Detection des maladies des plantes par l'apprentissage en profonfondeur

Une étude a été réalisée afin de proposer un système intelligent de détection des maladies des plantes à base des simples images de feuilles de plantes saines et malades, ceci en utilisant les méthodes d'apprentissage en profondeur et TensorFlow comme outil de developpement des modèles.

Transcript

1. Présenté par : Yannick Serge Obam Ingénieur en Informatique Industrielle 2018-2019 DETECTION DES MALADIES DES PLANTES PAR L’APPRENTISSAGE EN PROFONDEUR REPUBLIQUE DU CAMEROUN Paix – Travail – Patrie - . - . - . - UNIVERSITÉ DE YAOUNDÉ I ------------- ECOLE NORMALE SUPÉRIEURE DE L’ENSEIGNEMENT TECHNIQUE ------------- Département du Génie Informatique REPUBLIC OF CAMEROON Peace – Work – Fatherland - . - . - . - UNIVERSITY OF YAOUNDÉ I ----------- HIGHER TECHNICAL TEARCHER’S TRAINING COLLEGE ------------ Department of Computer Engineering
2. INTRODUCTION REVUE LITTERARURE APPROCHE PROPOSEE IMPLEMENTATION RESULTATS ET TESTS PLAN Juin 2019 2 CONCLUSION ET PERSPECTIVES
3. Juin 2019 3 10–16% des pertes mondiales de récoltes 220 milliards de $ 80% de la production agricole Contexte Conclusion Introduction Revue littérature Approche proposée Implémentation Résultats et tests
4. Juin 2019 4 Classifier les maladies des plantes à base des images des feuilles infectées et saines Problématique Conclusion Introduction Revue littérature Approche proposée Implémentation Résultats et tests
5. Juin 2019 5 Le principal objectif de la présente étude est de développer une application intelligente de détection des maladies des plantes en utilisant des techniques d’apprentissage en profonde et d’analyse d’images GENERAL Conclusion Introduction Revue littérature Approche proposée Implémentation Résultats et tests
6. Juin 2019 6 1- SIFT - Sac de mots visuels 2- ORB - Représentation continue 3 – Réseaux de neurones convolutifs Conclusion Revue Littérature Introduction Approche proposée Implémentation Résultats et tests Etat de l’art
7. Juin 2019 7 Modèles de réseaux de neurones convolutifs Conclusion Approche utilisée Introduction Revue Littérature Implémentation Résultats et tests
8. Juin 2019 8 Transfert Learning Conclusion Approche utilisée Introduction Revue Littérature Implémentation Résultats et tests
9. Juin 2019 9 Techniques d’optimisation • Régularisation avec dropout • Fonction d’activation ReLu • Algorithme d’optimisation Adam et RMSprop Conclusion Approche utilisée Introduction Revue Littérature Implémentation Résultats et tests
10. Juin 2019 10 Architecture utilisée Inception V3 MobileNet Conclusion Approche utilisée Introduction Revue Littérature Implémentation Résultats et tests
11. Juin 2019 11 Notre Jeu de données Conclusion Approche utilisée Introduction Revue Littérature Implémentation Résultats et tests 54 305- images de feuilles de plantes de Plantvillage
12. Juin 2019 12 Conclusion Implémentation Introduction Revue Littérature Approche Proposée Résultats et tests Logiciels Outils et technologies utilisés GPU Google Compute Engine backend RAM 12,72 GB DISK 358,27 GB • Tensorflow 2.0 • API Keras • Colaboraty • Android Studio Hardware Langages • Python • Java
13. Juin 2019 13 Loading data Data Preprocessing Model Building with Transfer Learning Training, validation and Test Deploy Satisfied No Yes Resize images 224x224, or 299x299 Normalize the map of image to range [0,1], split data for training and validation Initialize Hyperparameters Batch size, learning rate, optimizer, activation function Conclusion Implémentation Introduction Revue Littérature Approche Proposée Résultats et tests Processus d’implémentation
14. Juin 2019 14 Conclusion Résultats Introduction Revue Littérature Approche Proposée Implémentation Modèle Optimizer Epoch Précision apprentissage Erreur Train Précision validation Erreur Valid Temps d’exécution Inception v3 - Modifié Adam 10 91,9% 0.482 93,89% 0.4227 9,126 s (2h30 min) RMSProp 10 90,69% 0.556 92,23% 0.434 9,126 s (2h50min) MobileNet V2 - Modifié Adam 10 93,01 % 0.3037 93,84 % 0.2925 5,253 s (1h28 min) RMSProp 10 92,69 % 0.401 93,13 % 0.317 5,459 s (1h36 min) Tableau de comparaison des résultats
15. Juin 2019 15 Mobiletnet Conclusion Résultats Introduction Revue Littérature Approche Proposée Implémentation
16. Juin 2019 16 Mobilenet Conclusion Résultats Introduction Revue Littérature Approche Proposée Implémentation
17. Juin 2019 17 Conclusion Résultats Introduction Revue Littérature Approche Proposée Implémentation Sélectionner une photo de votre gallery Prendre une photo avec la caméra Photo view pour l’affichage de l’image d’une plante Bouton pour le lancer le diagnostic Espace prévu pour la prédiction Figure 5.5 : Interface principale de l’application
18. Juin 2019 18 Conclusion Résultats Introduction Revue Littérature Approche Proposée Implémentation
19. Juin 2019 19 Résultats Conclusion Introduction Revue Littérature Approche Proposée Implémentation
20. Merci pour votre attention