Segmentation sémantique par réseaux neuronaux des espèces indésirables dans la culture du bleuet sauvage [r-libre/2766]

Grenier, Jean-François (2022). Segmentation sémantique par réseaux neuronaux des espèces indésirables dans la culture du bleuet sauvage (mémoire de maîtrise en Technologie de l'information, Université TÉLUQ, Québec, Canada). Direction : Lemire, Daniel.

Fichier(s) associé(s) à ce document :

PDF - JF Grenier.pdf
Licence : Creative Commons CC BY.

Télécharger

Catégorie de document :	Thèses et mémoires
Évaluation par un comité de lecture :	Oui
Étape de publication :	Non publié
Résumé :	L’agriculture est souvent au coeur des discussions environnementales. L’industrialisation de la production alimentaire passe en grande partie par des produits chimiques qui ont des impacts en dehors des champs. L’application sélective de ces produits est souvent difficile et il ne serait pas rentable d’effectuer cette application manuellement. L’intelligence artificielle a beaucoup progressé dans le traitement d’images au cours des dernières années, laissant entrevoir la possibilité d’accomplir cette application sélective en temps réel lors du passage dans les champs. L’entraînement de ces réseaux neuronaux nécessite un grand volume de données réelles, données qui n’existent pas sans de grands efforts d’acquisition et de classification préalable. Dans le cas du bleuet sauvage, comme plusieurs cultures régionales, il n’existe pas de données facilement accessibles sur lesquelles travailler. Il faut donc trouver des approches différentes. À l’aide d’un moteur graphique habituellement utilisé pour des jeux vidéos (Unreal Engine), nous avons créé des environnements virtuels qui ont permis l’entraînement de réseaux neuronaux sous Tensorflow/Keras. Cette approche a permis de réduire considérablement l’effort d’acquisition et de classification de données réelles. Le travail s’est entièrement déroulé sur un ordinateur de bureau, sans nécessiter l’accès à des équipements spécialisés ou de grandes ressources financières. L’entraînement sur les données virtuelles seulement a généré une précision de 67%, ce qui n’est pas très impressionnant considérant que nous avions une classe majoritaire à 72% dans notre jeu de données. Le réalisme des images et sa correspondance au cas réel pourraient clairement être améliorés. Cependant, l’entraînement incluant une petite quantité de données réelles a augmenté la précision à 88%. Nous ne sommes toutefois pas encore au niveau observé dans d’autres travaux de recherches similaires (95+%). Les données virtuelles ont possiblement un plafond de performance maximale inférieur aux données réelles. Pour un usage cartographique, cette précision combinée à l’imagerie par drone permettrait déjà de créer des cartes utiles de classification des surfaces en cultures. L’obtention de tels résultats suite à nos efforts indique que l’approche pourrait mener à un système d’application en temps réel. Le réalisme des simulations étant relié à la qualité de l’entraînement, le recours à des spécialistes en design graphique augmenterait possiblement la précision du réseau obtenu.
Déposant:	Breault, Claude
Responsable :	Claude Breault
Dépôt :	24 oct. 2022 18:24
Dernière modification :	24 oct. 2022 18:27

Actions (connexion requise)

RÉVISER