Conception d'un système intelligent basé sur IoT et IA

Khaldi, Ouadjih (2025). Conception d'un système intelligent basé sur IoT et IA. (Mémoire de maîtrise). Université du Québec en Abitibi-Témiscamingue. Depositum. https://depositum.uqat.ca/id/eprint/1900

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

RÉSUMÉ

Dans un contexte où l’agriculture est confrontée à des défis croissants en matière d’optimisation, de surveillance en temps réel et de prise de décision autonome, ce travail de recherche propose le développement et le déploiement d’un système embarqué intelligent destiné à l’agriculture de précision. L’originalité de cette approche réside dans l’intégration de plusieurs sous-systèmes complémentaires, formant une solution globale, flexible et optimisée. Ce système embarqué permet l’automatisation en s’appuyant sur un réseau de capteurs environnementaux assurant un suivi continu des paramètres essentiels.

L’aspect novateur de notre approche repose sur l’utilisation de modèles d'apprentissage profond, légers et personnalisés, accessibles via une interface en ligne ou directement depuis un téléphone, sans nécessiter de puissance de calcul locale. Ces modèles ont été améliorés de manière progressive afin d’en augmenter la précision et la fiabilité. Nos résultats expérimentaux ont clairement montré que le système est capable de détecter avec une grande sensibilité des anomalies souvent difficiles à percevoir, comme de petites fuites dans les tuyaux, des variations discrètes de la qualité du sol ou les tout premiers signes de maladies sur les plantes. La détection peut s’effectuer aussi bien en temps réel sur le terrain, grâce à des dispositifs mobiles, qu’à distance via un site web, offrant ainsi une grande flexibilité d’usage. De plus, l’intégration d’une API performante rend l’expérience encore plus fluide et personnalisable : il suffit d’envoyer une image, et le système fournit instantanément une analyse précise et détaillée. Cette combinaison entre accessibilité, réactivité et intelligence permet une surveillance continue et efficace, ouvrant la voie à une agriculture moderne, connectée et adaptée aux besoins réels du terrain.

Par ailleurs, les modèles de vision par ordinateur ont été entraînés sur des jeux de données réels, et leur performance a été évaluée à l’aide de métriques standards telles que la précision, le rappel et le F1-score. Nos résultats expérimentaux ont démontré une supériorité notable par rapport aux approches existantes, confirmant l'efficacité, la robustesse et la fiabilité du système proposé. Cette recherche met en lumière le potentiel des technologies embarquées combinées à l’intelligence artificielle pour répondre aux enjeux de l’agriculture moderne de manière innovante, évolutive et autonome. Ce projet illustre ainsi la faisabilité d’une solution complète alliant systèmes embarqués, IoT et IA pour une agriculture intelligente, autonome et accessible.

ABSTRACT

In a context where agriculture is facing increasing challenges in terms of optimization, real-time monitoring, and autonomous decision-making, this research proposes the development and deployment of an intelligent embedded system designed for small-scale precision agriculture. The originality of this approach lies in the integration of multiple complementary subsystems, forming a global, flexible, and optimized solution. This embedded system enables automation by relying on a network of environmental sensors that ensure continuous monitoring of essential parameters.

The innovative aspect of our approach is based on the use of lightweight and customized deep learning models, accessible via an online interface or directly from a mobile phone, without the need for local computational power. These models have been progressively refined to improve their accuracy and reliability. Our experimental results clearly demonstrate that the system can detect subtle anomalies that are often difficult to perceive, such as small leaks in pipes, slight variations in soil quality, or the very early signs of plant diseases. Detection can be performed both in real-time on-site using mobile devices, and remotely via a web platform, offering a high degree of flexibility. Furthermore, the integration of a high-performance API makes the experience even more seamless and customizable: users simply upload an image, and the system instantly delivers a precise and detailed analysis. This combination of accessibility, responsiveness, and intelligence enables continuous and efficient monitoring, paving the way for modern, connected agriculture that adapts to real field needs.

Moreover, the computer vision models were trained on real-world datasets, and their performance was evaluated using standard metrics such as precision, recall, and F1-score. Our experiments showed a notable superiority over existing approaches, confirming the effectiveness, robustness, and reliability of the proposed system. This research highlights the potential of embedded technologies combined with artificial intelligence to address the challenges of modern agriculture in an innovative, scalable, and autonomous way. This project thus demonstrates the feasibility of a complete solution that combines embedded systems, IoT, and AI for intelligent, autonomous, and accessible agriculture.

Type de document:	Thèse ou mémoires (Mémoire de maîtrise)
Directeur ou directrice de recherche:	Slaoui Hasnaoui, Fouad
Mots-clés libres:	Agriculture intelligente, systèmes embarqués, IoT, vision par ordinateur, apprentissage profond léger, détection d’anomalies, surveillance en temps réel, automatisation, interface web et mobile, Smart agriculture, embedded systems, IoT, computer vision, lightweight deep learning, anomaly detection, real-time monitoring, automation, web and mobile interface
Divisions:	Génie > Doctorat en ingénierie
Date de dépôt:	08 oct. 2026 14:43
Dernière modification:	08 oct. 2026 14:43
URI:	https://depositum.uqat.ca/id/eprint/1900

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt