Système d'aide pour améliorer la qualité des récoltes de café et du cacao à l'aide de l'intelligence artificielle

A support system to Improve the Quality of Coffee and Cocoa harvests using Artificial Intelligence

• Auteur / Autrice : Kacoutchy Jean Ayikpa
• Direction : Pierre Gouton, Jérôme Kablan Adou
• Type : Thèse de doctorat
• Discipline(s) : Instrumentation et informatique de l'image
• Date : Soutenance le 17/08/2023
• Etablissement(s) : Bourgogne Franche-Comté en cotutelle avec Université Félix Houphouët-Boigny (Abidjan, Côte d'Ivoire)
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur et microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Imagerie et Vision Artificielle (ImVia) (Dijon)
• Partenaire(s) de recherche : Etablissement de préparation : Université de Bourgogne (1970-....)
• Jury : Président / Présidente : Vincent Oria
• Jury : Examinateurs / Examinatrices : Moustapha Diaby
• Jury : Rapporteurs / Rapporteuses : Sabir Jacquir, Sèmèvo Arnaud Roland Ahouandjinou

Mots clés

Mots clés contrôlés

Caféiculteurs

Café

Plantations de cacao

Cacao

Apprentissage profond

Apprentissage automatique

Mots clés libres

Machine Learning

Deep Learning

Cacao

Café

Espaces couleurs

Agriculture intelligente

Machine Learning

Deep Learning

Cocoa

Coffee

Color space

Smart Agriculture

Résumé

Cette thèse propose cinq contributions importantes dans le domaine de l'analyse de données pour les cultures de café et de cacao. Les résultats ont été présentés lors de conférences internationales et publiés dans des revues à comité de lecture.Premièrement, une méthode de classification et de reconnaissance de maladies des feuilles de café a été développée en utilisant des techniques de Machine Learning et de Deep Learning. Une base de données d'image publique de maladies de feuilles de café a été prétraitée pour être utilisée dans les algorithmes, permettant ainsi aux producteurs de café de mieux protéger leurs cultures.Deuxièmement, des bases de données dédiées au cacao ont été créées, comprenant des images couleur et multispectrales du cacao. Ces bases de données permettent de stocker et de récupérer efficacement des informations sur les caractéristiques du cacao, facilitant ainsi l'analyse et la compréhension.Troisièmement, des techniques de Deep Learning ont permis de détecter et extraire les cabosses de cacao en milieu naturel. Cela permet une séparation efficace des cabosses de cacao des autres éléments présents dans l'environnement, ainsi qu'une détection précoce de maladies qui pourraient affecter les cabosses. Les agriculteurs peuvent ainsi maximiser la production de cacao tout en minimisant les pertes causées par les maladies et les erreurs de cueillette.Quatrièmement, une méthode hybride a été proposée pour classer les fèves de cacao en fonction de leur degré de fermentation. Cette méthode combine des réseaux de neurones à convolution, des machines à vecteur de support et de l'analyse en composantes principales pour permettre une sélection efficace des meilleures fèves pour obtenir des produits de qualité supérieure.Cinquièmement, une méthode de fusion des espaces de couleur a été développée pour déterminer l'état de maturité des cabosses de cacao. Des espaces de couleur différents tels que RGB (Red, Green, Blue) et HSV (Hue, Saturation, Value) ont été combinés pour obtenir une représentation plus complète de l'image, permettant une classification efficace de l'état de maturité.Enfin, une autre méthode pour classifier la maturité des cabosses de cacao à partir d'une base de données d'images a été développée en utilisant des extracteurs de caractéristiques basés sur la texture et sur le Deep Learning. Cette méthode a été évaluée en utilisant des mesures de similarités dans différents espaces couleurs afin de déterminer sa performance. Les résultats obtenus ont permis de comparer les différentes expériences et de déterminer la méthode la plus efficace pour classifier la maturité des cabosses de cacao à partir d'images.En conclusion, ces contributions ont permis d'utiliser les techniques les plus avancées de Machine Learning et de Deep Learning pour analyser et comprendre les cultures de café et de cacao, facilitant ainsi la prise de décisions pour les producteurs de ces cultures.

This thesis proposes five essential contributions to the field of data analysis for coffee and cocoa crops. The results have been presented at international conferences and published in peer-reviewed journals.First, a method for classifying and recognizing coffee leaf diseases was developed using machine learning and deep learning techniques. A public database of coffee leaf diseases has been pre-processed for use in the algorithms, allowing coffee growers to protect their crops better.Second, databases dedicated to cocoa have been created, including color and multispectral images of cocoa. These databases allow efficient storage and retrieval of information on cocoa characteristics, facilitating analysis and understanding.Third, deep learning techniques were used to detect and extract cocoa pods in the wild. This allows efficient separation of cocoa pods from other environmental elements and early detection of diseases that could affect the pods. Farmers can thus maximize cocoa production while minimizing losses caused by disease and picking errors.Fourth, a hybrid method has been proposed to classify cocoa beans according to their degree of fermentation. This method combines convolutional neural networks, support vector machines, and principal component analysis to efficiently select the best beans to obtain superior products.Fifth, a color space fusion method was developed to determine the ripeness status of cocoa pods. Different color spaces such as RGB (Red, Green, Blue) and HSV (Hue, Saturation, Value) have been combined to achieve a complete image representation, enabling efficient classification of maturity status.Finally, another method to classify the maturity of cocoa pods from an image database was developed using texture-based feature extractors and Deep Learning. This method has been adapted using similarity measures in different color spaces to determine its performance. The results made it possible to compare the different experiments and select the most effective method for classifying the maturity of cocoa pods from images.In conclusion, these contributions have made it possible to use the most advanced machine learning and deep learning techniques to analyze and understand coffee and cocoa crops, thus facilitating decision-making for the producers of these crops.