“Deep Analytics” au service d’une agriculture digitale et de précision : Application à la détection des mauvaises herbes.

Abstract

L'agriculture digitale est une révolution technologique du domaine agricole qui consiste à digitaliser les processus et filière de l’agriculture, tout en profitant des technologies avancées du digital, en vue de booster la productivité, optimiser les ressources et améliorer la performance, dans le dessein de contribuer efficacement à la sécurité alimentaire. En effet, les technologies de pointe liées à l’intelligence artificielle, Big data Analytics, Cloud Computing et à l’internet des objets constituent le levier d’une agriculture digitale révolutionnaire, permettant une analyse stratégique et prédictive des données agricoles massives collectées (données météorologiques, images des cultures, états des sols, demandes de commercialisation, suivi des terres, etc.), au profit d’une gestion smart et optimale des parcelles agricoles. Cette thèse vise à ajouter une pierre académique à cet édifice d’agriculture digitale et connectée. Il s’agit particulièrement d’appliquer les algorithmes de deep learning pour la gestion des cultures, notamment pour la détection des mauvaises herbes, en vue d’une meilleure productivité agricole. Ce travail de recherches propose des contributions pragmatiques basées sur un ensemble d’algorithmes susceptibles de renforcer l’Analytics à base de deep learning dans différents problèmes agricoles. En particulier, nous traitons la question de détection des plantes adventices par le biais d’une application informatique assurant l’amélioration du processus d’apprentissage des algorithmes. Nous y partageons, également, les résultats d'un ensemble d'études détaillées autour des approches existantes visant à améliorer les algorithmes de classification et de détection. Les constats dégagés de ces études nous ont inspiré pour proposer un ensemble de méthodes et de solutions susceptibles d’améliorer les modèles d'apprentissage profond au profit de l'agriculture et de l’industrie agroalimentaire. À la lumière de ces résultats, nous proposons un modèle hybride composé d’un réseau de neurones ResNeXt avec Machine à Vecteurs de Support (SVM). Ce modèle s’est avéré consistant et efficace favorisant une meilleure détection des mauvaises herbes pour l’optimisation des cultures et la hausse du rendement agricole. Ce travail se veut également une feuille de route scientifique et dessine de nouveaux sillons pour les futurs doctorants et chercheurs désirant appréhender davantage dans cette doctrine d’agriculture digitale.