Conception et réalisation système basé sur L'IA pour la reconnaissance des plantes médicinales

Ce travail se focalise sur la conception et la réalisation d'un système novateur de reconnaissance
de plantes médicales, visant à surmonter les obstacles linguistiques entravant la collaboration entre
la médecine traditionnelle et moderne. Face à la méconnaissance des noms scientifiques des
plantes, souvent prédominante, l'étude propose une approche reposant sur l'exploitation d'images
via un modèle d'intelligence artificielle. Le processus de la mise au point de ce système s’est
articulé autour de la collection et formation du dataset, du développement et entrainement d’un
modèle d’IA basé sur le Transfer Learning au modèle EfficientnetB3, démontrant une précision
remarquable de 90% sur les données d’entrainement et de 91 % sur les données de test. Le système
conçu permet ainsi au travers d’une image de plante fournies de donner le nom scientifique de la
plante et certaines caractéristiques associée. Cette démarche contribue à rendre accessible et
pratique la reconnaissance des plantes médicinales, facilitant la collaboration entre la médecine
traditionnelle et moderne.
Mots-clés : Intelligence Artificielle, reconnaissance des plante, médecine traditionnelle, médecine
moderne, Vision par ordinateur, apprentissage automatique, classification , deep learning, machine learning, python , CNN, réseau de neurones.

24. 1. Premèrement on iden clement fe problème à résoudre

| Ensuite on iii un résubat à ateindre en some año d'accomplir une Lich

3. On recense et prépare des domées A expoher (des images, de texte, des domées

‘Ce can, on ile un modèle que l machine apprend

Après entinement, le modèle est testé, Eval et optinis

Enfin, k modèle est lié pour efecter ks

jörement pour améliorer ses performances

30. valeurs poids

33. Les GANS som wiss dans divers dk notamment débritage d'images. la détection

Les CNN om risnme la vision par ordinateur en éliminant la mécesské dune extraction

manuel des caracéritiques. IN appremena et opinsent automatiquement ks camtérisiques

ee qui es rend plas pr

38. ans le chaire précédent, nous avons expbré ks bases de la pharmacopée et de Fall

ot pour donner maisance Sn

[par Tineligense ariel, Dans ce chapize, nous alos nous concentrer sur k

12660 du contexte du travail nous a permis de comprendre ls besoin des uilsateurs. Dans cet
panic, nous alons done décri ls fonctionnalités du logiciel. qu répondent à ces besoin. No

Ko la démarche général du processus unió (PU), qui es bas

fins médicinales, teles que ks herborites, ks plamucien

> Création de compte
・ Le syste doit pere A futlisateur de erde un compte

39. J+ Le system doit permet sm scomecter à son comp

Juneemt dwe ine
Le système doit permetre à Tutlsateur de charger une image à parir de son
équipement (phone, tablet, ondisteun..)

Prétiton de Tings

sème doit permetre de fire la medcton du ype de plate dw imag:

ystéme doi afcher la prédiction &Futisteur

‘Confirmation de la prédiction
Le système doit permetre à Tuilisateur de conirmer ou non la prédiction
Si fuilisteur comme la prédiction, E logciel doi foumir ks informations
jantes dans un fier en format ‚pdf (Nom scienifigue de la plate, Propriétés
módicinaks, Éléments chimiques, Structure chimique des éléments chimique

et Tinage prödte se place directement dans Plstrique ab page d'accueil

Les besoins non fonctonnels sont essentiek cari ont un impact dgect ou indirect sur eficac
ett saisacion de misateur Hest donc nécessaire que notre appkeation réponde à ces besoins

Les besoins non fonetionneis dans le cadre de ce travail sont ls suivants

curs Tappkaion doi fourir des messages d'emeur chirs et conc
Tapplcation dot eme fick: à user et adaptée aux besoins des uilisate us

Tappication doi permetre ‘accomplices iches en mois de 15 secondes

application doit protéger ks données des uate

40. Le diagramme de cas d'uilsation < inersctions enr ks acteurs 06 ke système, ll non

les principales fonctionnalités du 9606. ami que ks conditions dans Lsquelks el 5001

