Imagerie et deep learning appliqués à la détection de maladies des plantes

UNIVERSITÉ NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL PIERRE DAVID IMAGERIE ET DEEP LEARNING APPLIQUÉS À LA DÉTECTION DE MALADIES DES PLANTES KHOA HỌC HÌNH ẢNH VÀ DEEP LEARNING ỨNG DỤNG CHO PHÁT HIỆN BỆNH CÂY TRỒNG MÉMOIRE DE FIN D’ÉTUDES DU MASTER INFORMATIQUE Hanoi – 2019 IMAGERIE ET DEEP LEARNING APPLIQUÉS À LA DÉTECTION DE MALADIES DES PLANTES RAPPORT DE STAGE David PIERRE Stagiaire au LARIS, Université d’Angers Encadré par Professeur David ROUSSEAU 31 octobre 2019 @ Tous droits réservés Table des matières Chapitre - Introduction 1.1 Présentation du LARIS 1.1.1 Historique et localisation géographique de l’unité 1.1.2 Équipe de direction 1.1.3 Nomenclature HCERES 1.1.4 Domaine d’activité 1.2 Présentation de la SNES GEVES 1.2.1 Historique et localisation géographique de l’unité 1.2.2 Équipe de direction 1.2.3 Missions & Mandats 1.3 Analyse 10 1.4 Contexte 11 1.5 Domaine d’étude 14 1.6 Travail Attendu 14 1.7 Jeu de données disponible 14 1.7.1 Données annotées 14 1.7.2 Données non annotées 14 Chapitre - Etude Bibliographique 15 2.1 Méthode actuelle - expert en biologie 15 2.2 Comptage des kystes par une approche de sélection manuelle des caractéristiques en utilisant le traitement d’images 17 2.3 Machine Learning 19 2.3.1 Classification des pixels avec Random Forest 19 2.3.2 Dataset 20 Chapitre - Solution Proposée 3.1 Architecture de la solution proposée 23 24 3.1.1 Description de l’architecture du système proposé 25 3.2 Le simulateur d’images 26 3.2.1 Fonctionnement du système 27 3.2.2 Images Générées 27 3.2.3 Expérimentations et résultats 28 3.2.4 Limites du simulateur d’images et conclusion 29 3.3 Segmentation - Unet architecture 30 3.3.1 Le réseau U-Net 30 3.3.2 Description de l’architecture du réseau U-Net 31 3.4 Jeux de données 33 3.4.1 Jeux de données d’entrnements 33 3.4.2 Jeux de données de tests 33 3.5 Entrnements 34 3.6 Choix du nombre de données d’entrnement de 10000 35 Chapitre - Résultats 36 4.1 Les cas de tests 36 4.1.1 Variétés Résistantes - Modèle de Densité Résistante (30 kystes) 37 4.1.2 Variétés Résistantes Intermédiaires - Modèle de Densité Résistante Intermédiaire (60 kystes) 38 4.1.3 Variétés Sensibles - Modèle de Densité Sensible (supérieure 60 kystes) 39 4.1.4 Cas de tests portés sur une densité générale 41 4.1.4.1 Modèle entrné sur une densité de variété résistante appliqué toutes les variétés 41 4.1.4.2 Modèle entrné sur la densité résistante intermédiaire, testé sur toutes les variétés 45 4.1.4.3 Modèle entrné sur la densité sensible, testé sur toutes les variétés 49 4.2 Résumé de tous les cas de test 53 4.3 Comparaison des résultats obtenus et ceux des biologistes Chapitre - Conclusion, Recommandation & Perspectives 54 56 5.1 Conclusion 56 5.2 Recommandation 57 5.3 Perspectives 57 5.4 Environnement matériel et logiciel 58 5.4.1 Environnement matériel 58 5.4.2 Environnement logiciel 58 5.5 Langage de programmation et outils utilisés 58 Table des figures Tableau de comparaison de référence Image d’une betterave[16] 12 Image d’un kyste de nématode[17] 12 Image d’un cas de nématode sur la racines de la betterave sucrière[18] 13 Image d’une larve de nématode[19] 13 Méthode actuelle 15 Résultat du comptage de trois éxperts différents 16 Architecture de l’approche d’expert en utilisant le traitement d’images Résumé des résultats de l’approche d’expert en utilisant le traitement d’images [7] 18 10 Labélisation d’une image avec ilastik 19 11 Image de prédiction d’ilastik pour