‫الجمهورية الجزائرية الديمقراطية الشعبية‬

LA REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

‫وزارة التعليم العالي والبحث العلمي‬

Ministère de l'Enseignement Supérieur et de la Recherche Scientifique

Université Saad Dahlab Blida 1

Institut d'Aéronautique et des Études Spatiales
Département Construction Aéronautique

Mémoire de fin d’études

En vue de l’obtention du diplôme de

Master en Aéronautique

Option : Avionique
THEME

Reconnaissance par apprentissage automatique de signatures

acoustique de drone

Proposé et dirigé par : Réalisé par :

[Link] Nawal Mr. BENABIDA Lalouani,

Mr. HAMDANI Younes;

Soutenue devant le jure composer de :

Dr. AZMADROUB Boussad Président
Dr. CHOUTRI Kheirddine Examinateur

Promotion : 2022 / 2023

 Remerciement :

Au nom d’ALLAH le tout-Puissant, nous adressons un immense remercîment pour sa

guidance divine qui nous a accordé la foi, la volonté, des moyens et du courage nécessaires
pour atteindre ce niveau. Nous lui sommes reconnaissants de nous avoir permis d'accomplir
cette thèse.

Tout d’abord, nous tiens d’exprimer notre gratitude à notre encadreur Mme CHEGAGA
NAWAL qui nous à guider pendant notre travail par ces conseils, ses encouragement et ses
remarques pertinentes. Ainsi que Votre expertise et votre vaste connaissance dans le domaine
et votre capacité à inspirer ont été essentielles pour mener à bien notre projet dans les meilleures
conditions.
Nous remercions également les membres du jury qui ont généreusement accepté d'évaluer
ce travail, qui a eu l'honneur de présider le jury de ce mémoire.
Nous tenons à exprimer nos sincères remerciements à tous ceux qui, de près ou de loin, ont
contribué à la réalisation de ce travail. Votre soutien et votre implication ont été d'une
importance capitale et nous sommes profondément reconnaissants envers vous.
 Dédicace :

Je dédie ce modeste travail, a ceux qui mon donné la vie,

tendresse, qui se sont sacrifiée pour mon bonheur et ma
réussite à mes très chers parents MOURAD et SAMIA
A mes frères Zaki,Ishak et ma sœur Nour aussi mon oncle
Younes qui se réjouit toujours de mon succès et de mes
progrès dans mes études, et à toute la famille Benabida.
A mon binôme Younes et à mes amis Fares , Imad Aissa,
Raouf, Noufel, Ziad, Acil, Hamza, Aymen, Hocine.
Finalement je dédie se modeste travail a mes chères
collègues de spécialité Avionique Master 02 Promo
2022/2023.

Benabida Lalouani
Dédicace

Ce projet fin d’étude est le fruit de mon travail acharne, de mes

efforts et mes dévouement. Mais il est également le résultat du
soutien inconditionnel et des encouragements que j’ai reçus des
gens qui m’entourent.
Je dédie ce modeste travail à mes chers parents. A ma mère
KHENICHE DJAHEDA, mon pilier de force pour ton amour
inépuisable, tes sacrifices pour moi et ta patience infinie. Tes
encouragements et ton dévouement ont été ma boussole dans ce
voyage.
Au meilleur des pères HAMDANI MOHAMED, dont la sagesse et
l’exemple de persévérance m’ont guide. Tes conseils, ta patience et
ta confiance en mes capacités m’a poussé à repousser mes limites.
A mon frère ISLEM et ma sœur IBTISSEM, mes complices de
toujours, vous avez été mes meilleurs allies. Votre soutien
indéfectible et vos encouragements ont été des sources de
motivation principale.
A toute ma famille, surtout mes deux oncles OMAR et TOUFIK.
Vous êtes à la place de mon père. Je vous adresse mes sincères
remercîments pour votre soutien continu et vos conseils.
Je tiens également à exprimer ma gratitude à mon binôme
ALOUANI et à tous Mes camarades au long mon parcours
universitaire HAMZA, RAOUF, ZIAD, AISSA, ALLA, ACIL,
KARIM, AYMEN, NIZAR, SADIK et ZAOUI. Votre présence et
votre amitié sincère ont illuminé mes journées et m’ont aidé à
garder le cap, même dans les moments les plus difficiles.
Cette dédicace est un témoignage de ma gratitude éternelle
envers vous tous. Merci d’avoir été là pour moi au long de ce
voyage.

Younes Hamdani
Résumé:

Le développement des drones et les menaces qu’ils représentent pour les sites sensibles
rendent critiques leur localisation et identification. Plusieurs modalités sont disponibles pour
traiter ce problème comme l’imagerie optique ou radar, la détection de communications
radiofréquence ou encore l’acoustique. C’est sur cette dernière modalité que ce travail
s’articule .Il s’agit de développer un module acoustique pour la détection et l’identification de
sources acoustiques de type mini- drone. Afin de protéger des sites sensibles contre les drones
artisanaux. Les résultats obtenus au cours de cette recherche démontrent clairement
l’efficacité de réseaux de neurones spécifiquement CNN dans la classification de sons de
drones transformés sous forme d’image de spectrogramme. Avec une précision de 98%.

Mots clés : Drones, détection acoustique, réseaux de neurone convolutifs, spectrogramme.

Abstract:
The development of drones and the threats they pose to sensitive sites make their location
and identification critical. Several modalities are available to treat this problem such as optical
or radar imaging, detection of radio frequency communications or acoustics. It is on this latter
modality that this work is articulated. The aim is to develop an acoustic module for the
detection and identification of mini-drone acoustic sources. To protect sensitive sites from
artisanal drones. The results obtained during this research clearly demonstrate the
effectiveness of CNN-specific neural networks in classifying transformed drone sounds as
spectrogram images. With an accuracy of 98%.

Keywords: Drones, acoustic detection, convolutive neural networks, spectrogram.

 ‫ملخص‬

‫أمرا بالغ‬
‫إن تطوير الطائرات بدون طيار والتهديدات التي تشكلها على المواقع الحساسة تجعل موقعها وتحديد هويتها ً‬
‫األهمية‪ .‬تتوفر عدة طرائق لمعالجة هذه المشكلة مثل التصوير البصري أو الراداري أو اكتشاف اتصاالت الترددات الراديوية‬
‫أو الصوتيات‪ .‬وبنا ًء على هذه الطريقة األخيرة‪ ،‬يتم توضيح هذا العمل‪ .‬الهدف هو تطوير وحدة صوتية الكتشاف وتحديد‬
‫المصادر الصوتية الصغيرة للطائرات بدون طيار‪ .‬لحماية المواقع الحساسة من الطائرات الحرفية بدون طيار‪ .‬تُظهر النتائج‬
‫التي تم الحصول عليها خالل هذا البحث بوضوح فعالية الشبكات العصبية الخاصة بشبكة ‪ CNN‬في تصنيف أصوات‬
‫الطائرات بدون طيار المحولة على أنها صور طيفية‪ .‬بدقة ‪.٪89‬‬

‫الكلمات الرئيسية‪ :‬طائرات بدون طيار‪ ،‬اكتشاف صوتي‪ ،‬شبكات عصبية تالفيفية‪ ،‬مخطط طيف‪.‬‬
Table des matières

Remerciement
Dédicace
Résumé
Table des matières
Liste des figures
Liste des tableaux
Abréviations/Acronymes
Introduction générale
Chapitre 01: Généralité sur les drones
1.1 Introduction .............................................................................................................. 4
1.2 Historique................................................................................................................. 4
1.3 Classification des drones.......................................................................................... 5
1.3.1 Classification selon P.A.E ................................................................................. 5
1.3.2 Classification selon la configuration aérodynamique ...................................... 7
1.4 Architecture et Composants (Partie Mécanique & Electronique)........................... 9
1.4.1 Composants ...................................................................................................... 9
1.4.2 Hélices ............................................................................................................. 10
1.4.3 Moteurs électriques ......................................................................................... 11
1.4.4 Contrôleurs de vitesse (ESC) .......................................................................... 11
1.4.5 Contrôleur de vol ............................................................................................. 12
1.4.6 Le châssis ........................................................................................................ 12
1.4.7 Les Batteries .................................................................................................... 13
1.4.8 La Caméra embarquée :................................................................................... 13
1.4.9 La Radio-commande (RC) .............................................................................. 14
1.5 Domaine d’application .......................................................................................... 15
1.5.1 Applications militaires (marine, armée et force aérienne) .............................. 15
1.5.2 Applications civil ............................................................................................ 15
1.5.3 Les utilisations négatives des drones .............................................................. 15
1.6 Les systèmes de détection ..................................................................................... 16
1.6.1 Détection radar ................................................................................................ 17
 1.6.2 Détection Radio Fréquence: ............................................................................ 17
1.6.3 Détection optique ............................................................................................ 18
[Link] Caméras électro-optiques (EO) ................................................................ 18
1.6.3.2Caméras infrarouges/thermiques ................................................................... 19
1.6.4 Détection acoustique ...................................................................................... 19
1.7 Les avantages et les inconvénients des systèmes de détection : ............................ 20
1.8 Conclusion ............................................................................................................. 22
2 .1 Introduction ........................................................................................................... 24
2.2 L'apprentissage en profondeur (Deep learning) ..................................................... 24
2.3 Réseaux de neurones et son principe de fonctionnement ...................................... 25
2.4 L’apprentissage : .................................................................................................... 26
2.4.1 Apprentissage supervisé .................................................................................. 27
2.4.2 Apprentissage non supervisé ........................................................................... 27
2.4.3Apprentissage semi-supervisé .......................................................................... 27
2.5 Réseau de neurones à convolution (CNN) ............................................................. 28
2.6 Réseaux Neuronaux Récurrents (RNN) ................................................................. 30
2.7 Réseaux Long Short-Term Memory (LSTM) ........................................................ 31
2.8 Les Réseaux Siamois ............................................................................................ 33
2.8.1 L'architecture des réseaux siamois ................................................................ 33
2.8.2 Formation des Réseaux Siamois(Training) .................................................... 34
2.9 L’utilisation des réseaux de neurones .................................................................... 35
2.10 Les avantages et les inconvénients des réseaux de neurone ............................... 36
2.10.1 Les Avantages des réseaux de neurones ....................................................... 36
2.10.2 Les Inconvénients des réseaux de neurones .................................................. 36
2.11 Conclusion ........................................................................................................... 37
3.1 Introduction ............................................................................................................ 39
3.2 Logiciel de travail .................................................................................................. 39
3.3 La collecte des données (dataset) ........................................................................... 39
3.4. La visualisation des sons ....................................................................................... 40
3.4.1. La représentation temporelle .......................................................................... 40
3.4.2. La représentation fréquentielle ....................................................................... 44
3.4.3. La représentation spectrale ............................................................................ 46
3.5. Type et structure de réseau de neuronal ................................................................ 49
3.5.1 Bibliothèque utilisé ......................................................................................... 49
3.6 Algorithme de manipulation .................................................................................. 50
 3.6.1 Lecture des données ........................................................................................ 50
3.6.2 Visualisation des images paires....................................................................... 50
3.6.3. Création de réseau de neurone ....................................................................... 51
3.6.4 L’entraînement de réseau ................................................................................ 52
3.6.5 Renforcement de la dataset ............................................................................. 54
3.6.6 Création de réseau CNN .................................................................................. 55
3.6.7 Apprentissage de modèle ................................................................................ 57
3.6.8 Partie de validation .......................................................................................... 60
3.7 Conclusion ............................................................................................................. 61
Bibliographie ........................................................................................................ 65
Liste des figures

Chapitre 01 : Généralité sur les drones

Figure 1. 1 : les drones donne l’histoire ......................................................................... 4
Figure 1. 2 : Spectre de masse des différents drones selon le classement américain (en
Kg) . ............................................................................................................................... 6
Figure 1. 3: Drone à aile battante ................................................................................... 7
Figure 1. 4: Drone à voilure fixe. ................................................................................... 7
Figure 1. 5: Drones mono-rotors. ................................................................................... 8
Figure 1. 6: Les différents types de drone birotors ........................................................ 8
Figure 1. 7: Drone tri-rotor. ........................................................................................... 9
Figure 1. 8: Exemples des drones à rotors multiples. .................................................... 9
Figure 1. 9: Exemples d’hélices pour drone. ............................................................... 10
Figure 1. 10: Les deux types d’hélices pour drone. ..................................................... 10
Figure 1. 11: Exemple d’un moteur Brushless............................................................. 11
Figure 1. 12: Electronic Speed Controler (ESC) ......................................................... 11
Figure 1. 13: Types de châssis (Configuration en « X » et en configuration en « + ». 13
Figure 1. 14: Batterie LiPo........................................................................................... 13
Figure 1. 15: Exemple de caméra à embarquer sur quadricoptère. .............................. 14
Figure 1. 16: Principe de fonctionnement d’une radiocommande ............................... 14
Figure 1. 17 : Système de détection de drones avec Radar .......................................... 17
Figure 1. 18: Système de détection de drones Radio Fréquence ................................. 18
Figure 1. 19: Système de détection de drones par Caméras électro-optiques (EO) ..... 18
Figure 1. 20: Schéma synoptique de la méthode de détection acoustique [15]. .......... 19