43. tine Vamo
d'u prt 上

44. vadisater ala possblité darmibr le changement avant

46. Le diagramme de cas duiisaion, montant le sysöme
digramme de classes, param met en évidence lastra
In permet de four une représenaion absrate des ens du sysème qui iteragisent pou

aleros cas vaio

La rre suivante présente gnphiquement la structure items du système en usant bs chs

Dans k domaine del medekaion des syuemes logis, ks disgrammes. de séquence jouent un

essen en capturant Titeraction dynamique ent ks dires conposans d'une

47. appkcaton. IS représentent une représenation vll rre es objets e

ls acteurs un systtme au fil du temps, meine opérations et de

Dans cete section. nous présentons ls diagrammes de séquence des cas duaiisaion qu seront l
fiéquenment uilsés par ks wisateurs, atin d'avoir une compréhension des seénaric
sun au sn de noue applcaron. Les fes ci-dessous représentent le déroulement

actions entre Fuliateur ete système, dans ordre chronologique

51. Ena io
Am u legen eh
ne a Qs eins Aone lt
a in

on Dg dro vn, Aa ro! ore tdi
Ada MI
cag ER 19 ad a E ls pt als sp
dir ld OA et mer

52. Keras réa, de mod

une bibohèque Python open source pour la s doppreni

automatique profond. I st conga pe

[ganso Beine et des performances éevées (49)

54. a éalsaton din model dintligence arfcill est acon de note tava de reconmas

de pte, Dans cet section, nous alons parker des dren de conception ains qu

méthodes de résiaion de notre mod, paran de l colkete de données, passant par k

du modèle, Tenainement et Févahation du modèle

2 première cupo de l formation dun made de reconnaissance d'images est de colector un

memble de données, Cetensenble de données doit re sulsamment hrge et diversi pour gu

Je puise apprendre à recomuáre ks direntes © ak

x tava, nous avons collcté un ensemble de données de 2500 image

stakes, Ces mages on été colkctées parr de différentes sources, notammen

noire envronnement local (un total de 889 images). Cela nous a permis d'obteir des images

anes dans ur lab naturel. ce qui pour a recomma
dans la nature. Cependant, pour 희 pm L'environnement local présente un
ul arbro-ph. à avoir ccMi decides en pme, Cela pourait entier une mauvais

inerpräntion parle modèle, cares planes peuvent appar diféremment selon Taro

pan L pas toujour k temps de capturer des mages pendant phsieurs

55. som, carlos atom influent sur Tapparence des planes. Cest pourquoi nous avon

pent recoura à la deunème option, qui est celle de Tappikation AH Inn,

Downloader.

Lappkation AN Image Downloader permet de télécharger des images de plates à parir

Google Images (un total de 1611 images). (004 appEation est uile pour coter un

ensemble de données ders, car ele charge des images de diféremes sources, y

noter que cette apphcaion (charge également des images qui non ren A vor ave は

plante eibk. Par exemple, si nous recherchons des images olives, cette application

téchargera également des images de quarters portant le mot “olivier”. Nous avons dû

procéder A un ti manuel de ces images pour nous assurer que nous ne 1éLctangiors qu

Dans k cadre des prétitements, nous avons consiléré 21 chsses et renommé nos images en
fonction de ces classes. Nous avons ense chargé ks images sur Google Drive. Après de

chargement, nous avons use dientes bibfothiques de prératement tells que PIL et Open]

ICV pour & suppression des images des quals inreure. Ab suite dela suppression des images

infericur, mous avons obtenu un dataset de 1856 mages. Nous avons ensuite procédé au
109

de quals

découpage de notre dataset de la manière suivante ; 80 % pour ls domes d'eminement

de Apres cete division. los données

pour ks données de vabdation et 10 5 pour ks données de

sent de la manière suivante

57. 0 @1GOGH

Te RAM

5000 HDD

|
|
|
A |
|
|

ーー

Google COLAB Font de deloppament

58. Processeur GPU

63. 3-

67. PLANT
TION Al

af man recooumon a

68. 32 pr

69. Be PLANT RECOGNITION A1

34 plant necoonmion at