une bte de Petri de 13 kystes 20 12 Image de prédiction d’ilastik pour une bte de Petri de 51 kystes 21 13 Image de prédiction d’ilastik pour une bte de Petri de 59 kystes 21 14 Image de prédiction d’ilastik pour une bte de Petri de 109 kystes 22 15 Architecture de la solution proposée 24 16 Exemple d’image générée 27 17 Détails sur la position des images dans la bte de Petri 28 18 Comparaison d’une image générée et une image réelle 28 19 Architecture du réseau U-Net 30 20 Exemples d’images synthétiques 33 21 Tableau des nouveaux jeux de données de test acquis 33 22 Étapes de l’entrnement 34 23 Étapes de l’entrnement - Tensorboard 34 24 Tableau résumant les performances des modèles de différents volumes de données 35 25 Prédiction du modèle pour une boite de Petri de 13 kystes de cet ensemble de données 37 26 27 Tableau résumant les résultats du modèle sur la variété résistante 37 Prédiction du modèle pour une boite de Petri de 18 kystes de cet ensemble de données 38 28 Tableau résumant les résultats du modèle sur la variété résistante intermédiaire 38 29 Prédiction du modèle pour une boite de Petri de 159 kystes de cet ensemble de données 39 30 Tableau résumant les résultats du modèle sur la variété sensible 39 31 Tableau résumant les résultats moyens de chaque modèle sur leurs variétés respectives 40 32 Prédiction du modèle pour une boite de Petri de 13 kystes de cet ensemble de données 41 33 Tableau résumant les résultats du modèle sur ces jeux de données 42 34 Tableau résumant les résultats du modèle sur ces jeux de données 43 35 Tableau résumant les résultats du modèle sur ces jeux de données 36 Tableau résumant les résultats de ce modèle sur toutes les variétés traitées (jeux de données) 11 17 44 44 37 Prédiction du modèle pour une boite de Petri de 13 kystes de cet ensemble de données 45 38 Tableau résumant les résultats du modèle sur ces jeux de données 46 39 Tableau résumant les résultats du modèle sur ces jeux de données 40 Tableau résumant les résultats du modèle sur ces jeux de données 48 41 Tableau résumant les résultats de ce modèle sur toutes les variétés traitées (jeux de 47 données) 48 42 Prédiction du modèle pour une boite de Petri de 13 kystes de cet ensemble de données 49 43 Tableau résumant les résultats de ce modèle sur toutes les variétés traitées (jeux de données) 50 44 Tableau résumant les résultats de ce modèle sur toutes les variétés traitées (jeux de données) 45 51 Tableau résumant les résultats de ce modèle sur toutes les variétés traitées (jeux de données) 52 46 Tableau résumant les résultats de ce modèle sur toutes les variétés traitées (jeux de données) 52 47 Tableau résumant les résultats de chaque modèle sur toutes les variétés traitées (jeux de données) 53 48 Tableau de comparaison de référence 54 49 Tableau de résultats de notre système 54 50 Graphe de résultats de notre système 55 Remerciements Je tiens remercier Dieu pour la santé qu’il me donne et sa protection illimitée en temps réel envers moi et ma famille Merci ma famille pour leurs encouragements et leur soutien inconditionnel Je remercie mes superviseurs, les Drs David ROUSSEAU & Pejman RASTI, pour leurs conseils, leurs encouragements et leurs directives pour faire avancer ce travail J’adresse également toute ma reconnaissance l’equipe ImHorPhen avec laquelle nous avons créé une ambiance positive de partage afin d’aller vers l’avant Ce travail a reỗu lappui du gouvernement franỗais, supervisộ par lAgence Nationale de la Recherche dans le cadre du programme Investissements d’Avenir sous