Classification automatique et apprentissage approfondi des images:

Abstract

Notre PFE consiste à réaliser une étude de recherche portant sur l'application des méthodes d'analyse de données et d'apprentissage automatique sur des images récoltées dans le domaine d'agriculture. Une application fort intéressante de ce projet est de donner plus d'information sur un champ de plantation en indiquant la qualité de ses fruits et feuilles. On va appliquer une classification des fruits (les pommes) et des feuilles atteintes d'une maladie dans deux classes : saines ou infectées. La première partie consiste à réaliser une classification en utilisant les réseaux de neurones à convolutions (Convolutional Neural Network CNN), commençant par la classification binaire dont le but est de classer les zones infectées d'un fruit ou/et une feuille de fruit selon les deux classes : fruit-infecté, fruit-sain. Puis, effectuer une classification multiple comme dans l'exemple qu'on a pris : (bananes, fraises, oranges, poires) qui classifie les différentes images en entrée dans une des classes déjà entrainées. La deuxième partie consiste à réaliser une étude comparative entre les résultats du CNN et des différents algorithmes de classification supervisée (Multilayer Perceptron MLP, Support Vector Machines SVM, K Nearest Neighbors K-NN). En dernier, nous présentons l'outil YOLO (You Only Look Once), une nouvelle approche de la détection d'objets. Nous l'avons adapté pour la détection d'une classe des fruits (Oranges) en temps réel, en utilisant la caméra d'un device quelconque dans notre cas la caméra d'un pc portable. Le résultat sera l'encadrement de l'objet reconnu dans la zone de l'image captée à l'instant ‘t. Mots clé : Classification, détection, prédiction, apprentissage automatique, reconnaissance d'objets, description d'images, base d'apprentissage.