Chapitre 02 : Les Réseaux De Neurone Artificiels

Figure 2. 1: Schéma de décomposition du domaine de l’intelligence artificielle et de
ces sous-domaines ........................................................................................................ 24
Figure 2. 2: Topologie de réseau de neurones avec une seule sortie. ......... ………….26
Figure 2. 3: Réseau de neurones avec de nombreuses couches convolutives .............. 28
Figure 2. 4: Exemple explicative sur l’opération de convolution ................................ 29
Figure 2. 5: (a) pooling maximal, (b) pooling moyen .................................................. 29
Figure 2. 6: Couche fully-connected ............................................................................ 30
Figure 2. 7: Architecture de RNN ................................................................................ 31
Figure 2. 8: Architecture de Long-Short Term Memory Unit ..................................... 31
Figure 2. 9: Gated Reccurent Unit ............................................................................... 33
Figure 2. 10 : L'architecture des réseaux siamois ....................................................... 34
Liste des figures

Chapitre 03 : Détection acoustique de drone

Figure 3. 1 : Liste des sons collectée. .......................................................................... 40
Figure 3. 2: Résultats de visualisation des sons de drones dans le domaine temporel.41
Figure 3. 3 : Résultats visualisation des sons de Bruit dans le domaine temporel
(stéréo). ........................................................................................................................ 42
Figure 3. 4: Résultats de visualisation des sons de drones dans le domaine temporel
(mono). ......................................................................................................................... 43
Figure 3. 5: Résultats de visualisation des sons de bruit dans le domaine temporel
(mono). ......................................................................................................................... 43
Figure 3. 6: Résultats de visualisation des sons de drone dans le domaine
fréquentielle. ................................................................................................................ 45
Figure 3. 7: Résultats de visualisation des sons de bruit dans le domaine fréquentielle.
...................................................................................................................................... 46
Figure 3. 8: Résultats de visualisation des sons des drones dans le domaine spectrale
...................................................................................................................................... 48
Figure 3. 9: Résultats de visualisation des sons des bruits dans le domaine spectrale.48
Figure 3. 10: L’architecture des réseaux siamois......................................................... 49
Figure 3. 11: Résultats de visualisation des images paires positive. ........................... 50
Figure 3. 12: Résultats de visualisation des images paires négative............................ 51
Figure 3. 13: graphe de Accuracy et Loss en fonction d’epochs ................................. 53
Figure 3. 14: graphe de Accuracy et Loss en fonction d’epochs ................................. 53
Figure 3. 15 : graphe de Accuracy et Loss en fonction d’epochs……………............60
Liste des Tableaux :

Chapitre 01 : Généralité sur les drones

Tableau 1.1 : Calcification de UAV…………………………………………………[5]
Tableau 1.2 : Les avantages et les inconvénients des différents systèmes de
détection…………………………………………………………………………….[22]
Chapitre 03 : Détection acoustique de drone
Tableau 3.1 : Modèle de CNN ………………………………………………………[5]
Abréviation /Acronymes

CNN Convolution Neural Network.

DFT Discrete Fourier Transform.
ESC Electronic Speed Controller.
EO/IR Electro-optique Infrarouge.
ESC Electronic Speed Controller.
EUROUVS European Organization of Unmanned Aerial Vehicles.
FFT Fast Fourier Transform.
IA Intelligence Artificiels.
LSTM Long Short Term Memory
RF Radio Frequency.
RNN Recurrent Neural Network.
SDDD Système de Défense Des Drones.
UAV Unmanned Aerial Vehicles (Drone).
UVS Unmanned Vehicles Systems.
2D Deux Dimension.
Introduction
Générale
Introduction générale :
Actuellement, l’innovation rapide de la technologie des drones a conduit à une
augmentation significative de leur utilisation dans de nombreux domaines tels que
l’agriculture, la surveillance, la photographie aérienne. Cependant, due à cette
popularité croissante les drones peuvent tout de même présenter des risques potentiels
sur la sécurité générale et la vie privée. Les drones peuvent être utilisés de manière
illégale pour espionner des individus ou bien pour le transport de substances
frauduleuses.
Dans ce cadre, la détection des drones est devenue une préoccupation majeure pour
de nombreux secteurs. Pour les acteurs de ces domaines il devient impératif de
développer des systèmes de détection avancée capable de détecter et de poursuivre les
drones non autorises. Les chercheures ont déjà créé des procédés d’identification tels
que la détection optique, détection par Radar et par de radio fréquence. Chaque une de
ces méthodes a ses points positifs et ses limitations.
Dans notre projet, nous allons développer un détecteur acoustique de drone. La
détection acoustique fait référence à la capacité d’identifier et de localiser des signaux
sonores. Elle est basée sur l’analyse des signaux sonores capté par des microphones ou
des capteurs acoustique afin d’extraire des informations sur les sources sonores. Les
drones produisent un son nome bourdonnement. Ce dernier sera capté et traités afin de
détecter le drone à partir de son bourdonnement.

Donc il est possible de reconnaitre ses signatures sonores spécifiques et de les

distinguer des autres sources de bruit ambiant. Ce système peut être utilisé dans de
vastes domaines, tel que la lutte contre les utilisations illégales des drones, notamment
la sécurité et la vie privée. D’où la nécessité d’utiliser ce système dans les endroits
fermés comme les banques, les bureaux de poste et les cellules de prisons, mais aussi
dans les bureaux accoises à des postes sensibles à l’image de bureau de ministre, chefs
de l’armée et la présidence des états.

Pour rester en parallèle avec le progrès technologique qui se passe dans le monde
entier. On a intégrés un modèle d’intelligence artificielle dans notre travail. L’IA se
réfère à la capacité des machines à effectuer des taches qui nécessitent une intelligence
similaire à celle humaine, telles que la prise de décision et la reconnaissance vocale.
Grâce à l’utilisation des techniques telles que l’apprentissage automatique (Machine
Learning) et le de réseaux neurones. L’IA utilise pour des algorithmes capables
d’analyser et de reconnaitre l’empreinte sonore des UAV. Nous avons cherché à
améliorer la précision de la détection acoustique en utilisant les réseaux de neurones.
Afin de classer les enregistrements sonores de l’ambiance sonore dans un endroit fermé.
 Ce mémoire est divisé en trois(03) chapitres. Nous avons essayé de collecter le
maximum d’information sur notre thème.
 Le premier chapitre a traité le domaine des drones d’une façon générale.
Historique des drones, leurs caractéristiques, les diffèrent types. Afin de deblier
le terrain pour la réalisation de notre travail.

 Dans le deuxième chapitre nous avons abordé le thème de l’intelligence

artificielle spécifiquement les réseaux de neurones. On a aussi pu expliquer le
fonctionnement des différentes architectures dont RNN, CNN et les Siamois.
En plus de déclarer ses avantages et ses points faibles.

 Dans le dernier chapitre on a étudié les caractéristiques des sons dans le domaine
temporelle, fréquentielle et spectrale. C’est sur cette dernière modalité qu’on a
basé notre travail pour classifier les différents sons (drones ou bruits) à l’aide
de réseaux de neurones Siamois et Convolutifs. Tout ce travail est réalisé par
l’utilisation du langage de programmation Python.
 Chapitre 01 :
Généralité sur les
drones
 Chapitre 01: Généralité sur les drones

1.1 Introduction
Les drones ou UAV (Unmanned Aerial Vehicles) sont des véhicules aériens sans
pilote capables d'effectuer des tâches autonomes ou semi-autonomes. Leur utilisation
principale est les missions militaires de reconnaissance ou de surveillance sans risque
de pertes.
En effet, ils sont idéaux pour les missions qui pourraient mettre en danger l'équipage,
ou qui nécessitent des séjours prolongés dans des zones fastidieuses pour l'équipage à
bord. Leur utilisation commence par tout ce qui concerne l'observation et s'étend ensuite
à l'acquisition d'objectifs ainsi qu'à la guerre électronique et à la destruction d'objectifs.
Les applications civiles émergentes dans un flux sans fin, telles que la surveillance
du trafic routier, la prévention des incendies de forêt, la collecte de données
météorologiques et même l'inspection des ouvrages d'art. Les drones peuvent varier en
taille de quelques centimètres à quelques mètres, et leurs méthodes de propulsion
varieront selon les besoins. On distingue deux types de voilures : les voilures fixes pour
le vol en mode d’avance et les voilures tournantes pour le vol stationnaire [1].

1.2 Historique
Les drones dans l’histoire, ont vu leur intérêt augmenter au courant de la seconde
guère mondial au vu de la nécessité d’avoir des appareils sans pilotes capables de
réaliser des missions de reconnaissances et d’espionnage.[2]

Figure 1. 1 : les drones dans l’histoire. [2]

4
 Chapitre 01: Généralité sur les drones

Les premiers drones apparurent en France dans les années 1960, tel le R 20 Nord-
Aviation, dérivé de l'avion cible CT 20. Mais les exemples significatifs d’une utilisation
opérationnelle des drones sont encore peu nombreux.
Pendant la guerre du Vietnam, les Américains ont utilisé des drones (Firebee) pour
localisez la rampe de lancement du missile sol-air soviétique "SAM-2": 3500, plus tard,
pendant la guerre du Golfe de 1991, ils ont fait appel au drone (Pioneer) pour la
surveillance jour/nuit, acquisition de cible et paramètres d'artillerie. Dans le même
conflit, la Grande-Bretagne et la France commencez à servir des drones.
De leur côté, les Israéliens ont saturé les systèmes de défense aérienne le long du
canal suez pendant la guerre du Yom Kippour (1973) avait beaucoup de bons drones
marché. Plus tard, ils ont détecté et leurré par le même moyen les batteries syriennes
anti-aériennes.
En général, les experts conviennent que les drones peuvent vraiment démontrer leurs
capacités d'observation aérienne de combat (renseignement), concernant les trois
théâtres les plus proches de l'ancien conflit Yougoslavie, Irak et Afghanistan.
C'est encore le drone (Hunter), qui a successivement assuré la Réunion du G8 d'Evian
2003 et célébration du 60e anniversaire du débarquement allié en Normandie en 2004.
Mais les drones sont encore peu connus, et donc préoccupants, un demande de test de
surveillance du trafic routier sur la rocade grande ville française rejetée par un
minuscule drone (environ 6 kg) année 2004 par les autorités pour raisons de sécurité.

1.3 Classification des drones

Les drones peuvent être divisés en différentes catégories selon leur taille, leur
capacité de charge utile, leur autonomie et leur objectif, une classification intéressante
a été proposée par l'Association européenne des systèmes de véhicules sans pilote
(EUROUVS), devenue plus tard l'International Unmanned Vehicle Systems (UVS
International).
1.3.1 Classification selon P.A.E
La classification est basée sur différents paramètres tels que la masse maximale au
décollage, l'altitude maximale et le temps de vol maximal. Dans le tableau 1.1, nous
fournissons un résumé complet des quatre principales catégories de drones et de leurs
acronymes. [3]

5
 Chapitre 01: Généralité sur les drones

Tableau 1.1 : calcification des UAVs. [3]

Nous pouvons le définir par le schéma spectral suivant :

Figure 1. 2 : Spectre de masse des différents drones selon le classement américain (en Kg) [4].

6
 Chapitre 01: Généralité sur les drones

1.3.2 Classification selon la configuration aérodynamique

Une autre possibilité de classement est permise par la configuration aérodynamique. Les
drones peuvent être divisés en trois catégories :

a) Aile battante :

Le drone est guidé et piloté en battant des ailes. Ils imitent les insectes et peuvent planer à
basse vitesse et effectuer des tâches dans des espaces très restreints. [5]

Figure
. 1. 3: Drone à aile battante. [5]
b) Drone à voilure fixe
Ce genre de drone est constitué d’une paire d’ailes, un fuselage, un empennage et un ensemble
d’hélices. Les configurations de ce genre donnent plus d’autonomie au drone.

Figure 1. 4: Drone à voilure fixe. . [5]

c)Drones à voilure tournante

Ce type de drone a des capacités de décollage et d'atterrissage verticaux, utilise des rotors ou
des multi-rotors pour planer et voler, n'a pas besoin de piste de décollage et d'atterrissage et
peut atteindre une très grande diversité. Mission impossible par rapport aux drones à voilure
fixe. [5]

Nous pouvons alors classer les drones à voilures tournantes en quatre catégories :

 Les mono-rotors.
 Les birotors.
 Les tri-rotors.
 les rotors multiples.

