| Titre : | Utilisation du Deep Learning pour l’estimation du rendement agricole des arbres fruitiers à partir d’un nuage de points généré par Scanner Laser. |
| Auteurs : | EL MOUH, K; JAAFAR, I, Auteur ; BOUZIANI Mourad, Auteur ; YAAGOUBI Reda, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Rabat : IAV Hassan II, 2024 |
| Format : | 167 |
| Langues: | Français |
| Mots-clés: | nuage de points ; lidar ; production agricole ; arbres fruitiers ; apprentissage profond ; automatisation ; modélisation 3D. |
| Résumé : |
Au Maroc, l’agriculture est l'un des secteurs fondamentaux de l'économie nationale, contribuant à hauteur de 15 % au PIB. L'estimation précise de la production agricole, notamment celle de l'agriculture arboricole, revêt donc une importance cruciale. Cependant, cette estimation est souvent réalisée de manière traditionnelle, reposant sur l'expertise humaine, nécessitant un temps important et des coûts élevés. En outre, cette manière peut entraîner des erreurs significatives, qu'il s'agisse de sous-estimations ou de surestimations. Ces écarts peuvent avoir des répercussions sur la gestion, le stockage et la commercialisation agricole.
Afin de répondre à cette problématique, notre étude propose un workflow visant à automatiser le processus d'estimation du rendement des arbres fruitiers grâce à l'utilisation des nuages de points générés par des scanners laser terrestres et des techniques d’apprentissage profond pour but d’estimer la quantité des fruits dans les arbres, tout en réduisant le besoin d'intervention humaine dans les étapes de mesure et de calcul. Dans le cadre de cette étude, tout d'abord, nous avons réalisé une mission sur le terrain pour acquérir les données de nuages de points au niveau d’une ferme d’agrumes du Domaine Ouargha – Khénichat – Région de Sidi Kacem. Ces données ont ensuite été labellisées manuellement pour entraîner un modèle d'apprentissage profond, conçu pour segmenter les fruits dans le but d'estimer leur nombre. Trois approches ont été testées et comparées dans cette étude à savoir l’approche basée position et couleur, l’approche basée position et intensité et l’approche qui combine la position, la couleur et l’intensité. Par la suite, nous avons procédé à l'estimation de la taille des fruits comptés via leur modélisation automatique utilisant une primitive géométrique de type sphère. L'approche adoptée qui est celle basée sur la position et l’intensité a permis d'obtenir des résultats remarquables lors de l'entraînement du modèle d'apprentissage profond, avec une précision globale de 99,22 % et un F1-score dépassant 99,5 % sur les données de test. De plus, cette approche a conduit à une précision moyenne de 97,48 % sur l'ensemble des classes. Concernant la classe d'agrume, le modèle affiche un IoU de 78.29% et un PQ (qualité panoptique) de 67.18%, attestant de sa capacité à segmenter et à compter précisément les instances de cette catégorie. De plus, en validant les résultats de comptage par rapport aux données terrain reposant sur un comptage manuel, nous avons atteint une précision qui dépasse 80% sur les données de test. Ces résultats illustrent le potentiel élevé de notre méthodologie pour l'estimation automatique de la production agricole. |
| En ligne : | http://10.2.0.27//cda/ebooks/EL_MOUH_JAAFAR_2024.pdf |
Exemplaires (1)
| Code-barres | Cote | Support | Localisation | Section | Disponibilité |
|---|---|---|---|---|---|
| 200041355 | 10326 | Support papier | Salle des thèses/PFE (RDC) | Ingénieur topographe | Consultation sur place Exclu du prêt |
