Ecole Nationale d’Electronique et des télécommunications de
Sfax
Département électronique
-----------------------------------------------------------------------------------------------------------------
Projet Tutoré
« Architectures avancées des processeurs embarqués »
L’intelligence artificielle dans le secteur agricole
Préparé par : Ikhlass Zneidi
Islem Ben Ali
A.U :2024/2025
Sommaire
Table des matières
Introduction générale ............................................................................................................................ 1
Chapitre 1 : cadre de projet.................................................................................................................. 2
1. Introduction : ............................................................................................................................... 3
2. La détection avancée des maladies des plantes : ......................................................................... 3
3. Cahier des charges : ..................................................................................................................... 4
3.1 Problématiques : .................................................................................................................. 4
3.2 Cahier des charges : ............................................................................................................. 4
4. Conclusion :................................................................................................................................. 4
Chapitre2 : Conception de projet......................................................................................................... 5
1. Introduction : ............................................................................................................................... 6
2. Conception de projet : ................................................................................................................. 6
2.1 Objectifs : ............................................................................................................................ 6
2.2 Spécifications Techniques du Système de Surveillance des plantes : ................................. 6
2.3 Processus détaillé pour la mise en place :............................................................................ 7
2.4 Interface de connexion entre les logiciels : ......................................................................... 8
2.5 Simulation virtuelle : ........................................................................................................... 8
Conclusion ............................................................................................................................................ 15
Table des figures
Figure 1: connexion entre les logiciels ................................................................................................. 8
Figure 2: code de récupération et traitement des données ................................................................ 9
Figure 3:feuille malade 1ere essai ........................................................................................................ 9
Figure 4:feuille saine 1ere essai ............................................................................................................ 9
Figure 5: code de comparaison 1ere essai.......................................................................................... 10
Figure 6: code de comparaison 1ere essai.......................................................................................... 10
Figure 7: le résultat d'affichage 1ere essai ........................................................................................ 11
Figure 8:récupération et traitement des données ............................................................................. 11
Figure 9: feuille malade 2eme essai .................................................................................................... 12
Figure 10: feuille saine 2eme essai...................................................................................................... 12
Figure 11: le code de comparaison 2eme essai .................................................................................. 12
Figure 12:le code de comparaison 2eme essai ................................................................................... 13
Figure 13: le résultat d'affichage 2eme essai ..................................................................................... 13
Introduction générale
L'intelligence artificielle (IA) a émergé comme une technologie révolutionnaire avec le
potentiel de transformer divers secteurs d'activité, y compris l'agriculture. Dans le contexte
agricole, l'IA offre des solutions innovantes pour relever les défis complexes auxquels est
confrontée l'industrie, tels que l'augmentation de la productivité, la gestion des ressources
naturelles, la réduction des pertes de récoltes, et la prise de décision basée sur des données
précises et en temps réel. Grâce à des algorithmes avancés, des capteurs intelligents et des
systèmes de traitement de données sophistiqués, l'IA permet aux agriculteurs d'optimiser leurs
pratiques agricoles, de minimiser les risques et de maximiser les rendements, tout en favorisant
une utilisation durable des ressources. Cette convergence de la technologie et de l'agriculture
offre un potentiel considérable pour améliorer l'efficacité, la rentabilité et la durabilité de la
production alimentaire, contribuant ainsi à relever les défis alimentaires mondiaux tout en
réduisant l'empreinte environnementale de l'agriculture.
Dans ce rapport, nous explorerons dans le premier chapitre le cadre de projet. Dans le
deuxième chapitre, nous allons présenter les détails de détection de maladie dans le but de
contrôler l’état des plantes à laide des logiciels Anaconda, MongoDB et NODERED.
Enfin, nous allons terminer ce rapport par une conclusion générale.
1
Chapitre 1 : cadre de projet
2
1. Introduction :
La détection des maladies des plantes revêt une importance dans l'agriculture pour garantir la
santé des cultures et assurer des rendements optimaux. Les maladies des plantes peuvent être
causées par divers agents pathogènes tels que les bactéries, les virus, les champignons ou même
des facteurs environnementaux comme les conditions météorologiques défavorables. La
détection avancée des maladies est essentielle pour permettre une intervention rapide et
efficace, réduisant ainsi les risques de propagation et les pertes de récoltes.
2. La détection avancée des maladies des plantes :
Traditionnellement, la détection des maladies des plantes se fait visuellement par des
agriculteurs expérimentés qui examinent les cultures pour repérer les symptômes
caractéristiques tels que les taches, les déformations ou les dépérissements. Cependant, cette
approche peut être sujette à des erreurs humaines et peut ne pas être suffisamment sensible pour
détecter les maladies à un stade précoce.
Avec les avancées technologiques, notamment dans le domaine de la vision par ordinateur et
de l'intelligence artificielle, de nouvelles méthodes de détection des maladies des plantes
émergent. Ces approches utilisent des techniques telles que l'analyse d'images, la spectroscopie,
ou même la détection de signatures chimiques pour identifier les signes de maladies avec une
précision accrue et une rapidité de traitement des données.
