L’apprentissage profond pour la classification d’images Agricoles

Abstract

Les réseaux neuronaux convolutifs (CNN) sont devenus de plus en plus populaires pour les tâches de classification d’images, mais leur conception optimale peut être difficile en raison de l’immensité de l’espace des combinaisons possibles du nombre de couches et des valeurs hyperparamétriques associées à chaque couche. Sélectionner un modèle CNN optimal pour une tâche spécifique peut encore nécessiter beaucoup de temps (pour entraîner de nombreux modèles différents). Afin de résoudre ce problème, nous proposons une approche de conception automatisée de l’architecture CNN qui repose sur plusieurs techniques. La première repose sur l’utilisation de modèles préentraînés et la seconde sur l’utilisation d’un bloc en tant que structure de base en utilisant deux algorithmes évolutionnaires différents : l’optimisation du loup gris et l’algorithme génétique. Dans le cadre de ce travail, nous cherchons à générer le meilleur modèle possible capable de classer les plantules de mauvaises herbes et de cultures. Nous introduisons également un système d’encodage pour les architectures CNN et leurs hyperparamètres correspondants. Nos approches combinées exploitent la puissance des algorithmes évolutionnaires, de l’apprentissage par transfert et du système de bloc pour extraire des caractéristiques significatives à partir d’une image. En utilisant ces techniques, notre méthode atteint une précision exceptionnelle, surpassant les méthodes de pointe avec une précision de validation pouvant atteindre 97,74 %. Cette approche offre un outil révolutionnaire pour améliorer la précision des modèles CNN, spécifiquement adapté à l’ensemble de données utilisé.