la référence ANR-11-BTBR-0007 (programme AKER) Résumé La présence de maladies chez les plantes est naturelle Une maladie de la plante est une condition anormale qui modifie l’apparence et / ou la fonction de cette dernière L’identification des maladies chez les plantes est importante pour la production agricole, domaine dont dépend beaucoup l’économie Dans le monde de la recherche sur les plantes, lorsqu’une nouvelle variété est créée, elle doit être inscrite dans le catalogue officiel des variétés Dans le cadre d’essais visant évaluer la qualité de nouvelles variétés, les procédures d’évaluation sont généralement effectuées manuellement par inspection visuelle directe Les progrès réalisés dans le domaine de l’intelligence artificielle notamment le Deep Learning, de l’acquisition et du traitement d’images, les progrès matériels, où les cartes graphiques avec une grande puissance informatique spécialisée sont devenues peu coûteuses et omniprésentes, ont motivộ la recherche de procộdures automatisộes haut-dộbit remplaỗant l’inspection visuelle directe Le but de ce travail est d’utiliser l’apprentissage automatique pour la segmentation puis le comptage des kystes de nématode de la betterave sucrière Mots clés : Imagerie, Segmentation, Deep Learning, Shallow Learning, Maladies des Plantes, Kystes de Nématodes, Tests de Résistance de Nouvelles Variétés Chapitre - Introduction 1.1 Présentation du LARIS Laboratoire Angevin de Recherche en Ingénierie des Systèmes - LARIS, sous tutelle des établissements et organismes : Université d’Angers-UA 1.1.1 Historique et localisation géographique de l’unité Le Laboratoire Angevin de Recherche en Ingénierie des Systèmes (LARIS) a été créé en janvier 2014 [1] ; il a le statut d’Équipe d’Accueil (EA 7315) et est placé sous la tutelle de l’Université d’Angers (UA) L’unité résulte du regroupement de deux laboratoires créés au début des années 1990 : le Laboratoire d’Ingénierie des Systèmes Automatisés (LISA, EA en 1996) et le Laboratoire en Sûreté de fonctionnement, Qualité et Organisation (LASQUO, EA en 2004) Le personnel de l’unité est réparti sur plusieurs sites Angers dont le site principal est l’Institut des Sciences et Techniques de l’Ingénieur (ISTIA), situé sur le campus de l’UA, qui regroupe environ 73% de l’effectif total Viennent ensuite l’IUT d’Angers – Cholet et le CHU d’Angers qui accueillent environ 17% des effectifs ; le reste du personnel est situé l’Université Catholique de l’Ouest (UCO) et l’École Supérieure Angevine d’Informatique et de Productique (ESAIP) Le LARIS est structuré en trois équipes de recherche constituées, pour l’une, des membres de l’ancien LASQUO et pour les deux autres des membres des deux anciennes équipes du LISA De ce fait, la partie bilan du dossier d’évaluation se réfère pour l’intégralité du contrat aux équipes de recherche du LARIS, même si l’unité n’a été officiellement crée qu’en janvier 2014 1.1.2 Équipe de direction L’unité est dirigée par M David BIGAUD (Enseignant-Chercheur au Polytech Belle-Beille) et a pour directeur adjoint M Abdessamad KOBI (professeur UA et ancien directeur du LASQUO) Cette équipe de direction a été mise en place la mi-parcours du présent contrat avec pour mission de mener bien l’association du LISA et du LASCO 1.1.3 Nomenclature HCERES ST6 Sciences et technologies de l’information et de la communication 1.1.4 Domaine d’activité Le LARIS est une unité de recherche pluridisciplinaire (dont les enseignants-chercheurs relèvent des sections 61, 60, 63, 24, 62, 06 et 26 du CNU et les