Le traitement d'image joue un rôle essentiel dans l'évolution des méthodes de détection des
maladies des plantes. En exploitant les capacités de la vision par ordinateur et de l'intelligence
artificielle, le traitement d'image permet d'analyser et d'interpréter les images des feuilles de
plantes capturées par les caméras. Grâce à des algorithmes sophistiqués, le traitement d'image
permet de détecter les caractéristiques visuelles des maladies, telles que les taches, les
décolorations ou les anomalies de forme, même à un stade précoce où elles pourraient être
difficiles à repérer à l'œil nu. En combinant ces techniques avec des bases de données d'images
de feuilles saines et malades, le traitement d'image permet d'identifier et de classer les maladies
avec une précision accrue. De plus, l'utilisation de techniques avancées telles que la
segmentation d'image et l'apprentissage automatique permet d'améliorer continuellement la
performance des systèmes de détection des maladies des plantes, ouvrant ainsi la voie à une
agriculture plus durable et résiliente.
3
3. Cahier des charges :
3.1 Problématiques :
La détection traditionnelle des maladies des plantes repose largement sur l'observation
visuelle par des agriculteurs expérimentés, ce qui peut être sujet à des erreurs humaines et peut
ne pas être suffisamment sensible pour détecter les maladies.
3.2 Cahier des charges :
L’objectif de ce projet est d’intégrer l’intelligence artificielle dans le secteur agricole pour
rendre l’environnement plus confortable pour les agriculteurs.
Pour réaliser ces objectifs, nous allons suivre la démarche suivante :
- Elaborer un code pour faire les phases de récupération des données de MongoDB.
- Réaliser un code pour faire la capture d’après la caméra.
- Faire un code pour comparer les deux images (stockée et capturée).
- Faire la liaison entre les 3 logiciels MongoDB, Anaconda Navigator et Node-RED.
4. Conclusion :
Dans ce chapitre nous avons présenté l’évolution des méthodes de détection de maladies, puis
nous avons donné la problématique, le cahier des charges ainsi que le travail à suivre pour
mener à bien notre projet.
4
Chapitre2 : Conception de projet
5
1. Introduction :
Dans la phase de conception de projet, nous pouvons inclure plusieurs informations importantes
pour assurer la mise en place du système de détection des maladies des plantes.
2. Conception de projet :
2.1 Objectifs :
Afin de répondre aux besoins croissants de surveillance agricole et de garantir la santé des
cultures, il est impératif de développer des solutions innovantes et automatisées. Dans cette
optique, ce projet vise à mettre en place un système avancé de surveillance de la santé des
cultures en se concentrant sur la détection avancée des maladies des plantes.
Pour atteindre cet objectif, ce projet se propose de de développer un système de surveillance
automatisé qui :
1. Capture des images haute résolution des feuilles de plantes à l'aide d'une caméra.
2. Analyse ces images à l'aide d'algorithmes sophistiqués.
3. Identifie les parties des feuilles présentant des anomalies et les signale comme
potentiellement malades.
4. Visualise les résultats de la détection sur le Node-RED.
2.2 Spécifications Techniques du Système de Surveillance des plantes :
Dans notre projet, nous utilisons un ensemble de technologies pour mettre en œuvre la détection
des maladies des plantes de manière automatisée et précise.
• Exigences matérielles :
o Caméra : La caméra est utilisée pour capturer des images haute résolution des feuilles de
plantes. Ces images servent de données d'entrée pour le processus de détection des maladies.
o Raspberry Pi : La Raspberry Pi est un petit ordinateur monocarte qui agit comme le
cerveau de notre système de détection des maladies. Elle gère la capture des images, la
comparaison avec les images de feuilles saines dans MongoDB, et l'identification des parties
malades des feuilles.
o Diode : Les diodes sont utilisées pour prévenir les surtensions ou les courants excessifs qui
pourraient endommager les composants sensibles du système.
6
o Résistance : Les résistances peuvent être utilisées dans des circuits de division de tension
pour ajuster les niveaux de tension auxquels fonctionnent certains composants du système.
• Exigences logicielles :
o Node-RED : Node-RED est un outil de programmation visuelle qui facilite le flux et la
manipulation des données. Dans notre projet, Node-RED est utilisé pour afficher les résultats
de la détection des maladies de manière conviviale, permettant aux utilisateurs de visualiser les
parties malades des feuilles sur une interface graphique.
o MongoDB : MongoDB est une base de données NoSQL utilisée pour stocker les images de
feuilles saines, ainsi que leurs métadonnées associées. Il offre une flexibilité dans le stockage
et la récupération des données, ce qui le rend adapté à notre projet.
o Anaconda Navigator : Anaconda Navigator facilite le développement, l'exécution et le
déploiement de code Python en permettant de créer et de gérer des environnements virtuels,
d'écrire et d'exécuter du code, puis de transférer facilement le code sur une carte telle que la
Raspberry Pi pour une mise en production efficace.
