

Bootstrap est un Framework CSS, mais pas seulement, puisqu'il embarque également des
composants HTML et JavaScript. Il comporte un système de grille simple et efficace pour
mettre en ordre l'aspect visuel d'une page web. Il apporte du style pour les boutons, les
formulaires, la navigation… Il permet ainsi de concevoir un site web rapidement et avec peu de
lignes de code ajoutées.

2. Outils de conception

1. Draw.io
Draw.io est l’un des outils de création des diagrammes les plus riches en fonctionnalités du
marché et un concurrent direct de solutions professionnelles de bureau comme Visio. Ses
nombreuses barres d’outils, réunissant des centaines d’éléments visuels et de fonctions,
permettent de créer des diagrammes pour toutes les applications imaginables. Les utilisateurs
peuvent personnaliser et organiser leur interface pour travailler le plus efficacement possible.
Ils ont la possibilité d’afficher ou de masquer les barres d’outils à tout moment, en un seul clic.
Ils peuvent l’utiliser en ligne ou l’installer sur une machine. Il est utilisé dans notre cas pour la
création des diagrammes d’UML.

La capture suivante illustre l’interface de draw.io

 Capture 1: Interface de draw.io

2. SketchUp
SketchUp est un logiciel de modélisation en 3D, d’animation et de cartographie orienté
architecture. Initialement développé en 2000 par la société @Last Software puis racheté par
Google en 2006. SketchUp est simple, rapide et intuitif par rapport à d’autres logiciels de
modélisation en 3D. Il nous a permis de faire une illustration en 3D de notre boitier dans la
partie précédant.

Capture 2: Interface de SketchUp

3. Modélisation avec UML

Pour Faciliter notre tâche nous avons fait recours au langage de modélisation unifié UML.
L’Uml était développée en réponse à l’appel à propositions lancées par l’OMG dans le but de
définir la notation standard pour la modélisation des applications construites à l’aide d’objets.
Elle est héritée de plusieurs autres méthodes telles qu’OMT et OOSE et Booch. Les principaux
auteurs de la notation UML sont Grady Booch, Ivar Jacobson et Jim Rumbaugh. Les divers
diagrammes UML permettent de bien exposer nos solutions.

Le fait d’énumérer des cas d’utilisation du système permet de connaître toutes les interactions
et l’ensemble des actions que les acteurs auront avec le système ou pourront réaliser.

Système embarqué : envoyé des informations en temps réel, mise à jour des informations,
déclencher une alerte

Agriculteur : afficher les images capturés, capter les images ajouter ou supprimer des
fonctionnalités et maintenir le système

1. Diagramme des cas d’utilisation

Un diagramme des cas d'utilisation donne le comportement d'un système sous la forme d'action
et de réaction tel que l'utilisateur extérieur le voit. Il décrit les exigences fonctionnelles du
système, les fonctions métiers du système selon le point de vue de ces acteurs. Un cas
d’utilisation modélise un service rendu par le système et doit être relié au moins à un acteur.

Figure 16: Diagramme de cas d’utilisation

 2. Diagramme de séquence
Un diagramme de séquences montre les interactions entre les acteurs et le système selon un
point de vue temporel pour accomplir une fonctionnalité attendue du système (un cas
d’utilisation). C’est un ensemble de messages échangés entre les acteurs et le système,
ordonnés chronologiquement. La dimension verticale du diagramme permet la visualisation de
l’ensemble des évènements dans le temps. L’ordre d’envoi est déterminé par sa position dans
l’axe vertical : le temps s’écoule de haut en bas. Les objets dialoguent via des messages. Les
messages sont signalés par une flèche à trait plein et leurs périodes d’activités sont symbolisées
par des rectangles. Le diagramme ci-dessous illustre Diagramme de séquence du système
embarqué.