7
 Chapitre 01: Généralité sur les drones
 Les mono-rotors
Les mono-rotors se composent d’un rotor principal qui permet le décollage et l’atterrissage.
Ils se divisent en trois sous-catégories selon la configuration utilisée pour permettre au drone
de se déplacer dans ses différents axes (en translation et en rotation), ainsi que pour l’empêcher
de tourner sur lui-même sous l’action du couple de réaction du rotor principal.

Figure 1. 5: Drones mono-rotors. [5]

 Les birotors
Les birotors contrarotatifs se composent de deux rotors tournants en sens opposé et à la même
vitesse de rotation. Ils sont divisés en 3 sous catégories selon la configuration utilisée pour
permettre au drone de se déplacer suivant ses différents axes.

 Les birotors à pas cyclique et collectif : ils utilisent la variation cyclique et collective du
pas pour se positionner.
 les birotors augmentés d’une ou plusieurs hélices.
 les birotors utilisant des volets.

Figure 1. 6: Les différents types de drone birotors. [5]

8
 Chapitre 01: Généralité sur les drones

 Les tri-rotos
Ils sont constitués de deux rotors à l’avant qui tournent dans les sens opposés pour modifier le
tangage et d’un rotor en arriéré pour régler le roulis. Le fonctionnement est similaire à celui
d’un quadrirotor mais la performance en vol n’est pas aussi satisfaisante. [5]

Figure 1. 7: Drone tri-rotor. [5]

 Les rotors multiples

Ces robots volants sont généralement équipés de quatre rotors, mais ils existent avec six ou
même huit rotors

Figure 1. 8: Exemples des drones à rotors multiples. [5]

1.4 Architecture et Composants (Partie Mécanique & Electronique)

Dans la présente partie, nous allons parler des différents composants qui entrent dans la
réalisation d’un quadricoptère.
1.4.1 Composants
La fabrication d’un quadricoptère nécessite un nombre important de composants. Nous
pouvons citer entre autres :
 Le châssis,
 04 ESC (contrôleurs électroniques des moteurs brushless),
 04 moteurs brushless,
 04 hélices (02 pour le sens horaire et 02 autres pour le sens anti-horaire),
 Le contrôleur de vol,
 Des capteurs (accéléromètres, GPS …etc),
 Batterie pour l’alimentation électrique,
 01 récepteur selon la radiocommande utilisée,
 Eventuellement une caméra embarquée,

9
 Chapitre 01: Généralité sur les drones

1.4.2 Hélices
Un quadricoptère est constitué de deux hélices standard (sens horaire) et deux hélices pusher
(sens anti horaire) rotation contraire [6].

Figure 1. 9: Exemples d’hélices pour drone. [6]

La désignation des hélices est une double valeur du type 8*5. La première valeur indique
la longueur de l’hélice en pouces (inchs en anglais qui correspond à 2.54 cm). Le pas d’une
hélice est défini comme étant la distance théorique d’avancement de l’hélice en un tourcomplet.
Plus l’hélice est grande, plus elle va apporter de portance et de stabilité. Une grande hélice sera
moins agile, vive et réactive. La seconde valeur indique le « pas de l’hélice » 4 – 4,5
– 5 – 5,5 -…etc. Plus le pas est important, plus l’hélice va brasser d’air en 1 tour, et plus elle va
nécessiter d’énergie.

Figure 1. 10: Les deux types d’hélices pour drone. [6]

10
 Chapitre 01: Généralité sur les drones

1.4.3 Moteurs électriques

Quatre moteurs sans balai (brushless) sont nécessaires pour le quadrirotor. Il en existe de
différentes tailles et puissances. Ils sont caractérisés par le diamètre de leur cage tournante et
par le nombre de tours/volt ou KV .le KV est la division du nombre de tours par minute par volt,
par exemple un moteur ayant un KV de 1000 tours/V fonctionnera à 12000 tours/min s’il est
alimenté en 12 V . Sur les moteurs sans balai utilisés en modélisme, les bobinages en cuivre sont
montés sur le stator et les aimants sur le rotor, à l’inverse des moteursélectriques conventionnels
[6].

Figure 1. 11: Exemple d’un moteur Brushless. [6]

1.4.4 Contrôleurs de vitesse (ESC)

Les ESCs (Electronics Speed Controler) convertissent les DC en AC pour alimenter les
moteurs synchrones sans balai (brushless). Chaque moteur a besoin d’un ESC.

Figure 1. 12: Electronic Speed Controler (ESC). [6]

11
 Chapitre 01: Généralité sur les drones

1.4.5 Contrôleur de vol

C’est une carte électronique ou plutôt un calculateur embarqué, équipé de capteurs très précis
(ses entrées), qui va traiter les consignes du pilote envoyées à l’émetteur ainsi que les
informations envoyées par ses capteurs et va transmettre à travers ses sorties des impulsions
électriques aux contrôleurs des moteurs pour faire varier leur vitesse. Ces cartes sont équipées
de gyroscopes et d’accéléromètres pour mesurer et compenser les déplacements. Certaines
cartes évoluées sont équipées de GPS et d’altimètre afin de maintenir un point fixe ou une
altitude ou même de retourner au point de départ du drone en cas de perte de signal radio [6].Il
existe différents types de contrôleur de vol avec des spécificités et des options différentes. En
effet, Certains contrôleurs de vol peuvent être équipés de diverses options comme par exemple
 gyroscope,
 accéléromètre,
 navigation,
 baromètre,
 GPS,
 sonar
 OSD pour On Screen Display (affichage sur l’écran)
 bluetooth
 etc.

D’autres peuvent avoir des softwares (nécessaires à la configuration et à la programmation) en

‘’open source’’ ou bien en ‘’closed source’’ :

 Exemples de contrôleur de vol open source

 APM
 PX4
 Rushduino FC V1.1 USB version
 Flip32 Acro Controller
 …etc
 Exemples de contrôleur de vol closed source
 NAZA MV2
 NAZA light
 NAZE 32
 …etc

1.4.6 Le châssis
Sur les quadricoptères, le châssis comporte quatre bras qui forment une croix. Suivant les
règles de la construction mécanique. Il existe plusieurs configurations possibles : en « X », en
« + » et en « H ».

12
 Chapitre 01: Généralité sur les drones

Figure 1. 13: Types de châssis (Configuration en « X » et en configuration en « + ». [6]

Le châssis va déterminer l’envergure totale du quadrirotor. Le type du châssis utilisé affectera
les caractéristiques de l’ensemble des composants (type et taille, c’est-à-dire poids deshélices,
des moteurs, de la batterie, des fixations…).
1.4.7 Les Batteries
Les batteries utilisées sur un quadricoptère sont essentiellement des « Lithium Polymère »
(Li-Po). Elles sont issues d’une technologie qui permet d’avoir un très bon rapport
poids/puissance. Un élément Li-Po (1S) fournit une tension de 3,7v. Sur un drone, on utilise en
général des batteries à 3 ou 4 éléments (3S ou 4S). L’intensité est aussi un critère de choix. Un
chargeur spécifique est à prévoir ainsi que des règles de sécurité très strictes car ces batteries
peuvent exploser en cas de mauvaise manipulation. A noter que ces batteries doivent être
stockées, en cas de non utilisation, à des températures relativement basses de l’ordre de 5°C [7].

Figure 1. 14: Batterie LiPo. [7]

1.4.8 La Caméra embarquée :

Généralement ce sont des caméras à faible résolution ou haute résolution et qui envoient des
images à des stations terrestres via des ondes radio. [7]

13
 Chapitre 01: Généralité sur les drones

Figure 1. 15: Exemple de caméra à embarquer sur quadricoptère. [7]

1.4.9 La Radio-commande (RC)

Pour piloter le quadricoptère, il faut un émetteur radio pour le pilote et un récepteur dans le
drone. Il existe plusieurs technologies pour les radio-commandes : les radios FM en 41MHz de
moins en moins utilisées et les radios en 2,4 GHz, souvent programmables pour s’adapter à
chaque appareil radio-commandé. Une radio-commande doit idéalement comporter 6 voies pour
piloter un quadricoptère. Ces 6 voies se répartissent comme suit : 4 voies sur les manettes et 2
voies sur des interrupteurs pour actionner certaines fonctions. Il existe deux modes de
configuration des manettes, le premier mode dans lequel les gaz sont à droite et le deuxième
mode où les gaz sont à gauche. Certaines radios fonctionnent dans les deux sens, c’est-à-dire
qu’elles peuvent envoyer des ordres à l’émetteur mais aussi recevoir des informations. Sur la
plus part des récepteurs il est possible de choisir la répartition des commandes (lacet, roulis et
tangage) sur les sticks de droite et de gauche. Il existe en tout 4 modes, les plus utilisés sont le
1 et le 2. Pour le pilotage de quadricoptère, le mode 2 est le plus adapté car toute l’assiette est
contrôlée par une même manche (ce qui se rapproche le plus d’un vrai hélico). [7]

Figure 1. 16: Principe de fonctionnement d’une radiocommande. [7]

14
 Chapitre 01: Généralité sur les drones

1.5 Domaine d’application

L’objectif principal des drones est de remplir une mission qui pourrait être de nature
militaire, scientifique, économique ou même commerciale.

L’intérêt pour le contrôle et la navigation des drones est dû à leur utilisation dans des
environnements dangereux. [8]

1.5.1 Applications militaires (marine, armée et force aérienne)

— Intelligence électronique,

— Brouillage et destruction du système radar,

— Relais de signaux radio,

— Observation des flottes ennemies,

— Désignation et suivi des cibles,

— Élimination des bombes qui non pas explosées,

— Leurre de missiles par émission de signatures artificielles.

1.5.2 Applications civil

— Topographie aérienne pour les recherches géographiques,

— Pulvérisation et surveillance agricoles,

— Chercher et sauver,

— Lutte contre l’incendie et détection d’incendie forestier,

— Surveillance des importations illégales,

— Études de pollution et surveillance des terres,

— Inspection des pipelines et des lignes électriques,

— Recherche de pétrole et de gaz,

— Livraison de colis,

— Détection de véhicules mobiles au sol.

1.5.3 Les utilisations négatives des drones

Malheureusement, les drones peuvent également avoir des utilisations négatives et poser
des risques potentiels pour la vie privée, la sécurité et la sécurité publique:

- Espionnage et surveillance illégale:

15
 Chapitre 01: Généralité sur les drones

Les drones peuvent être utilisés pour espionner ou surveiller illégalement

des personnes, des entreprises ou des gouvernements. Cela peut inclure la collecte de
données personnelles ou sensibles, la surveillance de mouvements ou de
comportements, ou la collecte d'informations stratégiques.

- Violation de la vie privée:

Les drones peuvent être utilisés pour filmer ou photographier des personnes dans
leur vie privée, par exemple, dans leur jardin ou sur leur balcon, ce qui peut constituer
une violation de la vie privée.

- Attaques terroristes:

Les drones peuvent être utilisés pour mener des attaques terroristes en larguant
des explosifs ou en créant des perturbations dans les transports publics ou les
infrastructures.

- Attaques de piratage informatique:

Les drones peuvent être utilisés pour mener des attaques de piratage
informatique, par exemple, en piratant des réseaux Wi-Fi ou des systèmes de sécurité.

- Pollution sonore:

Les drones peuvent être très bruyants et causer une pollution sonore, ce qui peut
causer des nuisances pour les personnes vivant ou travaillant à proximité.

-Collision:

Les drones peuvent causer des accidents s'ils entrent en collision avec d'autres
drones, des avions, des hélicoptères ou des objets sur le sol.

-Utilisation illégale de drogues et la livraison:

Les drones peuvent être utilisés pour transporter illégalement des drogues ou
d'autres produits dangereux, contournant les contrôles de sécurité et les lois. Il est
donc important que les gouvernements, les entreprises et les particuliers prennent des
mesures pour réglementer et contrôler l'utilisation des drones, afin de minimiser les
risques potentiels pour la vie privée, la sécurité et la sécurité publique.

1.6 Les systèmes de détection

Au cours des dernières années, la mise en œuvre des drones est en forte
augmentation, ce qui en fait une arme très dangereuse entre les mains de l’ennemi.
La détection fiable des drones est très difficile et exige une tâche et la grande majorité
des solutions analysées dans ce document sont réalisées au cours des dernières
années.

Il existe plusieurs techniques de détection de drones. Chacun d’eux a ses

avantages et ses inconvénients, c’est-à-dire des situations où ils sont adaptés à la mise
en œuvre et où leurs résultats de détection ne sont pas satisfaisants. C’est pourquoi
habituellement plusieurs techniques différentes sont mises en œuvre ensemble.
16
 Chapitre 01: Généralité sur les drones

Les techniques les plus utilisées sont le radar, la radiofréquence (RF), la détection
acoustique, optique et thermique (infrarouge).

