tri automatigue des pommes de terre par technigue d'apprentissage automatigue

Abstract

تشكل عملية فرز المنتجات الزراعية مصدر قلق رئيسي وتحدي يواجه الزراعة بغية ضمان منتوج ذات جودة. في أيامنا هاته ، تعتمد أنظمة الفرز الأوتوماتيكية القائمة على رؤية عن طريق الكمبيوتر والتعلم الآلي على الخصائص المرئية وعلى الأساليب التي تمكن الآلة من تعلم "النموذج" الذي يجعل من الممكن التصنيف أو التمييز بين الصفات المختلفة للمنتجات الزراعية. تمثل البطاطا لولاية الوادي جزء مهم من الاقتصاد الوطني و الدولي. في هذه المذكرة ، اهتمامنا بعملية الفرز التلقائي للبطاطا. على وجه الخصوص ، قمنا بتطوير نظام قادر على التعرف على فئات البطاطا وفقًا لخصائص الملمس واللون وكذا دمجهما. في الواقع ، تم تصميم مصنف متعدد الفئات خاضع للإشراف استنادًا إلى استخدام خوارزمية التعلم الآلي SVM لبناء نموذج المصنف الخاص بنا. إضافة الى ذلك، قمنا بتكوين بيانات التدريب والاختبار (مجموعة البيانات الخاصة بنا) من الصور التي تم الحصول عليها من البطاطا المكونة من أربعة فئات وهي: برتينا ، برتينا مع المرض ، سبونتا و سبونتا مع المرض. النتائج التي تم الحصول عليها أعطتنا نظام قوي معدل دقته> 70 ٪.Le tri des produits agricoles est un enjeu dans l’agriculture afin d'assurer un produit de qualité. Aujourd’hui, les systèmes de tri automatique basés sur la vision par ordinateur et l’apprentissage machine se reposent sur des caractéristiques visuelles et sur des méthodes qui permettent de faire apprendre à une machine « un modèle » permettant de réaliser une classification ou de distinguer les différents qualités de produits agricoles. Les pommes de terre représentent pour notre pays, et particulièrement pour la wilaya d’El oued, une partie importante de l'économie national et internationale. Dans ce mémoire, nous avons intéressé au processus de tri automatique des pommes de terre. Particulièrement, nous avons développé un système capable de reconnaitre la catégorie de la pomme de terre selon des caractéristiques de texture, de couleur et ainsi leur fusion. En effet, un classifieur multi classes supervisé basé sur l’utilisation de l’algorithme d’apprentissage machine les SVM (machines à vecteur de support) est construit. En plus, nous avons constitué des données d’entrainement et de test (notre propre dataset) à partir des images acquises des pommes de terre de quatre classes à savoir : bartina, bartina avec maladie, Spunta et Spunta avec maladie. Les résultats obtenus nous donnons un système performant dont le taux de reconnaissance (accuracy) est > à 70%.