Etudiant : EL HADRI AYA

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. RIFFI JAMAL

Annèe : 2025

Résumé : Ce projet vise à exploiter l'intelligence artificielle pour la détection et la segmentation automatique d’objets à partir d’images satellites et images drones, en utilisant des modèles d’apprentissage profond. L’objectif principal est d’analyser, cartographier et classifier des éléments géospatiaux tels que les routes, les bâtiments ou la végétation à l’aide de modèles performants comme YOLOv8, U-Net et Mask R-CNN. Après avoir collecté et annoté des données issues de plateformes comme Kaggle (images satellites) et Roboflow (images drones), nous avons entraîné ces modèles sur des tâches spécifiques : YOLOv8 pour la détection d’objets en temps réel, U-Net pour la segmentation sémantique pixel par pixel, et Mask R-CNN pour la segmentation d’instance. Les résultats obtenus ont montré que : • YOLOv8 est rapide et efficace pour la détection d’objets distincts sur les images drones. • U-Net excelle dans la segmentation sémantique sur les images satellites avec des surfaces homogènes. • Mask R-CNN, bien qu’utilisé hors de sa configuration classique, a produit des masques précis pour des scènes complexes. Les performances ont été évaluées avec les métriques IoU et Dice coefficient, permettant de juger la qualité des segmentations. Le projet met en lumière la complémentarité des images drones et satellites ainsi que des modèles IA pour des applications telles que la cartographie urbaine, l’agriculture de précision et la surveillance environnementale. Des pistes d’amélioration sont proposées, notamment l’intégration de modèles plus avancés comme SAM ou Mask2Former, l’enrichissement des données et l’utilisation de capteurs supplémentaires.