enseignants-chercheurs-praticiens-hospitalier des sections 5401 et 43 du CNU Santé) L’ensemble regroupe trois domaines de compétences des STIC et des SPI : l’étude des systèmes dynamiques, notamment événements discrets, et leur optimisation ; le traitement du signal et des images, principalement appliqué aux sciences du vivant ; la sûreté de fonctionnement, principalement avec une connotationgénie mécanique CHAPITRE - INTRODUCTION 1.2 Présentation de la SNES GEVES Station Nationale d’Essais de Semences (SNES) est le Laboratoire National de Référence Semences et Plants franỗais 1.2.1 Historique et localisation gộographique de lunitộ Le GEVES (SNES) est Laboratoire National de Référence (LNR) désigné par le ministère en charge de l’Agriculture pour la certification des semences des espèces des directives 2002/54, 2002/55, 2002/57, 66/401 et 66/402 C’est le laboratoire d’analyse de la qualité des semences commerciales pour l’importation et l’exportation La station contribue l’application de la réglementation et facilite le commerce national et international des semences La Station Nationale d’Essais de Semences (SNES) a été créée 1884 contrairement au GEVES qui a été créé au sein de l’Institut National de Recherche Agronomique (INRA) en 1971 Le GEVES, nommé LNR dans le domaine de la certification des semences et plants selon l’arrêté de désignation [2] paru au Journal Officiel de la Rộpublique Franỗaise le 24 mars 2017 Le personnel de la SNES est réparti sur le site principal Beaucouzé, Angers depuis 1993 et 16 ans après il y a eu la relocalisation du siège du GEVES sur le site de la SNES 1.2.2 Équipe de direction L’unité est dirigée [2] par M Joël LÉCHAPPÉ et a pour Directrice du laboratoire d’Analyses physiques des semences Mme Aurélie CHARRIER et Mme Valérie GRIMAULT Directrice du laboratoire de Pathologie et enfin Mme Sylvie DUCOURNAU Directrice du laboratoire de Germination Responsable opérationnelle de la plateforme de phénotypage semences Cette équipe doit assurer la lisibilité, l’indépendance, l’expertise et la performance pour le dispositif franỗais de certification des semences et des plants 1.2.3 Missions & Mandats Le LNR est l’interlocuteur technique pour les analyses de la qualité des semences pour le ministère, l’autorité compétente, les laboratoires agréés et reconnus [2] Le GEVES (Station Nationale d’essais de semences) est LNR pour la certification des semences de toutes les espèces couvertes par les directives européennes 2002/54, 2002/55, 2002/57, 66/401 et 66/402 [2] Le GEVES a été désigné LNR par arrêté du 16 mars 2017 paru au Journal Officiel du 24 mars 2017 : [Arrêté du 16 mars 2017 désignant les laboratoires nationaux de référence dans le domaine de la certification des semences et plants (NOR : AGRG1708399A)] Cette désignation fait suite au décret n°2016-1496 du novembre 2016 relatif aux laboratoires réalisant des analyses sur les semences et plants (NOR : AGRG1610713D) en application de la loi n°2011-1843 du décembre 2011 relative aux certificats d’Obtention végétale (NOR : AGRX1119422L) 56 Chapitre - Conclusion, Recommandation & Perspectives 5.1 Conclusion Ce projet de recherche a été réalisé dans le cadre d’un stage de Master au Laboratoire de Recherche Angevin en Ingénierie des Systèmes (LARIS, Université d’Angers), plus précisément au sein de l’équipe ImHorPhen dans les locaux de l’Institut National de la Recherche Agronomique (INRA) L’intérêt de ce sujet était de disposer d’un outil permettant de faire le comptage automatique des kystes de betterave sucre, réalisé