La Classification d'images d'insectes ravageurs en utilisant le Deep Learning .

Loading...
Thumbnail Image

Date

2020

Authors

Lounis, Katia
Moussi, Dahbia

Journal Title

Journal ISSN

Volume Title

Publisher

Université Mouloud Mammeri

Abstract

L'intelligence artificielle, considérée comme étant une intelligence fournie par une machine, est utilisée pour développer et faire progresser de nombreux domaines, y compris la santé, l'industrie, le commerce et le domaine d'agriculture. Dans ce dernier, l'identification des insectes ravageurs est l'une des techniques clés de la gestion des insectes. En déterminant le type et le nombre de ces derniers dans une ferme, les épidémies d'insectes et les maladies des cultures peuvent être évitées. Pour notre travail, on souhaite pouvoir classifier les images d'insectes nuisibles, selon des classes déjà connues afin de faciliter leurs identifications. Pour cela il est nécessaire de développer une méthode de classification automatique rapide et fiable. Cela est possible grâce à un ensemble d'algorithmes du Deep Learning qui est une dérivée de l'apprentissage automatique qui constitue une sous discipline de l'intelligence artificielle. Au cours de la réalisation de notre mémoire qui porte sur la classification d'images d'insectes nuisibles, nous avons utilisé le Deep Learning, la méthode d'apprentissage qui a montré de grandes performances ces dernières années dans ce domaine et nous avons adopté la méthode CNNs comme méthode de classification. Nous avons discuté des notions fondamentales des réseaux de neurones en général et des réseaux de neurones convolutionnels en particulier. Nous avons introduit les CNNs en présentant les différents types de couches utilisées dans la classification d'images. Le choix de cette méthode est justifié par la simplicité et l'efficacité de cette dernière. Dans ce projet nous avons utilisé deux modèles prédéfinis des réseaux de neurones convolutionnels le GoogleNet et l'Alexnet, que nous avons exécutés une première fois sans appliquer la technique d'augmentation des données et une seconde fois en l'appliquant, afin d'augmenter le nombre de nos images d'entrée et avoir des résultats meilleurs des modèles. Ce travail a été réalisé afin de pouvoir établir une comparaison entre les résultats des deux modèles et dans les deux formations (avec et sans augmentation) pour déduire le modèle le plus performant en termes de réduction de taux d'erreur et d'augmentation des valeurs des indicateurs de performance. Ainsi, nous avons constaté que le GoogleNet était plus performant que l'AlexNet et le rendu de l'utilisation de l'augmentation était meilleur (une précision de 94.1% avec la technique d'augmentation des données et de 93.8% sans la technique d'augmentation des données). Les expérimentations ont montré l'efficacité de notre approche dans l'identification de ravageurs.

Description

72 p. : ill. ; 30 cm. (+ CD-Rom)

Keywords

Intelligence artificielle;, Deep Learning;, Réseaux de neurones convolutifs (CNNs);, Apprentissage profond;, Apprentissage automatique;, Modèles prédéfinis;, Classification d'images.

Citation

Système Informatique.