2.3 Processus détaillé pour la mise en place :
Le projet vise à développer un système automatisé de détection des maladies des plantes, en
utilisant une caméra pour capturer des images de feuilles de plantes, en comparant ces images
avec des images de feuilles saines stockées dans une base de données MongoDB, et en affichant
les parties malades détectées dans Node-RED. Les objectifs spécifiques incluent :
2.3.1 Installation et configuration de la Raspberry Pi :
• Configurez la Raspberry Pi
• Connecter la Raspberry Pi au réseau local pour accéder à la base de données MongoDB.
2.3.2 Installation et configuration de MongoDB :
• Créez une base de données contenant les images de feuilles saines ainsi que les informations
associées (par exemple, le nom de la plante, le type de maladies qu'elle peut contracter, etc.).
2.3.3 Développement de l'application sur la Raspberry Pi :
• Utilisez un langage de programmation tel que Python pour développer l'application sur la
Raspberry Pi.
• Intégrez une bibliothèque pour la communication avec la base de données MongoDB
(comme cv2) pour récupérer les images de feuilles saines et les informations associées.
• Utilisez une bibliothèque pour la communication avec la caméra pour capturer une image de
la feuille de plante.
7
• Implémentez un algorithme de comparaison d'images pour comparer l'image capturée avec
les images de feuilles saines dans la base de données.
2.3.4 Affichage des résultats dans Node-RED :
• Configurez Node-RED pour recevoir les résultats de la comparaison depuis la Raspberry
Pi.
• Utilisez des nœuds dans Node-RED pour afficher les résultats
2.4 Interface de connexion entre les logiciels :
Cette interface de connexion facilite l'échange de données entre les composants du système
pour permettre une communication fluide et efficace entre eux.
Nœud Mongo
DB
Récupération et
traitement des données
Affichage
Comparaison
Figure 1: connexion entre les logiciels
2.5 Simulation virtuelle :
2.5.1 Première essai :
Récupération et traitement des données :
Dans cette phase, on a récupéré les données depuis MongoDB et les convertir de type Json
vers JPG.
8
Figure 2: code de récupération et traitement des données
Comparaison :
Pour la comparaison, nous utilisons le traitement d’image qui analyse les différences
entre les deux feuilles pour détecter les signes de maladies ou d'anomalies.
Figure 3:feuille malade 1ere essai Figure 4:feuille saine 1ere essai
9
Figure 5: code de comparaison 1ere essai
Figure 6: code de comparaison 1ere essai
Affichage : Après la comparaison des deux feuilles, le résultat est affiché dans la fenêtre. La
figure ci-dessous illustre le résultat obtenu.
10
Figure 7: le résultat d'affichage 1ere essai
2.5.2 Deuxième essai :
Récupération et traitement des données :
Dans cette phase, on a récupéré les données depuis MongoDB et les convertir de type Json
vers JPG.
Figure 8:récupération et traitement des données
11
Comparaison :
Pour la comparaison, nous utilisons le traitement d’image qui analyse les différences
entre les deux feuilles pour détecter les signes de maladies ou d'anomalies.
Figure 10: feuille saine 2eme essai Figure 9: feuille malade 2eme essai
Figure 11: le code de comparaison 2eme essai
12
Figure 12:le code de comparaison 2eme essai
Affichage :
Après la comparaison des deux feuilles, le résultat est présenté dans la fenêtre
d'affichage, comme illustré dans la figure ci-dessous.
Figure 13: le résultat d'affichage 2eme essai
13
Nous avons débuté la mise en place de ce projet, mais nous avons été confrontés à des
obstacles dus à des défauts matériels, au niveau de port HDMI et Ethernet de la carte Raspberry
ainsi qu'à des contraintes de temps. Malheureusement, ces problèmes ont limité notre
avancement et ont nécessité des ajustements pour les surmonter.
14
Conclusion
En conclusion, malgré les défis rencontrés tout au long du processus, ce projet de surveillance
automatisée de la santé des plantes a représenté une avancée significative dans le domaine de
l'agriculture intelligente. En intégrant des technologies telles que la vision par ordinateur,
l'intelligence artificielle et l'analyse de données, nous avons pu développer un système
capable de détecter efficacement les maladies des plantes et de fournir des informations
précieuses aux agriculteurs pour une gestion proactive des cultures. Bien que des ajustements
aient été nécessaires en raison de contraintes matérielles et temporelles, cette expérience a été
enrichissante et ouvre la voie à de futures améliorations et développements dans le domaine
de la surveillance des cultures. En fin de compte, ce projet démontre le potentiel des
technologies numériques pour transformer et améliorer les pratiques agricoles, contribuant
ainsi à une agriculture plus durable et productive pour l'avenir.
15