manuellement la SNES GEVES par des biologistes qui doivent analyser chaque année des milliers de btes de Petri dans le cadre de leur travail d’évaluation de nouvelles variétés afin de déterminer la carte d’identité des variétés et mesurer les progrès réalisés par la variété en termes de valeur agronomique et technologique par rapport aux variétés actuellement cultivées L’établissement de cette carte d’identité doit passer par des tests de résistance aux agents pathogènes que les variétés en question doivent subir pour savoir si ces dernières sont éligibles pour être commercialisées sur le marchộ franỗais partir de soixante-quatre images annotộes, nous avons réussi faire de l’apprentissage supervisé sur des milliers de données simulées et augmentées afin de disposer d’un modèle puissant permettant d’automatiser le comptage des kystes Différentes techniques et méthodes ont été utilisées pour évaluer les performances de nos différents modèles, entrnés l’aide de l’architecture modifiée du réseau de neurones UNET Chaque fois, un nombre de dix mille (10000) données et un même seuil de classification ont été utilisés pour chaque cas, tandis que d’autres expériences ont été réalisées avec des volumes de données plus importants (22600 images), mais sans aucun meilleur résultat Après avoir testé sur des images réelles en utilisant 30 ensembles de données différents contenant chacun 30 répétitions d’images différentes provenant des trois variétés de référence contenant chacun 10 ensembles, nous n’avons pu obtenir des résultats 100% cause des images floues capturées dans 1/4 des cas en faisant tourner les btes de Petri pendant les acquisitions, bien que ces images floues empêchent le système de fonctionner correctement sur 1/4 des données, ce qui influence le résultat général, mais notre système a satisfait aux critères de classification établis par les biologistes en référence au tableau des variétés de référence 57 CHAPITRE - ONCLUSION, RECOMMANDATION & PERSPECTIVES 5.2 Recommandation Pour évaluer pleinement notre modèle, il est recommandé d’avoir le mêmes btes de Petri dans les mêmes quantités et qualités que celles examinées par les bilogistes De plus, il est nécessaire de disposer d’un petit système de ventilation permettant de faire bouger l’eau dans la bte de Petri tout en restant stable pour faire bouger les kystes au lieu d’agiter la bte de Petri manuellement, car cette opération favorise l’acquisition d’images floues qui réduisent le résultat de notre système sur ces dernières 5.3 Perspectives Les perspectives de ce travail sont d’abord son optimisation en faisant le prétraitement des images acquises avant de leur appliquer le modèle afin d’éviter de travailler avec des images de mauvaise qualité qui réduisent 25% la performance du système En suite, publier ce travail l’ISBI 2020 de l’IEEE qui est une conférence scientifique internationale sur l’imagerie biomédicale (ISBI), conférence consacrée aux aspects mathématiques, algorithmiques et informatiques de l’imagerie biologique et biomédicale toutes les échelles d’observation 58 CHAPITRE - ONCLUSION, RECOMMANDATION & PERSPECTIVES 5.4 Environnement matériel et logiciel Ce travail ne serait pas possible sans environnements matériels et logiciels 5.4.1 Environnement matériel – Ordinateur : PC de marque Dell, modèle Précision 7820 – CPU : Intel Xeon(R) Silver 4114 CPU @ 2.20 GHz * 40 – GPU : Quadro P4000/PCIe/SSE2 – Mémoire de masse : To – Mémoire vive : 64 Go 5.4.2 Environnement logiciel – Linux, Ubuntu 64 bits, version 18.04.2 LTS 