Figure 17: Diagramme de séquence

III. Acquisitions, traitement et envoi de données au serveur

Notre système se base sur un module Raspberry qui va gérer la partie de détection des frames,
ensuite ce module vs envoyer ces frames vers un autre module sous Raspberry aussi qui va
appliquer des algorithmes d'apprentissage pour détecter les pourcentages de présences des
insectes dans un lot des frames dans un piège sélectionné. Ensuite ces données vont être saisie
dans des base des données sous Cloud ou on va utiliser le Cloud SQL Service de base de
données relationnelle entièrement géré pour MySQL et SQL Server. afin qu’ils soient
disponibles sur la page web à temps réel.
 Figure 18 : Architecture du système embarqué

Le système se compose d’un module matériel informatique portable et d’un modèle de réseau
neuronal utilisant des réseaux Neural Convolutionals. Notre systéme se compose d’une caméra
et d’un système informatique qui utilise le réseau neuronal Raspberry Pi. Les images
numériques sont transférées de la caméra au Raspberry pi pour traitement figure Montre
l’assemblage du système.

Figure 19:Architecture de système

les images capturées sont transmises au Raspberry Pi dans lequel les images sont analysées,
prétraitées et calculées pour la détection et la classification des objets. L’ensemble du processus
est illustré dans l’organigramme illustré à la figure. Cette section décrit chaque phase du
processus.
 Figure 20: Organigramme du système

Prétraitement-La détection des objets nécessite une entrée de données bien détaillée, et en
même temps est moins intensive sur le plan informatique. Par conséquent, nous
redimensionnons la résolution des données d’entrée à……... Cela garantit que l’information est
préservée et que les frais de calcul pour le matériel portable sont réduits

Classification et détection- Le réseau de classification utilise des modèles TensorFlow formés

sur l’ensemble de données de compétition ImageNet 1000. TensorFlow est une interface pour
l’expression d’algorithmes d’apprentissage automatique, et une implémentation pour
l’exécution de tels algorithmes
 Chapitre 5 : Mise en œuvre de système

Introduction
Ce chapitre concerne la mise en œuvre de notre système ; nous l’avons divisé en deux parties
que sont : la matérialisation des fonctionnalités du système et la réalisation du prototype.

I. Matérialisation des fonctionnalités du système

La matérialisation des fonctionnalités du système consiste à définir tout le matériel dont nous
avons besoin et sa mise en œuvre afin de montrer toutes fonctionnalités essentielles d’un piège
connecté.

1. Choix de la solution
Dans notre cas, le projet nécessite une partie centrale capable de traiter les images reçue et les
envoyer à un serveur. Durant notre recherche nous avons constaté de nombreuses cartes de
développement modulaire On peut citer parmi ces cartes :

Beaglebone : une mini-carte électronique qui possède les fonctionnalités d’un ordinateur.

Carte Arduino : c’est un circuit intégré à base d’un microcontrôleur programmable qui peut
analyser et produire des signaux électriques de façon à effectuer des tâches précises.
RaspBerry Pi B+ : un mini-ordinateur qui exécute le système d’exploitation Linux.

Le tableau suivant nous donne une comparaison technique entre ces cartes :
 Tout d'abord, l'Arduino et le Raspberry Pi et très peu coûteux à moins de 40 $.Il convient
également de noter que la vitesse d'horloge de l'Arduino est environ 40 fois plus lente que les
deux autres. Nous remarquons qu’en terme de mémoire vive ou mémoire externe, la capacité de
Raspberry est plus importante que les autres cartes. L’Arduino a une puissance faible devant les
autres cartes. Donc nous choisissons le Raspberry car il possède des connectiques convenables
au fonctionnement de notre système.

2. Présentation des équipements

1. Raspberry Pi
Le Raspberry Pi est une série de nano-ordinateurs mono-carte (avec un processeur ARM)
développé en Angleterre par David Braben (un créateur de jeux-vidéos) dans le cadre de la
fondation « Raspberry Pi Foundation » afin de promouvoir l’apprentissage des sciences de
l’informatique dans les écoles des pays en voie de développement. Cet ordinateur permet
l’utilisation de nombreux systèmes d’exploitation libre (GNU/Linux, Raspbian Debian et des
autres logiciels compatibles.

Avantage:

— Plusieurs tâches à la fois comme un ordinateur

— Connectivité Internet la plus simple

— Fonctionne en mode GUI (interface utilisateur graphique) en raison du port HDMI.

