med07 Goto Github PK

approche-ia-pour-une-agriculture-intelligente

Grâce aux Deep Learning, l’avenir de l’intelligence artificielle est prometteur. Dans ce travail, nous avons exploré le domaine de la classification d’image qui comme tous les autres domaines de l’intelligence artificielle ont connu une évolution majeure depuis l’apparition du Deep Learning. Afin d’aboutir à ces résultats, nous avons passé beaucoup de temps à lire et à étudier les publications et les articles pour voir ce qui se fait de mieux en matière de classification et la détection des malades des plantes, pour pouvoir concevoir notre propre modèle. Dans notre travail, nous avons discuté des notions fondamentales de l’intelligence artificielle, l’apprentissage automatique, des algorithmes les plus populaires, des réseaux de neurones en général et des réseaux de neurones convolutionnels en particulier. Nous avons introduit ces réseaux de neurones convolutionnels en présentant les différents types de couches utilisées dans la classification (couche convolutionnelle, couche de correction, couche de pooling et couche fully connected) et les différents modèle pré-entrainés base sur CNN. Nous avons exposé une approche d’apprentissage profond afin de classer et détecter automatiquement les maladies des plantes (dans notre exemple c’est bien les pommiers) à partir des images des feuilles. Le modèle développé a été en mesure de détecter la présence des maladies et de distinguer entre les feuilles saines et les cinq (05) maladies différentes, qui peuvent être diagnostiquées visuellement. La procédure complète a été décrite, respectivement, du prétraitement des images et à l’augmentation des images et enfin la procédure de l’apprentissage du CNN et ResNet50. Différents tests ont été effectués afin de vérifier les performances des modèles nouvellement créés. Le processus d’augmentation a eu une plus grande influence pour obtenir des résultats respectables. Dans notre travail, les résultats expérimentaux ont montré une précision comprise entre 73.99% et 91.83%. Pour finir, avant de passer aux perspectives, ce travail nous a permis de mettre en pratique nos connaissances sur les réseaux de neurones et d’en acquérir d’autres et le temps passé à lire des articles nous a servi d’une bonne initiation à la recherche.

classification-et-detection-maladies-des-plantes

Le secteur agricole peut être considéré comme l'épine dorsale de toute économie en développement. Pour obtenir un rendement maximal des cultures, il est nécessaire de fournir aux agriculteurs les meilleures technologies et méthodologies. L’intelligence artificielle peut être d'une grande aide dans la lutte contre les maladies des cultures. Ces dernières années, grâce aux avantages de l'apprentissage automatique et l'extraction de caractéristiques, il a été largement concerné par les milieux universitaires et industriels. En même temps, elle est également devenue un point chaud de la recherche dans le domaine de la protection des plantes agricoles. Diverses maladies ont affecté la croissance naturelle des plantes, et les plantes infectées sont les principaux facteurs de perte de production végétale. La détection et l'identification manuelles des maladies des plantes nécessitent un examen minutieux et observateur par l'expertise. Pour surmonter les procédures d'examen manuel, une identification et détection automatisée peuvent être impliquées qui fournissent des solutions plus rapides, évolutives et précises. Dans cette recherche, notre système base sur les réseaux neuronal convolutif et le model pré-entraîné ResNet50 a été teste sur la base de données Plant Pathology 2021 - FGVC8 organise à kaggle. Les expérimentations ont montré que le modèle base sur ResNet50 est plus efficace que les deux premier modèle base sur les réseaux neuronal convolutif en termes de taux de précision (91.83%). La comparaison des résultats trouvés a montré que le nombre d’époques, la profondeur de réseaux, et la taille de la base d’images sont des facteurs importants pour l’obtention de meilleurs résultats.

d3

Bring data to life with SVG, Canvas and HTML. :bar_chart::chart_with_upwards_trend::tada:

d3-simple-gauge

A simple gauge written with D3.js.

data-science--cheat-sheet

Cheat Sheets

datawrapper

An open source data visualization platform helping everyone to create simple, correct and embeddable charts in minutes.

fsr

lp-uml-mini-projet

Application en Java de gestion d'un stockage de produits

med07

Config files for my GitHub profile.

natural-language-processing-reconnaissance-faciale-avec-opencv-et-python

wiqaytna_android