1.6.1 Détection radar

Les systèmes radar sont largement utilisés dans la vie quotidienne et dans les
applications militaires. Ces systèmes radar conventionnels sont ajustés pour détecter
des objets relativement grands. Ils ne conviennent pas à la détection de petits drones,
surtout lorsque la vitesse du drone et faible, lorsqu’ils volent à basse altitude .La
solution radar pour les systèmes de défense des drones(SDDD) représente une
méthode active d’identification et localiser une menace potentielle d’UAV. Afin de
déterminer la portée, l’angle ou la vitesse d’un UAV.

Figure 1. 17 : Système de détection de drones avec Radar [9]

1.6.2 Détection Radio Fréquence:

La détection UAV RF est une technique qui implique l’interception et l’analyse des
signaux transmis (Tx, Rx) entre l’UAV et la station au sol. Habituellement, ces signaux
consistent en des signaux de contrôle en liaison montante (depuis la station au sol) et
en liaison descendante (depuis le drone) signaux de données (données de position et
vidéo) [10].
De plus, le déploiement de techniques s'appuyant sur les machines pour ce type de
données est nouveau et la littérature ne dispose pas d'un ensemble de données public
complet pour les signaux RF qui pourraient être utilisés pour la validation et la
comparaison. Donc toutes les méthodes existantes ont des performances limitées pour
de faibles rapports signal/bruit.

17
 Chapitre 01: Généralité sur les drones

Figure 1. 18: Système de détection de drones Radio Fréquence [11].

1.6.3 Détection optique

Cette technologie implique l’utilisation de caméras qui prennent des images d’une
zone désignée afin de déterminer la présence d’un drone cible.
[Link] Caméras électro-optiques (EO)

Certains SDDD utilisent des capteurs d’imagerie (EO/IR), qui pourraient être dirigés
par d’autres capteurs (tels que comme radar et RF) afin d’obtenir des images du drone
et de ses principales caractéristiques (par exemple : charge utile).
Ces images peuvent être enregistrées et analysées par des spécialistes afin de
déterminer le niveau de menace [12].le principal inconvénient de cette méthode est sa
faible performance dans l’obscurité et le brouillard conditions. En outre, la qualité des
images dépend de la qualité des objectifs et l’angle de la photographie (LoS
obligatoire).

Figure 1. 19: Système de détection de drones par Caméras électro-optiques (EO) [14].

18
 Chapitre 01: Généralité sur les drones

1.6.3.2Caméras infrarouges/thermiques

Cette méthode utilise des caméras IR thermiques capables de détecter la chaleur

produite par les composants matériels d’un UAV, tels que les moteurs, les batteries et
les processeurs.
Cette méthode de détection présente des inconvénients liés à la plage de détection et à
La sensibilité des capteurs qui mesurent la différence thermique entre le drone et
l’arrière-plan. En conséquence, la détection de la présence de drones dépend sur la
température du moteur du drone, l’angle (LoS est obligatoire), la distance et la
température des capteurs IR [13].

1.6.4 Détection acoustique

Figure 1. 20: Schéma synoptique de la méthode de détection acoustique [15].

Un drone volant produit un bruit de ronflement qui peut être capturé par des
capteurs acoustiques (des microphones) et analysé en utilisant différentes méthodes
pour identifier l'empreinte digitale audiophone spécifique.
Le résultat idéal serait de déterminer le type de drone ou même le drone individuel
par son empreinte audio. En général, la détection acoustique des drones repose soit sur
des méthodes de corrélation/autocorrélation ou sur la classification d'apprentissage
automatique. [15]

19
 Chapitre 01: Généralité sur les drones

1.7 Les avantages et les inconvénients des systèmes de détection :

Système de détection Les avantages Les inconvénients

Détection Acoustique • Couvre le spectre de • Portée limitée.
20 Hz à 20 kHz. • sont vulnérable au bruit
ambiant.
• Bibliothèque de
signatures acoustiques • Sensible aux leurres.
mise à jour facilement d’un
• Nécessite une base de
vol à l’autre.
données de signature
• Léger et facile à utiliser acoustique pour différents
drones pour la formation et
• associés à d’autres types
les tests.
de capteurs.

Imagerie optique • Couvre tout le visible et • Fournit des images 2D

l’IR spectre (3 MHz à 300
• Performances limitées en
GHz).
fonction des conditions
• Les caméras infrarouges météorologiques conditions et
pourraient fonctionner contexte Température.
dans des conditions
• Dépend des données de géo
nuageuses, la météo et le
référence.
jour ou la nuit.
• Pourrait être aidé par
technologies de
l’informatique visuel.

Détection Radar •Largeur de bande utilisée : • Grande section radar

3 MHz à 300 GHz. souhaitée.
• Peut fonctionner par tous • Difficile de différencier les
les temps et les conditions UAV oiseaux.
de jour et de nuit.
• Performance limitée pour
• Offre des renseignements faible altitudes et vitesses
sur vitesse de la cible. (cône de mort).
•Peut reconnaître le micro- • Pourrait facilement nuire aux
doppler signatures (MDS) petites les objets, en
particulier les oiseaux.

20
 Chapitre 01: Généralité sur les drones

• offre une couverture • Une marge de crédit est

élevée. requise.
• Bonne précision. • Coût élevé.
• Compact et mobile,
nécessaire pour les
applications tactiques.
• Grande fiabilité.

Détection RF • Saisir la communication • Sont vulnérables aux actes

malveillants ou illégaux RF
spectre et signaux UAV et
modifiée qui dépassera
opérateurs. capacités de réception.

• Faible complexité et
facile à mettre en œuvre. • Utilisation difficile dans les
• Peut fonctionner par tous zones urbaines
les temps et les conditions
de jour et de nuit.
• Amélioration plus facile
grâce à la modularité mise
en œuvre des récepteurs et
unités de traitement du
signal numérique utilisées
dans la mise en œuvre.

Tableau.1.2 : Les avantages et les inconvénients des différents systèmes de

détection. [16]

21
 Chapitre 01: Généralité sur les drones

1.8 Conclusion

Dans ce chapitre nous avons découvert que Les drones est un domaine très vaste se
base sur la discipline de la robotique, et aussi nous avons présenté en détailles les
composants d’un drone, ses caractéristiques techniques et son domaine d’application,
Les drones ont des applications très bénéfiques pour humanité mais peuvent être
utilisées pour des fins néfastes telque le transport illégal, espionnage, attaques
terroristes,….. .Ce qui rend la présence de drones indésirable et doit être contrôlée,
donc dans ce chapitre, nous avons abordé les façons les plus importantes de capturer et
détecter les drones qui sont utilisés dans plusieurs zones illégales .Nous avons
également mis l’accent sur les avantages et les inconvénients les plus Importants de
chaque technique.

22
 Chapitre 02 :
Les Réseaux De
Neurone Artificiels

23
 Chapitre 02 : Les Réseaux De Neurone Artificiels

2 .1 Introduction
Le domaine de l'intelligence artificielle est divisé en plusieurs sous-domaines
imbriqués (comme le montre la figure 2.1). L'apprentissage automatique est un sous-
domaine de l'intelligence artificielle qui consiste à apprendre à répondre à un problème
donné soit par l'expérience, soit par une base de données de règles implicites. Ce domaine
est spécialisé dans l'analyse statistique des données de formation. Dans le cadre de
l'apprentissage automatique, nous verrons qu'il existe de nombreux algorithmes qui
utilisent divers modèles mathématiques. Les réseaux de neurones sont l'un de ces
modèles, certainement le plus répandu et celui utilisé dans les domaines les plus divers.
L'apprentissage en profondeur est un ensemble de techniques qui utilisent des réseaux
de neurones pour résoudre des problèmes complexes. Ces techniques sont largement
utilisées, notamment dans les domaines du traitement d'images, du traitement de séries
temporelles (reconnaissance de la parole, etc.).[17]

Figure 2. 1: Schéma de décomposition du domaine de l’intelligence artificielle et de

ces sous-domaines. [17]

2.2 L'apprentissage en profondeur (Deep learning)

L'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique

dans lequel un modèle (généralement un réseau neuronal artificiel) utilise plusieurs
couches pour créer des représentations plus riches des données.
Alors que les algorithmes d'apprentissage automatique traditionnels tels que les
machines à vecteurs de support nécessitent des fonctionnalités artisanales pour obtenir
les meilleurs résultats, les algorithmes d'apprentissage en profondeur sont capables de
créer leurs propres fonctionnalités à partir de données plus brutes basées sur un contenu
pertinent appris pendant la formation.

24
 Chapitre 02 : Les Réseaux De Neurone Artificiels

L'apprentissage en profondeur permet aux modèles informatiques constitués de

plusieurs couches de traitement d'apprendre des représentations de données avec
plusieurs niveaux d'abstraction.
Ces méthodes ont considérablement fait progresser l'état de l'art en matière de
reconnaissance vocale, de reconnaissance visuelle d'objets, de détection d'objets et de
nombreux autres domaines tels que la découverte de médicaments et la génomique.
L'apprentissage en profondeur révèle des structures complexes dans de grands
ensembles de données en utilisant l'algorithme de rétro propagation pour indiquer à la
machine comment modifier ses paramètres internes, qui sont utilisés pour calculer la
représentation de chaque couche en fonction de la représentation de la couche
précédente [18].

2.3 Réseaux de neurones et son principe de fonctionnement

Avec l'augmentation rapide de la puissance de calcul des ordinateurs et le

développement des techniques d'apprentissage, l'utilisation des réseaux de neurones est
en plein essor, notamment dans les domaines du traitement d'images, de la traduction
automatique et de l'informatique, du traitement de la parole, etc. Deux types de réseaux
de neurones ont marqué ces dernières années des ruptures technologiques dans le
traitement de la parole : les réseaux dits « profonds » et les réseaux récurrents.
Dans cette section, nous détaillons le fonctionnement du réseau de neurones et ce que
nous avons fait avec le modèle lui-même et la méthode d'apprentissage. [19]
Le réseau comporte 3 composants : couche d’entrée couche cachée et couche de sortie.
Le terme « profond » se rapporte généralement au nombre de couches cachées du réseau
de neurones.
Les réseaux de neurones classiques ne comportent que 2 à 3 couches cachées, tandis
que les réseaux profonds peuvent en compter jusqu’à 150. [20]
L’idée est d’utiliser la structure de couche de réseau neuronal en empilant plusieurs
couches les unes sur les autres, de manière à faciliter le mécanisme de décomposition.
Par conséquent, chaque couche d’un réseau de neurones profonds (Deep Neural
Networks DNN) fonctionne comme une seule transformation pour extraire davantage
les données [21]
Le réseau de neurones le plus connu et le plus simple à comprendre est le réseau de
neurones multicouches à anticipation. Il contient un calque d’entrée, un ou plusieurs
calques masqués et un seul calque de sortie. Chaque couche peut avoir un nombre
différent de neurones et chaque couche est entièrement connectée à la couche adjacente

25
 Chapitre 02 : Les Réseaux De Neurone Artificiels

Figure 2. 2: Topologie de réseau de neurones avec une seule sortie. [21]

Un réseau de neurones est défini comme un ensemble de nœuds (appelés neurones)

connectés via des liaisons dirigées (flèche), chaque flèche représente une connexion
entre la sortie d’un neurone et l’entrée d’un autre(les flèches entrantes étant les entrées
du neurone et les flèches sortantes étant les sorties du neurone), Chaque flèche porte un
poids, reflétant son importance, chaque nœud étant une unité de traitement qui exécute
une fonction de nœud statique sur son signal entrant pour générer une sortie de nœud
unique [22]

2.4 L’apprentissage :

En effet, les réseaux de neurones peuvent trouver le lien qui unit des valeurs de sortie
à celles en entrée, et ce, même lorsqu’on ne connaît pas cette fonction a priori. Afin de
parvenir à ce résultat, il faut « entraîner » le modèle, à l’aide d’un jeu de données initial.
Celui-ci est alors divisé en deux parties : une pour l’apprentissage, l’autre pour tester le
réseau. Dans un premier temps, on va donc soumettre des données d’entraînement au
programme, qui comprennent des valeurs d’entrée, ainsi que les valeurs de sortie
attendues. Au début, le réseau de neurones va tenter de calculer les résultats, mais avec
peu d’informations, et va donc commettre des erreurs. On va ensuite ajuster ses
paramètres, de sorte à réduire ces écarts à chaque itération. Par exemple, un réseau de
neurones peut être utilisé pour prévoir les risques d’apparition d’une maladie chez
certains individus. En lui soumettant les caractéristiques de patients, le modèle va
d’abord effectuer des prédictions aléatoires. Puis, en apprenant de ses erreurs, il sera de
plus en plus pertinent dans son analyse. [23]

26
 Chapitre 02 : Les Réseaux De Neurone Artificiels

2.4.1 Apprentissage supervisé

La plupart des apprentissages automatiques utilisent l'apprentissage supervisé.

