Scribd
Importer
23 vues5 pages

Cahier Des Charges

Le projet SmartFarm IA Hors Ligne vise à développer un système de détection des maladies des plantes utilisant TinyML et une application mobile hybride, fonctionnant sans connexion Internet. Il inclut un kit TinyML pour l'analyse locale et une application mobile pour une expérience interactive, permettant aux agriculteurs de détecter et de recevoir des alertes sur les maladies. L'ensemble de la solution est optimisée pour un usage en zones rurales, garantissant un accès facile et autonome à la technologie.

Transféré par

oufadwa4
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
23 vues5 pages

Cahier Des Charges

Le projet SmartFarm IA Hors Ligne vise à développer un système de détection des maladies des plantes utilisant TinyML et une application mobile hybride, fonctionnant sans connexion Internet. Il inclut un kit TinyML pour l'analyse locale et une application mobile pour une expérience interactive, permettant aux agriculteurs de détecter et de recevoir des alertes sur les maladies. L'ensemble de la solution est optimisée pour un usage en zones rurales, garantissant un accès facile et autonome à la technologie.

Transféré par

oufadwa4
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Cahier des

Charges :
SmartFarm IA Hors Ligne.

1. Introduction
L'objectif du projet est de développer un système de détection des maladies des
plantes fonctionnant hors ligne, combinant TinyML, IA embarquée, et une application
mobile hybride.

2. Partie Hors ligne avec TinyML Kit:

Objectif:

Utiliser un TinyML Kit pour exécuter un modèle de détection des maladies des
plantes directement sur un microcontrôleur, sans connexion Internet.

Composants:

TinyML Kit .
Caméra : pour capturer des images des plantes.

Microcontrôleur : TinyML intégré pour exécuter l’IA localement.

Affichage local : Écran LCD ou OLED pour les résultats.

Stockage local : Carte SD ou mémoire flash pour stocker les analyses.

Fonctionnement:

Capture des images des plantes.

Exécution du modèle TinyML embarqué.

Affichage des résultats et enregistrement local.

Envoi des données en Bluetooth vers un smartphone si nécessaire.

Mise à jour du modèle IA : possibilité de charger un nouveau modèle via carte SD,
USB ou Wi-Fi local.

3-Partie Hors ligne sur Smartphone:

Objectif:

Fournir une application mobile hybride hors ligne pour détecter les maladies des
plantes et offrir une expérience interactive.

Composants:

Application mobile : Développement en React Native ou Flutter.

Base de données locale : SQLite pour stocker les résultats.


Modèle TinyML embarqué : Utilisation de TensorFlow Lite.

Caméra du smartphone : Pour capturer les images à analyser.

Interface utilisateur intuitive : Conception ergonomique pour une utilisation facile par
les agriculteurs.

Fonctionnement:

L’utilisateur prend une photo.

Analyse IA locale avec TensorFlow Lite.

Affichage des résultats et stockage local.

Mode hors ligne avec possibilité de synchronisation ultérieure.

Génération de rapports et recommandations en fonction des maladies détectées.

Optimisation des performances IA : utilisation de quantization pour réduire la taille du


modèle et accélérer l’analyse sur mobile.

4. Système d’Alerte avec LED et Son pour TinyML


Kit:

Objectif:

Avertir visuellement et par un signal sonore en cas de maladie détectée.

Composants:

LED rouge et buzzer connectés au TinyML Kit.

Signal Bluetooth envoyé à l’application smartphone.


Fonctionnement:

Lorsque le système détecte une maladie, la LED clignote et un bip sonore est émis.

Une notification Bluetooth est envoyée au smartphone de l’agriculteur.

Technologies Utilisées:

Frontend Mobile : React Native / Flutter

Backend (si nécessaire) : Python (Flask, FastAPI, Django) /

Node.jsModèle IA : TensorFlow Lite (TFLite) pour exécution locale

Base de données : SQLite (stockage local)

Microcontrôleurs : Arduino Nano 33 BLE Sense / ESP32

Caméra : OV2640 ou capteur haute résolution

Optimisation énergétique : gestion de la consommation pour TinyML

Conclusion:
Ce projet vise à offrir une solution complète et autonome, combinant détection des
maladies et alerte automatique. L’application mobile, avec son interface intuitive,
permet une meilleure accessibilité aux agriculteurs. L’utilisation de TinyML et
TensorFlow Lite garantit un traitement local sans dépendance au Cloud, idéal pour les
zones rurales sans accès à Internet.

Vous aimerez peut-être aussi