Djibril Sembene

CONTEXTE : Pour analyser et faire face aux conséquences du bouleversement climatique, les équipes de recherche de l’Institut national de recherche en agriculture et environnement (INRAe) développent des outils de suivi des agro-ecosystèmes. Dans le cadre de ce sujet, il s’agit du suivi de progression de maladies foliaires qui s’attaquent aux arbres fruitiers. La détection et la quantification par imagerie permet d’alerter les horticulteurs, de sélectionner les variétés les plus résistantes mais aussi de comprendre les dynamiques de population à l’échelle des arbres, des vergers ou des territoires. Au sein de l’équipe ImHorPhen (Imagerie pour l’Horticulture et le Phénotypage), j’étais chargé de mettre en place un réseau de neurones convolutifs pour détecter et quantifier la maladie du coryneum sur les abricotiers. Pour cela j’ai : ● Mise en place un pipeline d’annotation des données pour obtenir un gain de temps ● Développer et entrainer un modèle CNN à partir de zéro ● Mise en place d’un algorithme de génération de données maladies RÉSULTATS : ● Diminution importante d’énergie et du temps pour annoter les images ● Amélioration considérable des performances du modèle avec des performances satisfaisantes en précision et un bon score. ● Méthode reproductible pour les futures années, permettant d’affiner un peu plus les performances du modèle Environnement technique : Python, Scikit-learn, TensorFlow

Réalisation d'une carte de comptage de photons à partir d'électronique grand public de type rp204O. Environnement technique : Python, Arduino, Thonny, C

Réalisation d'une vidéo sur la mise en évidence de la tension de surface (loi de jurin, poussée d'archimède)