L'apprentissage supervisé se compose de variables d'entrée (x) et de variables de sortie
(Y). Vous utilisez un algorithme pour apprendre une fonction de mappage de l'entrée à
la sortie.
Y=f(X)
L'objectif est de bien comprendre la fonction de mappage afin que lorsque vous avez
de nouvelles données d'entrée (x), vous puissiez prédire la variable de sortie (Y) pour
ces données. C'est ce qu'on appelle l'apprentissage supervisé car le processus
d'extraction de l'algorithme de l'ensemble d'apprentissage peut être considéré comme
l'enseignant qui supervise le processus d'apprentissage. Nous connaissons la bonne
réponse, et l'algorithme fait des prédictions itératives sur les données d'apprentissage,
corrigées par l'enseignant. L'apprentissage s'arrête lorsque l'algorithme atteint un niveau
de performance acceptable.
2.4.2 Apprentissage non supervisé

L'apprentissage non supervisé implique de n'avoir que des données d'entrée (X) sans
variables de sortie correspondantes.
Le but de l'apprentissage non supervisé est de modéliser la structure sous-jacente ou
la distribution dans les données afin d'en savoir plus sur les données.
C'est ce qu'on appelle l'apprentissage non supervisé car, contrairement à
l'apprentissage supervisé ci-dessus, il n'a pas de bonnes réponses ou d'enseignants. Ces
algorithmes sont laissés à leurs propres mécanismes pour découvrir et présenter des
structures intéressantes dans les données.
L'apprentissage non supervisé comprend deux classes d'algorithmes : les algorithmes
de clustering et les algorithmes d'association.
2.4.3Apprentissage semi-supervisé

Un problème où vous avez beaucoup de données d'entrée (X) et seulement une partie
d'entre elles est étiquetée (Y) est appelé un problème d'apprentissage semi-supervisé.
Donc, Ces problèmes se situent quelque part entre l'apprentissage supervisé et non
supervisé. Exemple : Une archive de photos où seules certaines images sont étiquetées
(par exemple, des chiens, des chats, des personnes) et la plupart ne le sont pas. De
nombreux problèmes d'apprentissage automatique dans le monde réel relèvent de ce
domaine. En fait, l'étiquetage des données peut prendre beaucoup de temps ou être
coûteux, car il peut nécessiter l'accès à des experts du domaine. Les données non
étiquetées sont bon marché et faciles à collecter et à stocker. Vous pouvez utiliser des
techniques d'apprentissage non supervisé pour découvrir et apprendre la structure des
variables d'entrée.

27
 Chapitre 02 : Les Réseaux De Neurone Artificiels

Vous pouvez également utiliser des techniques d'apprentissage supervisé pour faire
des prédictions optimales sur des données non étiquetées, les alimenter en tant que
données de formation dans un algorithme d'apprentissage supervisé et utiliser le modèle
pour faire des prédictions. [24]

2.5 Réseau de neurones à convolution (CNN)

Le nom « réseau neuronal convolutif » suggère que le réseau emploie une opération
mathématique appelée convolution. Un réseau convolutif est un type spécial de réseau
neuronal qui utilise des convolutions au lieu de la multiplication matricielle générale
dans au moins une de ses couches. Les CNN sont l'un des meilleurs algorithmes
d'apprentissage pour effectuer des opérations de convolution, qui aident à extraire des
caractéristiques utiles à partir de points de données corrélés localement.
La sortie du noyau de convolution est ensuite affectée à une unité de traitement non
linéaire (fonction d'activation), qui non seulement facilite l'apprentissage de
l'abstraction, mais intègre également la non-linéarité dans l'espace des caractéristiques.
Cette non-linéarité génère différents modèles d'activation pour différentes réponses,
aidant ainsi à apprendre les différences sémantiques dans les.
[25]
La Figure 2.3 montre la structure générale d’un réseau CNN.

Figure 2. 3: Réseau de neurones avec de nombreuses couches convolutives. [25]

Couche de convolution : la convolution est la première couche qui extrait les

caractéristiques de l'image d'entrée. Les convolutions préservent la relation entre les
pixels en apprenant les caractéristiques d'une image à l'aide de petits carrés de données
d'entrée. Il s'agit d'une opération mathématique qui nécessite deux entrées, telles qu'une
matrice d'image et un filtre ou un noyau (Liu et al., 2013) (Indolia et al., 2018). La Figure
2.4 monte une opération simple d’un filtre pour une étape de convolution.

28
 Chapitre 02 : Les Réseaux De Neurone Artificiels

Figure 2. 4: Exemple explicative sur l’opération de convolution. [25]

Couche de pooling : une couche de regroupement (pooling) est généralement placée

entre deux couches convolutionnelles, et le regroupement est un processus de
discrétisation basé sur des échantillons. Le but est de lever la représentation d'entrée
(image, matrice de sortie de la couche cachée, etc.),en réduisant sa dimensionnalité et
en tenant compte des hypothèses à être rendues des caractéristiques contenues dans les
sous-régions regroupées. Il existe différents types de pooling : (1) Pooling moyen qui
prend la moyenne de tous les pixels de la sélection Figure 2.5. (a), (2) Pooling maximal
qui prend le pixel qui a la valeur maximale entre tous les pixels de la sélection. Voir
Figure 2.5. (b).

Figure 2. 5: (a) pooling maximal, (b) pooling moyen. [25]

29
 Chapitre 02 : Les Réseaux De Neurone Artificiels

Couche fully-connected : Les couches entièrement connectées sont similaires aux

réseaux entièrement connectés dans les modèles connevetionalles. La sortie de la
première étape (y compris la convolution et la mise en commun répétée) est introduite
dans la couche entièrement connectée, et le produit scalaire du vecteur de poids et du
vecteur d'entrée est calculé pour obtenir la sortie finale. [25]

Figure 2. 6: Couche fully-connected. [25]

2.6 Réseaux Neuronaux Récurrents (RNN)

Les réseaux de neurones récurrents (RNN) sont une variante très importante des
réseaux de neurones qui sont largement utilisés dans le traitement du langage naturel.
Elles sont appelées boucles(Récurrents) car elles effectuent la même tâche sur chaque
élément de la séquence et la sortie dépend des calculs précédents. Une autre façon de
penser aux RNN est qu'ils ont une "mémoire" qui capture des informations sur ce qui a
été calculé jusqu'à présent. En théorie, les RNN peuvent utiliser des informations
provenant de séquences arbitrairement longues, mais en pratique, ils se limitent à
examiner quelques étapes en arrière.
Les RNN sont une classe de réseaux de neurones qui permettent d'utiliser les
prédictions passées comme entrée via des états cachés. Leur forme est illustrée à la
figure 2.7.

30
 Chapitre 02 : Les Réseaux De Neurone Artificiels

Figure 2. 7: Architecture de RNN. [25]

2.7 Réseaux Long Short-Term Memory (LSTM)

En théorie, les RNN classiques peuvent suivre des dépendances arbitraires à long
terme dans les données d'entrée. Le problème avec les RNN classiques est pratique :
lorsqu'un RNN classique est entraîné par rétro propagation, le gradient à long terme de
rétro propagation peut "disparaître" (c'est-à-dire tendre vers zéro) ou "exploser" (c'est-
à-dire tendre vers l'infini)), en raison des calculs impliqués utilisent des nombres à
précision finie. Pour éviter ces problèmes de gradient, un type de réseau de neurones
appelé Long Short-Term Memory (LSTM) a été développé. [26]

Figure 2. 8: Architecture de Long-Short Term Memory Unit. [26]

Contrairement aux réseaux de neurones à anticipation standard, les LSTM ont des
connexions de rétroaction. De tels réseaux de neurones récurrents peuvent non
seulement traiter des points de données statiques, mais également des données
dynamiques. Une cellule LSTM commune se compose d'une cellule, d'une porte
d'entrée, d'une porte de sortie et d'une porte d'oubli, comme illustré à la figure 3.8. La
cellule mémorise des valeurs sur un intervalle de temps arbitraire, et trois portes régulent
le flux d'informations entrant et sortant de la cellule, ce qui a pour effet de limiter le

31
 Chapitre 02 : Les Réseaux De Neurone Artificiels

problème de gradient évanescent. La forme compacte de l'équation de transfert direct

pour une cellule LSTM avec une porte d'oubli est :
𝑓𝑡= (𝑊𝑓𝑥𝑡+𝑈𝑓ℎ𝑡−1+𝑏𝑓)
i𝑡= (𝑊i𝑥𝑡+𝑈iℎ𝑡−1+𝑏i)
o𝑡= (𝑊o𝑥𝑡+𝑈oℎ𝑡−1+𝑏o)
𝑐̃𝑡= (𝑊c𝑥𝑡+𝑈cℎ𝑡−1+𝑏c)
𝑐𝑡=𝑓𝑡∘𝑐𝑡−1+𝑖𝑡∘𝑐𝑡̃
ℎ𝑡=𝑜𝑡∘𝜎ℎ(𝑐𝑡)
Valeur initiale 𝑐0=0, h0=0. L'opérateur ∘ représente le produit d'Hadamard (produit
élément par élément). L'indice 𝑡 représente le pas de temps. Les autres variables sont les
suivantes :
• 𝑥𝑡 ∈ 𝑅𝑑 : vecteur d’entrée
• f𝑡 ∈ (0,1) ℎ: vecteur d'activation de la porte d’oubli
• i𝑡 ∈ (0,1) ℎ : vecteur d'activation de la porte d'entrée/mise à jour
• o𝑡 ∈(0,1) ℎ : vecteur d'activation de la porte de sortie
• h𝑡 ∈ (-1,1) ℎ : vecteur de sortie de l'unité LSTM.
• 𝑐̃𝑡 ∈ (-1,1) ℎ : vecteur d'activation de l'entrée de la cellule
• c𝑡 ∈ 𝑅ℎ : vecteur d'état des cellules
• 𝑊 ∈ 𝑅ℎ×d, 𝑈 ∈ 𝑅ℎ×ℎ et 𝑏 ∈ 𝑅ℎ : les matrices de poids et les paramètres des vecteurs
de biais qui doivent être appris pendant la formation
Les RNN utilisant des unités LSTM résolvent donc partiellement le problème du
gradient évanescent.
Cependant, les réseaux LSTM peuvent toujours souffrir du problème du gradient
explosif. Quant au GRU, il est comme un LSTM avec une porte d'oubli, mais a moins
de paramètres que le LSTM, car il manque une porte de sortie comme illustré dans la
figure 2.9.

32
 Chapitre 02 : Les Réseaux De Neurone Artificiels

Figure 2. 9: Gated Reccurent Unit. [26]

Malgré cela, il a été démontré que les GRU ont une meilleure performance sur
certains ensembles de données plus petits et moins fréquents. [26]

2.8 Les Réseaux Siamois

Les réseaux siamois ont été introduits par Gregory Koch en 2015. Le nom « siamois
» vient du fait que le réseau est conçu avec deux sous-réseaux identiques, chacun traitant
un échantillon d'entrée différent avec les mêmes poids. Les sorties de ces deux sous-
réseaux sont ensuite comparées dans la couche finale afin de générer une prédiction. Ces
réseaux sont donc utilisés dans des tâches de reconnaissance d'images afin de décider si
deux images sont différentes ou non. Les réseaux siamois se sont avérés
particulièrement utiles pour les situations avec peu de données, car ils peuvent être
formés sur de petites quantités de données étiquetées, puis être affinés sur des ensembles
de données plus volumineux.
2.8.1 L'architecture des réseaux siamois

Tout d'abord, les deux branches du réseau neuronal ont les mêmes poids de réseau
neuronal, et elles apprennent toutes les deux une représentation commune pour les deux
entrées mais sont entraînées séparément sur des entrées différentes. Ce fait permet au
réseau d'apprendre à comparer des images plutôt qu'à les classer. L'architecture d'un
réseau siamois se compose des éléments suivants :

33
 Chapitre 02 : Les Réseaux De Neurone Artificiels

Figure 2. 10 : L'architecture des réseaux siamois. [27]

