Déploiement sur mobile d'un modèle à base du Transfer Learning pour la détection de maladies liées aux plantes

Abstract

Ce projet se concentre sur l'application des techniques d'apprentissage par transfert dans le domaine de la détection et de la classification des maladies des plantes. L'objectif est d’implémenter plusieurs modèles pré-entrainés et évaluer leurs performances, et ensuite, procéder au déploiement de l’un des modèles sur téléphone mobile dans le cadre d’une application Android, qui permettra aux utilisateurs d'identifier et de diagnostiquer les maladies des plants de pomme et de raisin. Les chapitres de ce mémoire couvrent plusieurs aspects, allant de l'apprentissage profond, des méthodes de transfert d'apprentissage, des stratégies de déploiement et de l'évaluation des modèles ainsi que le développent de l'application mobile. Quatre modèles pré-entraînés populaires, à savoir DenseNet-201, VGG16, ResNet-50 et Inception-V3, sont utilisés pour l'extraction des caractéristiques et la classification. Les performances de ces modèles sont évaluées sur un PantVillage qui est un dataset contenant plus de 54000 images de plantes, en mesurant l'exactitude dans la phase d’entraînement, la perte dans la phase d’entraînement, l'exactitude dans la phase de test et la perte dans la phase test. Les résultats montrent que Densenet201obtient la plus haute exactitude à la fois sur le dataset d'entraînement et de tests, suivi de InceptionV3, VGG16 et ResNet50. Cependant, en raison des contraintes liées à l'environnement Android, VGG16 a été choisi comme modèle final pour le déploiement dans l'application mobile. L'application développée offre une interface utilisateur intuitive et démontre l'efficacité de l'apprentissage par transfert dans l'identification et le diagnostic des maladies des plantes