Etudiant : BENCHEIKHI YOUNES

Filière : Machine Learning Avancé et Intelligence Multimédia (MLAIM)

Encadrant : Pr. BOUAYAD ANAS

Annèe : 2025

Résumé : Avec l’essor des technologies agricoles intelligentes, la détection précoce des maladies végétales est devenue une priorité pour garantir un rendement optimal et limiter l’utilisation de traitements chimiques. Ce travail propose un système d’analyse automatisé basé sur l’apprentissage profond pour détecter les infections dans les plants de blé à partir de données hyperspectrales collectées au fil du temps. Après prétraitement spectral, plusieurs modèles ont été développés et comparés : 1D-CNN, LSTM, Bi-LSTM, CNN-BiLSTM et ViT. Chaque modèle est entraîné sur des séries temporelles spectrales représentant des pots de blé infectés et non infectés. L’évaluation, réalisée à l’aide de métriques standards telles que la précision (précision positive), l’accuracy (taux de bonnes classifications), le rappel, le F1-score, ainsi que par l’analyse des matrices de confusion, courbes ROC et précision-rappel, montre que le CNN-BiLSTM obtient la meilleure performance avec une précision et une accuracy de 95 %, suivi du 1D-CNN (93 %), du Bi-LSTM (91 %) et du ViT (90 %). Ce système constitue un outil prometteur pour le phénotypage précoce et la surveillance intelligente des cultures à l’aide de capteurs hyperspectraux. Mots-clés : Données hyperspectrales, Apprentissage profond, Réseau 1D-CNN, LSTM, Bi-LSTM, CNN-BiLSTM, Vit, Phénotypage, Détection d’infection, Agriculture intelligente