Architecture du réseau siamois Les couches de convolution et de mise en commun

sont responsables de l'extraction de caractéristiques significatives à partir des
échantillons d'images de chaque réseau. La dernière couche de chaque branche est la
couche de comparaison, qui génère une intégration, une représentation compacte de
l'échantillon de données. La couche de comparaison est généralement conçue de
plusieurs manières, qui dépendent de la tâche spécifique. Des exemples typiques sont la
distance euclidienne (eucliden distance) ou la similarité de corrélation. L'intégration est
ensuite pilotée par une fonction de comparaison afin de produire une prédiction qui
décide si les deux échantillons de données sont identiques. Par conséquent, la sortie
finale du réseau siamois est un score de similarité, qui indique à quel point les deux
images d'entrée sont similaires ou différentes. Ce score peut être utilisé pour faire une
prédiction, par exemple si deux images de visage appartiennent à la même personne ou
non. [27]
2.8.2 Formation des Réseaux Siamois(Training)

La formation des Réseaux Siamois (Training of Siamiese Network) peut être encadrée
ou non. Dans l'apprentissage supervisé, le réseau est formé sur des données étiquetées
avec des étiquettes de vérité terrain connues. Dans l'apprentissage non supervisé, le
réseau est formé sur des données non étiquetées et doit apprendre à générer ses propres
étiquettes en fonction des images d'entrée. La fonction de perte pour les réseaux siamois
est généralement basée sur le score de similarité généré par la fonction de comparaison.
Habituellement, le triplet ou la perte contrastive est utilisé pour l'apprentissage. Dans la
reconnaissance faciale, la fonction de perte pourrait être la perte d'entropie croisée entre
le score de similarité prédit et la véritable étiquette. La formation des réseaux jumeaux
doit être effectuée avec des ensembles de données équilibrés afin que les deux réseaux
soient également formés. Le réseau siamois doit apprendre à faire la distinction entre

34
 Chapitre 02 : Les Réseaux De Neurone Artificiels

des images similaires et différentes, et un ensemble de données équilibré fournit un

échantillon plus représentatif des deux types d'images. [27]

2.9 L’utilisation des réseaux de neurones

Les réseaux de neurones ont la capacité extraordinaire de comprendre et d'extraire

des règles et des tendances à partir de données complexes, bruyantes et imprécises. Ils
peuvent être utilisés pour extraire des modèles et détecter des tendances basées sur des
fonctions mathématiques complexes qui sont difficiles (voire impossibles) à modéliser
à l'aide de techniques d'analyse ou de paramétrage traditionnelles.
L'un des avantages des réseaux de neurones est la capacité de prédire avec précision
des données qui ne sont pas des données d'entraînement, un processus appelé
généralisation. Au vu de ces caractéristiques et de sa large gamme d'applications, les
réseaux de neurones sont particulièrement adaptés à l'application de problèmes
spécifiques dans les domaines de la recherche scientifique, commerciale et industrielle
[28].
Voici de nombreux domaines dans lesquels les réseaux de neurones sont appliqués
avec succès :
• Traitement du signal ;
• Prédiction ;
• Maîtrise des processus ;
• Robotique ;
• Classification ;
• Prétraitement des données ;
• Reconnaissance de formes ;
• Analyse d'image et synthèse vocale ;
• Diagnostiques et suivi médical ;
• Marché boursier et prévisions ;
• Demande de crédits ou de prêts immobiliers.

35
 Chapitre 02 : Les Réseaux De Neurone Artificiels

2.10 Les avantages et les inconvénients des réseaux de

neurone

Le réseau neuronal peut exécuter n'importe quelle fonction non linéaire jusqu'à ce qu'il
atteigne un certain degré de fiabilité. Il peut également implémenter des fonctions
dynamiques et avoir n'importe quel nombre d'entrées et de sorties. Nous énumérerons
les avantages et les inconvénients des réseaux de neurones artificiels.
2.10.1 Les Avantages des réseaux de neurones

• La capacité d’exprimer n’importe quelle fonction, qu’elle soit linéaire ou non, simple
ou complexe.
• Une faculté d'apprendre à partir d'exemples représentatifs par rétro propagation
d'erreurs. L'apprentissage (ou la construction de modèles) se fait automatiquement.
• Insensible aux données non fiables ou au bruit.
• Facile à utiliser, le travail personnel exigeait beaucoup moins qu'une analyse
statistique classique. Aucune compétence en mathématiques et calculs statistiques
requis.
• Moins de mauvais comportements en cas de petite quantité de données.
• Pour un utilisateur novice, l'apprentissage est plus facile à comprendre que la
complexité des statistiques multi variées.

2.10.2 Les Inconvénients des réseaux de neurones

• Il n'y a pas de méthode systématique de définir la topologie optimale du réseau et le

nombre de neurones à placer dans la couche cachée.
• Le choix des valeurs initiales des poids du réseau et le réglage du pas d’apprentissage
jouent un rôle important dans la vitesse de convergence.
• Le problème du sur-apprentissage qui ne se généralisera pas.
• Les connaissances acquises par le réseau neuronal sont encodées par la valeur du poids
synaptique, le réseau neuronal est donc une boîte noire et les utilisateurs ne peuvent pas
comprendre ces connaissances [28].

36
 Chapitre 02 : Les Réseaux De Neurone Artificiels

2.11 Conclusion

Dans le présent travail nous allons appliquer les Réseaux de neurones artificiels,
inspirés du comportement du cerveau humain, permettent de créer de l’intelligence
artificielle. Notamment applique en datamining principalement, donc dans ce chapitre
nous avons vu un aperçu général sur les types de réseaux de neurones et ses architecteurs
et citer les domaines d’utilisation des réseaux de neurones, enfin nous nous sommes
intéressées aux réseaux de neurones artificiels Siamois.

37
 Chapitre 03 :
Détection acoustique
de drone

38
 Chapitre 03 : Détection acoustique de drone

3.1 Introduction
Dans cette partie du mémoire, on va présenter l’analyse et le traitement du son de la
bases de données pour ainsi la classifier et cela en utilisant le langage de programmation
python, mais aussi nous avons opté pour l’application d’un réseau neuronal qui sera
donc en charge de faire la différence entre un bruit quelconque et celui émis par un
drone, cette opération a été réalisé grâce à une analyse des différences entre les
spectrogrammes des différents enregistrements.

3.2 Logiciel de travail

Le choix du langage de programmation s’est fait sur les bases suivantes : car il propose
une large série de bibliothèques qui sont très utiles dans le traitement des signaux
acoustiques, parmi ces dernières on pourrait citer :
 Wave : package utilise pour le traitement des ondes sonores
 Matplotlib : pour procéder au ploting des différents graphs mais aussi créer
des visualisations statiques, animées et interactives en Python.
 Numpy : on a utilisé cette outil pour la programmation scientifique et
notamment la data science.
 Scipy : pour obtenir de bonnes performances d’exécution.
Python est un langage de programmation « open source » qui s’exécutent sur tous les
systèmes d’exploitation, y compris Linux, Mac OS et Windows. Il est largement utilisé
dans le traitement big data. Certaines caractéristiques notables de ce langage qui nous
a encouragés à l’utiliser sont :
 la facilité à trouver de l’aide car la communauté python est active.
 la disponibilité des ressources.
 La syntaxe est propre et met l'accent sur la production d’un code bien structuré
et lisible.

3.3 La collecte des données (dataset)

On a premièrement procéder à l’étude des sonorités provenant d’un environnement clos

pour ainsi avoir une bonne précision, on a donc eu la chance d’obtenir des extraits audio
de drones mais aussi de plusieurs sources de bruits pour simuler l’environnement d’un
bureau :
Imprimante
Ventilateur pc
Climatiseur….etc.
NB : en ce qui concerne le bruit des drones nous avons pris plusieurs types de drones
mais aussi de configurations, a noter un drone s’éloignant ou se rapprochant, et aussi
en vol stationnaire.

39
 Chapitre 03 : Détection acoustique de drone

Figure 3. 1 : Liste des sons collectés.

Les sons de la figure.3.1 sont téléchargés gratuitement sur zaplsplat [29]. Certains
parmi ces audio on les trouve sous format d’une onde (.wav) mais aussi il existe des
sons sous format (.mp3). Ces derniers on les convertit vers des ondes à l’aide d’un
convertisseur en ligne [30]. Apres la conversation des sons nous avons préparés un
document texte (.Txt) pour faciliter la lecture de nos données
Ces fichiers sont implémente dans le python en utilisant la commande « from [Link]
import wavfile». Apres l’importation des bibliothèque, nous avons fait une boucle pour
ouvrir Le document texte comme un dossier afin que lire plusieurs sons à la fois « with
open('[Link]') as file »

3.4. La visualisation des sons

Pour détecter le son il faut connaitre quelques informations sur le signal : la

représentation temporelle, transformé rapide de fourrier, spectrogramme.

3.4.1. La représentation temporelle

Cette représentation montre l’évolution de l’intensité du signal sonore dans le temps
avec une amplitude normalisé et ne renseigne pas sur le contenu fréquentiel.
Premièrement, nous étudions l’évolution de signal (ondes) dans le domaine
temporelle. Pour effectuer ce travail nous avons tracé le graphe de l’amplitude de signal
en fonction de temps(s) et comme un résultat on a observé que le signal est ou mode
Stéréo.

40
 Chapitre 03 : Détection acoustique de drone

Figure 3. 2: Résultats de visualisation des sons de drones dans le domaine temporel.

- Les résultats pour d’autres sons :

41
 Chapitre 03 : Détection acoustique de drone

Figure 3. 3 : Résultats visualisation des sons de Bruit dans le domaine temporel (stéréo).

Apres le traçage des graphes, nous avons convertir les sons de format Stéréo vers
format mono a but de faciliter l’étude de nos données. Cette étape accomplir par la
bibliothèque de python pydub et plus précisément la commande AudioSegment. Le
code utilise est :
«
sound = AudioSegment.from_wav(f) »
«
sound = sound.set_channels(1) »
Nous avons finalisé le programme par traçage des ondes mono et nous avons obtenu :

42
 Chapitre 03 : Détection acoustique de drone

Figure 3. 4: Résultats de visualisation des sons de drones dans le domaine temporel (mono).

Figure 3. 5: Résultats de visualisation des sons de bruit dans le domaine temporel (mono).

43
 Chapitre 03 : Détection acoustique de drone

3.4.2. La représentation fréquentielle

Comme dans de nombreux domaines de la physique (acoustique, traitement du
signal...) il est très courant de considérer un signal par sa représentation fréquentielle.
Pour cela on fait subir au signal S(t) une transformée de Fourier qui fait apparaître les
fréquences caractéristiques qu'il contient.
[Link]. Transformée de Fourier rapide
La Transformée de Fourier Rapide, appelée FFT [Fast Fourier Transform], est un
algorithme qui permet de calculer des Transformées de Fourier Discrètes DFT
[ Discrete Fourier Transform].
Parce que la DFT permet de déterminer la pondération entre différentes fréquences
discrètes, elle a un grand nombre d’applications en traitement du signal, par exemple Il
peut être utile pour lire des choses comme les ondes sonores ou pour toute technologie
de traitement d'image. Par conséquent, les données discrètes qu’elle prend en entrée
sont souvent appelées signal et dans ce cas on considère qu’elles sont définies dans le
domaine temporel. Les valeurs de sortie sont alors appelées le spectre et sont définies
dans le domaine des fréquences. Toutefois, ce n’est pas toujours le cas et cela dépend
des données à traiter. [31]

𝒏−𝟏 𝒎𝒌
Ak = ∑ 𝒂𝒎 + 𝒆−𝟐𝝅𝒊 𝒏 Avec k = 1, 2…. n-1…………………(1)
𝒎=𝟏

La DFT inverse est donnée par :

𝒏−𝟏 𝒎𝒌
1
𝑎𝑚 = ∑ 𝑨𝒌 ∗ 𝒆−𝟐𝝅𝒊 𝒏 Avec m = 1, 2…. n-1……………… (2)
𝑛 𝒌=𝟎

Dans le présent programme, nous avons choisi le modèle Numpy (np) pour calculer
le FFT de signal «a_k = [Link](a)[0:int(na/2)]/na ». Apres nous avons enlevé la partie
imaginaire de signal parce que la plupart des informations importantes sont contenues
dans la partie réelle du spectre obtenu par la FTT. La partie réelle représente l’amplitude
des différentes fréquences présentes dans le signal audio. La partie imaginaire, en
revanche est symétrique et ne contient pas d’informations significatives dans les
contextes de l’audio. En plus la suppression de la partie imaginaire réduit la dimension
des données a traiter. « Pxx = [Link](a_k) » . Finalement nous avons trace les graphes
de l’amplitude en fonction de fréquence :

44
 Chapitre 03 : Détection acoustique de drone

Figure 3. 6: Résultats de visualisation des sons de drone dans le domaine fréquentielle.

45
 Chapitre 03 : Détection acoustique de drone

Figure 3. 7: Résultats de visualisation des sons de bruit dans le domaine fréquentielle.