5.5 Langage de programmation et outils utilisés Les langages de programmation utilisés dans le cadre de ce projet sont Ilastik (version vérifier), Python (version 3.6.5), OpenCV (version 3.4.1) Les outils sont : – Anaconda (version 2019.03) – Tensorflow (version 1.14.0 GPU) – Keras (version 2.2.4) – Caméra (modèle Navitar Caméra de microscope vision artificielle avec Zoom 7000 TV) 59 RÉFÉRENCES [1] HCERES, "Évaluation du HCERES sur l’unité : Laboratoire Angevin de Recherche en Ingénierie des Systèmes - LARIS", in Campagne d’évaluation 2015-2016 (Vague B) https://www.hceres.fr/sites/default/files/media/publications/depot-evaluations/B2017-EV-0490970N-S2PUR1 pdf [2] À propos de la SNES GEVES (Site web de la SNES GEVES, consulté le Octobre 2019.) https://www.geves.fr/qui-sommes-nous/snes/ [3] David PIERRE, "Plant disease detection system using smartphones" Master Personal Work Assisted Report, French International Institute (IFI) - Vietnam National University Hanoi, Vietnam, 2018 [4] ITB, "Nématodes kystes et rhizomanie sur betteraves : quelle gestion durable ?" In Conduite de culture / Expérimentations / Rotation, 2017 http://grandes-cultures.ecophytopic.fr/sites/default/files/BF_935%20-%20n%C3%A9matodes.pdf [5] Belin Etienne, Ndiaye M., Grimault Valérie, Perrot S., Rousseau David, "Computer vision tools for cysts nematodes counting" in International Conference QUALITA, 2011 http://okina.univ-angers.fr/publications/ua1807 [6] Paulraj, Prabhu (2016) Digital image processing techniques – a survey GOLDEN RESEARCH THOUGHTS https://www.researchgate.net/publication/320554561_DIGITAL_IMAGE_PROCESSING_TECHNIQUES_-_A_SURVEY [7] Mouad Zine El Abidine, "Computer vision tools for cysts nematodes counting" Master Internship Report, Université d’Angers, France, 2018 [8] Alsedrah, Mariam (2017) Artificial Intelligence 10.13140/RG.2.2.18789.65769 https://www.researchgate.net/publication/323498156_Artificial_Intelligence [9] Sharma, Himani & Kumar, Sunil (2016) A Survey on Decision Tree Algorithms of Classification in Data Mining International Journal of Science and Research (IJSR) https://www.researchgate.net/publication/324941161_A_Survey_on_Decision_Tree_Algorithms_of_Classificati in_Data_Mining [10] Bérengère Mathieu, Alain Crouzil, Jean-Baptiste Puel Segmentation interactive pour l’annotation dephotographies de paysages 20eme Congres national sur la Reconnaissance des Formes et Intelligence Artificielle (RFIA 2016), Jun 2016, Clermont-Ferrand, France pp 1-7 hal-01671344 ? https://hal.archives-ouvertes.fr/hal-01671344/document [11] Akinsola, J E T (2017) Supervised Machine Learning Algorithms : Classification and Comparison International Journal of Computer Trends and Technology (IJCTT) 48 128 - 138 10.14445/22312803/IJCTT-V48P126 https://www.researchgate.net/publication/318338750_Supervised_Machine_Learning_Algorithms_Classificatio and_Comparison [12] Sarvepalli, Sarat Kumar (2015) Deep Learning in Neural Networks : The science behind an Artificial Brain 10.13140/RG.2.2.22512.71682 60 https://www.researchgate.net/publication/331400258_Deep_Learning_in_Neural_Networks_The_science_ behind_an_Artificial_Brain [13] Perez, Luis & Wang, Jason (2017) The Effectiveness of Data Augmentation in Image Classification using Deep Learning http://cs231n.stanford.edu/reports/2017/pdfs/300.pdf [14] Olaf Ronneberger, Philipp Fischer, and Thomas Brox, "U-Net : Convolutional Networks for Biomedical Image Segmentation" in Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS, Vol.9351 : 234–241, 2015 