Apprentissage profond multimodal pour la détection des maladies des plantes à l'aide de la télédétection et de l'analyse des données climatiques

Multimodal Deep Learning for Plant Disease Detection through Remote Sensing and Climate Data Analysis

• Auteur / Autrice : Maryam Ouhami
• Direction : Adel Hafiane, Youssef Es-Saady
• Type : Thèse de doctorat
• Discipline(s) : Sciences et Technologies Industrielles
• Date : Soutenance le 27/10/2023
• Etablissement(s) : Bourges, INSA Centre Val de Loire en cotutelle avec Université Ibn Zohr (Agadir). Faculté des Sciences d'Agadir (FSA)
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....)
• Jury : Président / Présidente : Zine El Abidine El Morjani
• Jury : Examinateurs / Examinatrices : Adel Hafiane, Youssef Es-Saady, Zine El Abidine El Morjani, Sanaa El Fkihi, Ludovic Macaire, Mustapha Amrouch, Raphaël Canals, Mohamed El Hajji, Laure Tougne
• Jury : Rapporteur / Rapporteuse : Sanaa El Fkihi, Ludovic Macaire, Mustapha Amrouch

Mots clés

Mots clés libres

Fusion de données multimodales

Vision par ordinateur

Apprentissage profond

Détection des maladies des plantes

Images de drone

Images satellite

Multimodal data fusion

Computer vision

Deep learning

Plant disease detection

Drone images

Satellite images

Résumé

La détection des maladies des plantes revêt une importance capitale pour prévenir les pertes de récoltes et maintenir la productivité agricole. Cependant, ce défi complexe nécessite des approches avancées pour améliorer la précision et l’efficacité des systèmes de détection. Dans cette thèse, nous nous concentrons sur l’utilisation de la fusion de données multimodales pour relever ce défi. Nous avons pu mettre en lumière les avancées récentes dans le domaine et identifier les lacunes et les opportunités de recherche. Nous avons ensuite proposé une architecture de fusion post-apprentissage permettant d’intégrer les données provenant d’images de drones et de données météorologiques pour une compréhension plus profonde de l’état de santé de la plante et l’identification du mildiou. Enfin, nous avons créer une architecture de fusion multimodale basée sur les transformeurs combinant les images satellites et les données météorologiques pour la détection du mildiou. Dans l’ensemble, les résultats de cette thèse mettent en évidence l’importance de la fusion de données multimodales dans la détection des maladies des plantes. Nos contributions ont permis de réaliser des avancées dans la problématique de la détection des maladies des plantes tout en ouvrant de nouvelles perspectives sur l’utilisation de la fusion de données multimodales dans le domaine de l’agriculture.

The detection of plant diseases is of high importance in preventing crop losses and maintaining agricultural productivity. However, this complex challenge requires advanced approaches to improve the accuracy and efficiency of detection systems. In this thesis, we focus on the use of multimodal data fusion to solve this problem.We have highlighted recent advances in the field and identified research gaps and opportunities. We then proposed a post-learning fusion architecture for integrating data from drone imagery and meteorological data for robust detection of plant health and blight identification. Finally, we created a transformer-based multimodal fusion architecture combining satellite imagery and meteorological data for late blight detection. Overall, the results of this thesis highlight the importance of multimodal data fusion in the detection of plant diseases. Our contributions have enabled us to make advances in the problem of plant disease detection while opening up new perspectives on the use of multimodal data fusion in agriculture.