3.4.3. La représentation spectrale

Le spectrogramme est une représentation visuelle qui permet de visualiser le contenu
d’un audio dans le domaine temps-fréquence. Il permet de visualiser l’évaluation des
différentes présentes dans le signal audio. Cette représentation est largement utilise
dans le traitement de son, la musique…etc. elle permet d’analyser les composantes
harmoniques, les formats vocaux, les modulations fréquentielles. En plus, elle peut
être utilise pour détecter des évènements spécifique, classifier et reconnaître des sons.
Revenons à notre programme Python. Pour représenter le spectrogrammes des
extrais sonores, nous avons utilisé une commande spéciale pcolormesh:
«
[Link](fm[i], tr[i], lspg[i], shading='auto') » tel que « fr, tm, spgram =
[Link](a, s) », « lspg = [Link](spgram) »; et nous avons obtenu :
Apres le traçage des spectrogrammes, nous avons les enregistres comme des photos
sous format png dans un dossier « [Link](f'sppng/spect{i}.png') » .

46
Chapitre 03 : Détection acoustique de drone

47
 Chapitre 03 : Détection acoustique de drone

Figure 3. 9: Résultats de visualisation des sons des bruits dans le domaine spectrale.

Figure 3. 8: Résultats de visualisation des sons des drones dans le domaine spectrale

 Explication des couleurs

Les couleurs utilisées dans un spectrogramme sont essentielles pour aider à
comprendre les caractéristiques temporelles et fréquentielles du signal sonore.
 Jaune: Le jaune est souvent utilisé pour représenter des parties du signal sonore
qui ont une intensité relativement élevée ou une énergie acoustique élevée. Dans un
spectrogramme, cela pourrait correspondre aux parties du signal où le son est plus fort
ou plus intense. Par exemple, si tu avais un son fort comme un son de drone avec des
hélices, ces parties seraient probablement représentées en jaune.
 Bleu: Le bleu est souvent utilisé pour représenter des parties du signal avec une
intensité modérée à faible. Cela peut inclure des parties du signal où l'intensité sonore

48
 Chapitre 03 : Détection acoustique de drone

est plus douce, calme ou moins énergétique. Les parties du signal qui contiennent moins
d'énergie ou des fréquences moins dominantes pourraient être affichées en vert.
Globalement, l'utilisation de jaune et de vert dans un spectrogramme permet
d'identifier rapidement les variations d'intensité du signal sonore. Les couleurs aident
les auditeurs à visualiser les différents composants fréquentiels et temporels du son, ce
qui est particulièrement utile pour analyser des signaux sonores complexes tels que de
la musique, de la parole ou d'autres phénomènes acoustiques.

3.5. Type et structure de réseau de neuronal

Dans notre travail, nous avons choisi réseau neuronal siamois(Siamese) pour la
classification des spectrogrammes (drone ou non-drone).
Le Réseau Neural Siamois est un type particulier de réseau neuronal dans un
premier temps nous formons une image avec une séquence de couches
convolutionnelles, des couches de mise en commun et des couches entièrement
connectées nous finissons par un vecteur f(x1). Puis nous formons une autre image dans
la même séquence pour obtenir un autre vecteur de fonction f(x2). Maintenant nous
calculons d qui sera la distance entre chacun des points dans le vecteur de fonction f(x1)
avec le vecteur de fonction f(x2). Si d est petit on peut dire que les deux images sont
identiques sinon si d est grand c’est l’inverse. [32]

Figure 3. 10: L’architecture des réseaux siamois. [32]

3.5.1 Bibliothèque utilisé

TensorFlow est une bibliothèque de Machine Learning, il s’agit d’une boîte à outils
permettant de résoudre des problèmes mathématiques extrêmement complexes avec
aisance. Elle permet aux chercheurs de développer des architectures d’apprentissages
expérimentaux et de les transformer en logiciels. Cette bibliothèque permet
notamment d’entraîner et d’exécuter des réseaux de neurones pour la classification de
chiffres écrits à la main, la reconnaissance d’image, les plongements de mots, les
réseaux de neurones récurrents. [33]
Cette bibliothèque est contient plusieurs commandes, parmi ces derniers nous avons
utilisé les commandes dont nous avons besoin par exemple : Model, layers,
applications
«
from [Link] import Model »
«
from [Link] import layers »

49
 Chapitre 03 : Détection acoustique de drone
«
from [Link] import applications »

3.6 Algorithme de manipulation

3.6.1 Lecture des données
Maintenant, nous définissons une fonction pour lire nos images d’entrée et les
générer comme des paires. Nous avons utilisé l’entrée comme des images et les
transforme vers une matrice (numpy array) grâce à la commandes Image : « from PIL
import Image », après la conversation nous avons enregistré le résultat comme un
fichier « [Link] ».ce fichier nous le divise en deux classes drone et bruit et
les enchaine :
«
drone_labels=[Link] (20, 0) »
«
bruit labels=[Link] (14, 1) »
«
spect_labels=[Link] ((drone_labels,bruit_labels »
3.6.2 Visualisation des images paires
Ensuite, on va visualiser les spectrogrammes qui existent dans le fichier
[Link] a l’aide de la fonction qui générer les pairs des images en utilisant
une autre fonction appelée ‘visualize’ : « def visualize (image_pairs, labels, n = 5, title
= "Image Pair Examples"): """ Visualize a few pairs """, cette fonction crée une figure
contient des sous-trames organisées en paires d’image. Chaque paire est extraite du
paramètre ‘image_pairs’ et affichée dans une sous-trame distincte. Le nombre des
paires affiche est déterminée par le paramètre (n). Dans notre programme nous avons
affiche les résultats (paires des images) en deux différents affichages Positifs et
Négatifs.

Figure 3. 11: Résultats de visualisation des images paires positive.

50
 Chapitre 03 : Détection acoustique de drone

Figure 3. 12: Résultats de visualisation des images paires négative.

3.6.3. Création de réseau de neurone

Apres l’affichage des paires nous allons créer notre réseau de neuronal convolutionnelles :
Layer Type Kernels Kernels Kernels Padding Rate Activation
Size stride size

2D Convolutional 16 10×10 - Same - Relu

2D Max pooling - 2×2 2 - -
Dropout -
- - - - -
0.3
2D Convolutional 32 7×7 - Same - Relu
2D Max pooling - 2×2 2 - - -
Dropout - - - - 0.3 -
2D Convolutional 32 4×4 - Same - Relu
2D Max pooling - 2×2 2 - - -
Dropout - - - - 0.3 -
2D Convolutional 64 4×4 - Same - Relu
Flatten - - - - - -
Dense - - - - - Relu
Dense - - - - - Sigmoid

Tableau.3.1 : Modèle de CNN

51
 Chapitre 03 : Détection acoustique de drone

3.6.4 L’entraînement de réseau

Pour l’apprentissage de notre programme nous avons rédigé ce code :

Ce code concerne l'entraînement d'un modèle siamois utilisant les images d'un
dataset pour effectuer une tâche de classification binaire. Voici une explication étape
par étape :
a) Compilation du modèle Siamois :
Cette ligne compile le modèle siamois en spécifiant la fonction de perte utilisée
(binary_crossentropy), l'optimiseur (adam) et les métriques d'évaluation (accuracy).
Le modèle est prêt à être entraîné, avec :
Accuracy (Précision) : L'accuracy est une mesure de performance utilisée dans le
domaine de l'apprentissage automatique pour évaluer la précision d'un modèle de
classification. Elle est calculée en comparant les prédictions du modèle aux véritables
Étiquettes de classe des données d'évaluation. L'accuracy est exprimée sous forme de
pourcentage, où une valeur de 100 % représente une classification parfaitement
précise. Equation mathématique de l’Accuracy est :
Nombre de predictions correctes
Accuracy = … … … . . (3)
Nombre total d′ échantillons de données
Loss (Perte) : Le loss, également appelé fonction de perte ou fonction d'erreur, est
une mesure qui évalue à quel point les prédictions d'un modèle sont éloignées des
véritables valeurs cibles lors de l'entraînement. L'objectif est de minimiser cette perte
afin que le modèle puisse produire des prédictions précises. Equation de la perte est :
𝑁
1
𝑙𝑜𝑠𝑠 = . ∑(𝑦𝑡𝑟𝑢𝑒 − 𝑦𝑝𝑟𝑒𝑑 )2 … … … … … . (4)
𝑁
1

Où N est le nombre total d'échantillons, y_true représente les vraies valeurs cibles
et y_pred représente les prédictions du modèle.
b) Entraînement du modèle Siamois :
Cette ligne de code entraîne le modèle Siamois en utilisant les données d'entraînement
images-dataset et les étiquettes correspondantes labels_dataset. Les données
d'entraînement sont fournies sous forme de deux ensembles d'images, où
images_dataset[:, 0, :] représente le premier ensemble d'images et images_dataset [:,
1, :] représente le deuxième ensemble d'images.
Les autres paramètres de l'entraînement sont les suivants :
Epochs=50 : Nombre d'époques d'entraînement, c'est-à-dire le nombre de fois où le
modèle parcourt l'ensemble de données complet.

52
 Chapitre 03 : Détection acoustique de drone

validation_split=0.2 : Fraction de données à utiliser comme ensemble de validation.

Dans ce cas, 20% des données sont réservées à la validation pendant l'entraînement.
batch_size=64 : Taille du lot, c'est-à-dire le nombre d'exemples d'entraînement utilisés
à la fois pour mettre à jour les poids du modèle.
c) Illustration des différents graphes: et comme de résultat nous avons trouvé :

Figure 3. 13: graphe de l’Accuracy et Loss en fonction d’epochs

Pour régler les résultats et améliorer la précision de système. Nous avons décidé
d’ajouter des données et les divise en plusieurs classes :
«
drone_labels=[Link] (10, 0) »
bruit1_labels=[Link] (10, 1) »
«
bruit2_labels=[Link] (10, 2) »
«
bruit3_labels=[Link] (10, 3) »
Nous avons obtenu donc:

Figure 3. 14: graphe de l’Accuracy et Loss en fonction d’epochs

53
 Chapitre 03 : Détection acoustique de drone

Malheureusement, malgré tous les efforts (Augmentation des classes, augmentation

de la data, augmentation des epochs de l’apprentissage et le changement de
l’architecture des Siamois), l’accuracy ne dépasse pas les 53% et le Loss ne diminue
pas au-sous de 72%.
A partir les résultats obtenu on a jugé de change l’apprentissage et le type de
structure de réseau de neuronal.
3.6.5 Renforcement de la dataset
Nous avons donc décide de réécrire un autre programme et de renforcer notre base
de données de plus en plus. Dans cette fois-là nous avons utilisé la bibliothèque Pytorch
de Python et ses diffèrent commandes. En plus nous avons utilisé le modelé de CNN.
Un réseau de convolution neuronale (CNN) est un type de modèle de réseau neuronal
utilisé principalement pour le traitement des données visuelles, tels que des images. Il
est basé sur des opérations de convolution qui permettent de détecter des motifs et des
caractéristiques spécifiques dans les données d’entrée. Les CNN ont été largement
utilisés avec succès dans des domaines tels que la reconnaissance d’images, la détection
d’objets et la segmentation sémantique.
Définition du PyTorch
PyTorch est une bibliothèque d'IA, développée par Meta (ex-Facebook), écrite
en Python pour se lancer dans le deep learning (ou apprentissage profond) et le
développement de réseaux de neurones artificiels. À partir de plusieurs variables, elle
peut servir à réaliser des calculs de gradients ou à utiliser des tableaux
Comparaison PyTorch vs TensorFlow
PyTorch utilise un réseau de neurones dynamique tandis que TensorFlow s'adosse à
une architecture de graph statique. C'est là l'une des principales différences entre les
deux librairies de deep learning. Résultat : il est beaucoup plus facile avec PyTorch de
faire évoluer nativement les structures de réseau de neurones au fur et à mesure de la
phase d’apprentissage. [34]
Parmi les commandes de Pytorch, nous avons utilisé :
«
import [Link] as nn»
«
import [Link] as optim »
«
import [Link] as transforms »

54
 Chapitre 03 : Détection acoustique de drone

[Link]: Cette bibliothèque fait partie du framework de calcul tensoriel

PyTorch et fournit des algorithmes d'optimisation pour entraîner des modèles
d'apprentissage automatique.
torchaudio: Cette bibliothèque est spécifiquement conçue pour le traitement audio
avec PyTorch. Elle fournit des fonctionnalités pour lire, écrire et manipuler des
données audio, ainsi que des transformations audio courantes utilisées dans les
tâches d'apprentissage automatique.
L’importation import [Link] as transforms permet d'accéder aux
transformations audio prédéfinies du module transformés de la bibliothèque
torchaudio, offrant ainsi des fonctionnalités supplémentaires pour le traitement du
signal audio dans le programme.