https://arxiv.org/pdf/1505.04597.pdf [15] Porter, WA & Liu, W (1996) Neural network training enhancement Circuits, Systems, and Signal Processing 15 467-480 10.1007/BF01183155 https://www.researchgate.net/publication/227020278_Neural_network_training_enhancement [16] SUBERU Project Russian Federation Project https://saiplatform.org/our-work/projects/the-sugar-beet-russia-suberu-project/#accept-cookies [17] Tribe, Henry (2008) Pathology of cyst nematodes Biological Reviews 52 477 - 507 10.1111/j.1469185X.1977.tb00857.x https://www.researchgate.net/publication/229993808_Pathology_of_cyst_nematodes/citation/download [18] Winter, Shawn Rajcan, Istvan Shelp, Barry (2006) Soybean cyst nematode : Challenges and opportunities Canadian Journal of Plant Science 86 25-32 10.4141/P05-072 https://www.researchgate.net/publication/257525497_Soybean_cyst_nematode_Challenges_and_opportunities/ citation/download CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc BẢN NHẬN XÉT LUẬN VĂN THẠC SĨ RAPPORT DU MEMOIRE DE FIN D'ETUDE MASTER Về đề tài/ Sujet: Khoa học hình ảnh kỹ thuật học sâu áp dụng cho phát bệnh trồng / Imagerie et deep learning appliqués la détection de maladie des plantes Ngành/Secteur: Công nghệ thông tin/Informatique Chuyên ngành/Spécialité: Hệ thống thông minh đa phương tiện/ Systèmes Intelligents et Multimédia Mã số chuyên ngành/Code de la spécialité: Chuyên ngành thí điểm / Programme pilote Của học viên/Nom de l'étudiant: David Pièrre Họ tên cán phản biện/Nom du rapporteur: Nguyễn Mạnh Hùng Cơ quan công tác/Etablissement du rapporteur: Học viện công nghệ bưu viễn thơng, Hà Nội Tính cấp thiết, ý nghĩa lý luận thực tiễn đề tài luận văn / Nécessité, sens théorique et pratique du sujet de mémoire - Nécessité: oui - sens théorique: oui - sens pratique: oui Phương pháp nghiên cứu / Méthodologie de recherche - La méthodologie de recherche est raisonnable et adaptée au problème Cơ sở lý luận tổng quan đề tài nghiên cứu / Fondement théorique et littérature du sujet de recherche - Le travail du stagaire fait partie de LARIS, Université d’Angers Những đóng góp luận văn / Apports du mémoire Il y a deux contributions principales: - générer les données annotées - évaluer l'UNET sur les données générées Kết cấu, hình thức trình bày văn phong / Structure, présentation et style - La structure du mémoire est bien structurée Những thiếu sót hạn chế nội dung hình thức luận văn (nếu có) / Lacunes et limites du mémoire (s'il y en a) - Về hình thức / Sur la forme: - Il y a dé références qui sont incompletes dans la section références - Il manque pas mal des images, des données qui ne sont pas citées - Về nội dung / Sur le contenu: - Dans la section 8, il n'y pas de définition des parametres sorties pour évaluer le modèle - Les tableaux résumant les résultats du modèle ne sont pas faciles comprendre et évaluer le modèle Mức độ đạt cơng trình nghiên cứu so với yêu cầu luận văn thạc sĩ / Conclusion générale par rapport aux exigences du mémoire de fin d'études du niveau Master Căn vào yêu cầu luận văn Thạc sĩ kết cơng trình nghiên cứu trình bày luận văn, tơi đồng ý cho học viên David Pièrre bảo vệ luận văn trước Hội đồng En me basant sur les exigences d’un mémoire de fin d’études, je donne un avis favorable la soutenance du mémoire de fin d’études David Pièrre devant le jury Questions - comment peut-on évaluer les résultats obtenus comme bon ou pas bon? - si l'on utilise que 64 images originaux pour entrainner, les résultats vont plus ou moins bon? Hà Nội, ngày tháng năm 2019 CÁN BỘ PHẢN BIỆN RAPPORTEUR Nguyễn Mạnh Hùng