Intelligence artificielle pour l’industrie. Application à la viticulture et à la modélisation des cas de Covid-19
Auteur / Autrice : | Lucas Mohimont |
Direction : | Luiz Angelo Steffenel, Nathalie Vaillant-Gaveau |
Type : | Thèse de doctorat |
Discipline(s) : | Informatique |
Date : | Soutenance le 30/09/2022 |
Etablissement(s) : | Reims |
Ecole(s) doctorale(s) : | École doctorale Sciences du Numérique et de l’Ingénieur (Reims ; 2018-) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d'Informatique en Calcul Intensif et Image pour la Simulation (LICIIS) - UR 3690 LRC DIGIT (Reims, Marne) |
Jury : | Président / Présidente : Bruno Tisseyre |
Examinateurs / Examinatrices : Luiz Angelo Steffenel, Nathalie Vaillant-Gaveau, Cong-Duc Pham, David Fofi, Michaël Krajecki, François Alin, Rachel Oliveira | |
Rapporteurs / Rapporteuses : Cong-Duc Pham, David Fofi |
Résumé
Cette thèse entre dans le cadre de l'Intelligence Artificielle et plus précisément de la vision par ordinateur et de l'analyse de séries temporelles. Ces travaux ont été financés dans le cadre du Projet Européen Artificial Intelligence for Digitizing Industry (H2020 AI4DI).L'apprentissage profond, et les réseaux de neurones convolutifs en particulier, a été développé sur de grandes bases de données contenant des dizaines de milliers d'exemples étiquetés. Ces méthodes forment désormais l'état-de-l'art dans de nombreux domaines comme la Vision par Ordinateur. Or, la collecte de données est plus difficile dans un contexte industriel car il faut s'adapter à l'environnement et au cycle de production. Nous étudions dans cette thèse la problématique de l'adaptation des méthodes d'apprentissage profond pour des applications industrielles à travers trois cas d'usages.Notre premier cas d'usage est la prédiction du rendement de la vigne à partir d'images. Nous proposons un modèle PSPNet pour segmenter les vignes et compter les raisins. Ce modèle est applicable en conditions naturelles sur des cépages et des stades phénologiques différents. Nous proposons ensuite une méthode pour détecter les raisins malades au pressoir, elle inclut (1) un modèle Unet léger pour détecter les raisins en temps réel et (2) un modèle PSPNet permettant de quantifier objectivement le pourcentage de maladie visible. Notre dernier cas d'usage est l'adaptation des réseaux de neurones convolutifs pour la prédiction des cas (et hospitalisations) de Covid-19 en France à partir de série temporelles.Nous avons étudier pour chaque cas d'usage les différentes méthodes de régularisation permettant la création de modèles performants malgré le peu de données disponibles.