3.6.6 Création de réseau CNN

Une fois que nous avons importé les commandes de Pytorch, nous avons créé le
modèle de CNN.
Partie du programme qui permet de créer le modelé CNN avec 11 couches cachées de
2 dimensions et 224neurones (32 neurones dans la 1ere couche, 64 neurones dans le
4eme couche et 128 neurones dans la 9eme couche).

 def __init_ (self, num_classes): Il s'agit de la méthode d'initialisation de

la classe AudioClassifier. Elle prend en argument num_classes, qui
représente le nombre de classes que le modèle doit être capable de
classifier.
 Super (AudioClassifier, self).__init_ (): Cette ligne appelle la méthode
d'initialisation de la classe parente [Link] pour s'assurer que
l'initialisation de la classe de base est effectuée correctement.
 self.conv1 = nn.Conv2d (1, 32, kernel_size = (3, 3), stride = (1, 1)) :
Cela crée une couche de convolution 2D avec 1 canal d'entrée, 32 canaux
de sortie, un noyau de taille (3, 3) et un pas de (1, 1). Cette couche sera
utilisée pour extraire des caractéristiques à partir des données audio.
 self.relu1 = [Link] () : Cela crée une couche d'activation ReLU qui
sera appliquée après la couche de convolution pour introduire des non-
linéarités dans les activations.

55
 Chapitre 03 : Détection acoustique de drone

 self.maxpool1 = nn.MaxPool2d (kernel_size= (2, 4)) : Cela crée une

couche de pooling maximale 2D avec une fenêtre de pooling de taille (2, 4)
Cette couche réduira la dimensionnalité des caractéristiques extraites par la
couche de convolution.

Et pour la lecture des données nous avons rédigé ce code :

Le code que nous avons fourni définit une classe personnalisée AudioDataset qui
hérite de la classe Dataset du module [Link] de PyTorch. Cette classe est
utilisée pour créer un jeu de données personnalisé pour l'entraînement d'un modèle
d'apprentissage automatique audio.
 class AudioDataset(Dataset) : Cela définit une nouvelle classe appelée
AudioDataset qui hérite de la classe parente Dataset. Cette classe sera utilisée
pour créer un jeu de données personnalisé.
 def __init__(self, file_paths, labels, transform) : Il s'agit de la méthode
d'initialisation de la classe AudioDataset. Elle prend en argument file_paths,
labels et transform. file_paths est une liste de chemins de fichiers audio, labels
est une liste d'étiquettes correspondant aux fichiers audio, et transform est une
transformation audio que vous souhaitez appliquer aux données.
 self.file_paths = file_paths : Cela assigne la liste file_paths à une variable
d'instance self.file_paths, qui sera utilisée pour accéder aux chemins des fichiers
audio.
 [Link] = labels : Cela assigne la liste labels à une variable d'instance
[Link], qui sera utilisée pour accéder aux étiquettes des fichiers audio.
 [Link] = transform : Cela assigne la transformation audio transform à
une variable d'instance [Link], qui sera utilisée pour appliquer la
transformation aux données audio.

56
 Chapitre 03 : Détection acoustique de drone

3.6.7 Apprentissage de modèle

Nous sommes passé vers la partie d’entrainement, pour cela nous avons rédigé ce
code et nous avons ajoute aussi l’optimisateur pour réduire les erreurs:

Le résultat après apprentissage est :

57
 Chapitre 03 : Détection acoustique de drone

Une fois l’apprentissage est terminé, nous avons tracé l’Accuracy et loss en fonction
des epochs:

58
 Chapitre 03 : Détection acoustique de drone

Donc nous avons obtenu :

Figure 3. 15: graphe de l 'Accuracy et Loss en fonction d’epochs

59
 Chapitre 03 : Détection acoustique de drone

3.6.8 Partie de validation

La dernière étape est le test. Pour cela, nous avons fait deux différents tests:
 Drone : nous avons pris un audio quelconque d’un drone dans un dossier.

Le résultat obtenu est :

 Bruit : nous avons pris un audio d’une source sonore n'est pas celui d'un
drone

Le résultat est :

Donc nous sommes arrivés aux résultats escompte, et avant constater que le
programme fonctionne bel et bien selon nos espérances.

60
 Chapitre 03 : Détection acoustique de drone

3.7 Conclusion
Ce chapitre a décrit les différentes étapes de simulation réalisées dans ce projet de
fin d’étude en utilisant des réseaux de neurones convolutifs. Nous avons obtenu des
résultats attendus avec une précision de 98%. Ces résultats démontrent l'efficacité de
l'intelligence artificielle dans le domaine de détection acoustique.
En résumé, ce chapitre met en évidence l'importance des étapes de simulation et
l'utilisation des réseaux de neurones convolutifs pour obtenir des résultats prometteurs.
L'accuracy de 98% que nous avons atteints renforce notre confiance dans la validité de
nos résultats pour les étapes ultérieures de notre recherche.

61
Conclusion Générale

62
Conclusion générale :
En conclusion, Le présent travail a apporté une contribution significative à la
compréhension et l’application des drones, de l’intelligence artificielle et le traitement
des signaux sonores.
Dans le premier chapitre, nous avons examiné en détail le domaine des drones, en
retraçant leur évaluation historique, en mettant en évidences leurs caractéristiques et les
différents types des drones qui excite sur le marché. De plus nous avons déclaré les
différentes techniques qui sont déjà utilisé dans le cadre de notre travail, ce qui a permis
d’acquérir une perceptive globale sur ce domaine en constante évolution.
Ensuite, nous sommes concentre sur l’intelligence artificielle, avec un accent
particulier sur les réseaux de neurones. Nous avons approfondi notre connaissance sur
les différentes architectures des réseaux de neurones, notamment les Convolutions
Neural Network (CNN) et les réseaux de Siamois (Siemese Network). Nous avons
examiné leurs fonctionnements, fiabilité, leurs capacités et leurs limitations. Cette étude
approfondie nous a permis de choisir l’architecture approprie dans notre travail de
détection acoustique des drones.
Le dernier chapitre de ce mémoire a été concentre sur l’étude des caractéristiques de
sons dans les domaines temporale, fréquentiel et spectrale. En utilisant la modalité
spectrale comme une base de notre travail, nous avons développé un système de
classification des sons de drones et des bruits environnants en utilisant les réseaux de
neurones convolutifs. Nous avons mis en œuvre ce système en utilisant le langage de
programmation Python, en exploitant ses différentes bibliothèques spécialisées pour le
traitement des signaux sonores et l’entrainement des réseaux de neurones.
Les résultats obtenus au cours de cette recherche démontrent clairement l’efficacité
de réseaux de neurones spécifiquement CNN dans la classification de sons de drones
transformes sous forme d’image grâce traçage du spectrogramme. Cette simulation
ouvre la voie à des applications pratiques de surveillance et de sécurité tels que la
détection autonome et la lutte contre l’utilisation illégale des drones. En permettant une
détection plus rapide et plus précise des drones, l’intégration de l’intelligence
artificielle dans les systèmes de drones peut améliorer la sécurité des opérations,
prévenir les intrusions non autorisées et faciliter la prise de décisions en temps réel.
Cependant, il convient de souligner que cette recherche malgré les résultats
encouragent il reste encore des opportunités de réalisation et d’amélioration. Par
exemple, l’exploration d’autres architectures de réseaux de neurones et l’affinement
des techniques de traitement du signal pourraient permettre d’atteindre des
performances encore meilleures. De plus, l’expansion de cette recherche pour inclure
un plus large éventail de sons de drones et de situations environnementales contribuerait
à renforcer la robustesse et l’applicabilité du système de classification proposé.

63
 Référence
Bibliographique

64
 Chapitre 03 : Détection acoustique de drone

Bibliographie

[1] ALLOUACHE Mohamed Amine, «Commande par PID-flou d’un simulateur

d’hélicoptère». Mémoire de Master option Systèmes Electroniques Complexes,
Université de Bouira, 2017.

[2] Conférence «Mieux connaitre les drones». [Link]

[3] MARIA DE FATIMA BENTO, « Unmanned Aerial Vehicles: An overview ».

2010. [Link]
[4] «Drone civils grand public et commerciaux, Sylvian Labbe, IRSTEA, IP address :
[Link] HAL, [Link], consulte le 02/04/2022.
[5]MOHAMMEDI & IRBAH, «Conception d’un auto pilote pour un drone léger type
quadri-rotor». Mémoire de Master option Avionique, Université de Blida, 2019

[6] DIARRA ZEGUE DIT MOUSSA, «Etude et réalisation d'un système de

Commande embarqué pour le contrôle d'un UAV». Mémoire de Master option
Electronique des systèmes embarqués, Université de Annaba, 2018

[7] John K. Borchardt. «Unmanned aerial vehicles spur composites use». Reinforced
plastics, 48(4). 28-31 Consulté le 2004 Elsevier.

[8] Anibal OLLERO et Iván MAZA. «Multiple heterogeneous unmanned aerial

vehicles». T. 37. Springer, 2007.
[9] Site web [Link]
[10]Jawad.Y; Huma Zia «Drone and controller detection and localization: trends and
challenges». Applied sciences, 2022, 12(24), 12612.
[11] Site web [Link]
[Link]
[12]Rozantsev, A.; Lepetit, V.; Fua, P. « Detecting flying objects using a single
moving camera». IEEE Trans. 2017, 39, 879–892.
[13] Müller, T. Robust. « Drone detection for day/night counter-UAV with static
VIS and SWIR cameras». Proc. SPIE 2017, 10190, 302–313.
[14] Site web [Link]
systeme-doberservation-journuit-shapo-air
[15]BILAL TAHA ET ABDULHADI SHOUFAN, « Machine Learning-Based Drone
Detection and Classification: State-Of-The-Art in Research», Septembre 23/2019
IEEE Access. [Link]
[16] Citation: Chiper, F.-L.; Martian, A.; Vladeanu, C.; Marghescu, I.; Craciunescu,
R.; Fratu, O. « Drone Detection and Defense Systems: Survey and a Software-Defiend
Radio-Based Solution». Sensors 2022, 22, 1453.[Link] s22041453.

65
 Chapitre 03 : Détection acoustique de drone

[17] Steven [Link] Nathan. «Introduction à l’apprentissage automatique».

Université paris-Saclay. Consulté le 24/05/2022
[18] [Link], [Link], G.E. Hinton. « Imagenet classification with deep
convolutional neural networks. In: Advances in Neural Information Processing
Systems» Consulté en 2012. [Link]
[19]Gregory Gelly. «Réseaux de neurones récurrents pour le traitement automatique
de la parole». Thèse de doctorat de l’université paris-Saclay option Informatique
préparée à l’université paris-sud, 12/10/2017.
[20] «Deep Learning 3 choses a savoir». https ://[Link]/discovery/deep-
[Link].
[21] W. G. W CHRISTOPHER. SGERASIMOS. «flexible deep neural network
structure with application to natural language processing». Department of knowledge
engineering, Maastricht University, the Netherlands.
[22] SITE WEB, https: //[Link]/article/.
[23] «Introduction aux réseaux de neurones – 3/3 : Apprentissage des réseaux de
neurones». (15 novembre 2019). [Link]
[24] Z. ISMAILI. « Machine learning ou apprentissage automatique».
[25][Link]. «système de prédiction de la consommation d’énergie basé deep
learning». Mémoire de Master option Systèmes et technologie de l’informatique,
université de guelma.2021.
[26]Valentin .noel. «Séries temporelles et réseaux de neurones récurrents». Université
paris-Saclay, Domaine Energie et information. Consulté le 09/2022. https
://[Link]/.
[27]Georgios Nanos. «How Siamese Network Work in image Recognition» Consulté
le 02/05/2023 https ://[Link]/.
[28] HABIBOULLAH, Beha Dine et LADJEDEL, Billal. «Utilisation des réseaux de
neurones artificiels pour la prédiction de la vitesse de vent». Mémoire de Master,
Electronique : Université Mohamed Boudiaf M’SILA, 2017.
[29] Alan MCKINNEY et Grant HARRIS une bibliothèque d'effets sonores et de
musiquelibres de droits [Link]
[30] Site web Free WAV to MP3 Converter [Link] [Link]/
[31] David Cassagne, «Transformation de Fourier, FFT et DFT».
[Link] , Consulté le 22/10/2022.
[32] Georgio Nanos, «How do Siamese networks work in image
Recognition?».[Link] , Consulté le 2/05/2023.
[33] Bastien L, «TensorFlow: tout savoir sur la bibliothèque Machine Learning open
source». [Link] , Consulté le 19/10/2018.

66
 Chapitre 03 : Détection acoustique de drone

[34]Antoine Crochet-Damais, «Pytorch: tout savoir sur la bibliothèque de deep

learning».[Link] , Consulté le 21/10/2022.

67