— Idéal pour les applications basées sur serveur, c'est-à-dire, peut être connecté via SSH –
Secure Shell -pour accéder à distance à la ligne de commande Rpi et partager des fichiers via
FTP – File Transfer Protocol .

— Plus fiable pour les applications logicielles.

Nous allons voir les derniers modèles de Raspberry Pi et quels sont leurs avantages en fonction
de l’utilisation que nous voulons en faire et de notre projet. Premièrement, le Raspberry Pi 3 B+
est équipé du SoC BCM2837B0 qui permet au CPU de passer d’une fréquence cadencée de 1.2
GHz à 1.4 GHz. Au niveau de la connectivité, le Raspberry Pi 3 B+ propose une connexion
Bluetooth Low Energy et une connexion Wi-Fi possible aussi bien sur la bande 2.4 GHz que
sur la bande 5 GHz avec un débit bien meilleur que le Pi 3.
A l’heure actuelle, le Raspberry Pi 3 B+ est tout simplement le nano-ordinateur le plus
polyvalent pour son prix. C’est la version la plus aboutie des Raspberry Pi et elle n’est vendue
qu’à 35 €.

Figure 21: Carte Raspberry Pi 3 B+

Les caractéristiques techniques de la carte sont détaillées au niveau du tableau suivant.

Tableau 5: Caractéristiques technique de Raspberry Pi 3 B+

Microprocesseur Processeur Broadcom BCM2837 64 bits Quad

Core

Tension de fonctionnement du processeur 3,3 V

Entrée de tension brute Source d'alimentation 5V, 2A

Courant maximal à travers chaque 16 mA

broche d'E / S

Courant total maximum tiré de toutes 54 mA

les broches d'E / S

Mémoire flash (système d'exploitation) Carte mémoire SSD de 16 Go

RAM interne 1 Go

Fréquence d'horloge 1,2 GHz

 Ethernet Ethernet 10/100

Connectivité sans fil BCM43143 (LAN sans fil 802.11 b / g / n et

Bluetooth 4.1)

Température de fonctionnement -40ºC à + 85ºC

2. Capteurs utilisé : caméra Raspberry Pi v2

Dans notre projet on va utiliser une caméra pour prendre des photos le meilleurs choix est
d’utiliser le module de caméra dédie au Raspberry Pi.Le module de caméra Raspberry Pi v2 est
un capteur d'image Sony IMX219 de 8 mégapixels de haute qualité conçu sur mesure pour
Raspberry Pi. Il est capable d'images statiques de 3280 x 2464 pixels. Il se fixe à Pi via l'une
des petites prises sur la surface supérieure de la carte et utilise l'interface CSi dédiée, conçue
spécialement pour l'interfaçage avec des caméras.

Figure 22:Camera v2 avec Raspberry Pi

Tableau 6: Caractéristiques de camera v2

Capteur d’image Sony IMX 219 PQ Capteur d’image CMOS

Résolution 8 mégapixels

Résolution d’image fixe 8 mégapixels 3280 x 2464

Vitesse maximale de transfert de l’image 1080p : 30 ips 720p : 60fps

Connexion au câble ruban Raspberry Pi 15 broches, à l’interface série dédiée à la
caméra MIPI 15 broches

(CSI-2)

Connexion internet et géolocalisation

Module GSM/GPRS & GPS pour Raspberry Pi

Ce module nous permet d’accéder aux réseaux cellulaires HSPA 3G afin d’étendre les
fonctionnalités du Raspberry aux applications mobiles en utilisant le module SIM900.
Nouspouvons envoyer des SMS, passer des appels ou créer des sockets TCP et UDP pour
envoyer des informations à l'Internet. Les protocoles http et FTP sont également disponibles
afin d'envoyer les informations vers le cloud directement à partir de notre Raspberry.Il est aussi
équipé d’un module GPS qui nous permet de positionner la carte
 Chapitre 6 : Etude financiers

Introduction
Dans cette partie nous allons aborder l’aspect financier de notre produit qui est très essentiel
pour le lancement de notre projet