Nez électronique et intelligence artificielle pour la caractérisation sensorielle des tomates locales

Informations

Établissement

Université Gaston Berger

Co-encadrant(s)

Eugène C. EZIN

Date de soutenance

03/04/2025

Résumé

La qualité des produits alimentaires est un enjeu majeur de santé publique, particulièrement dans les régions où les méthodes de conservation et de contrôle sont limitées. Au Bénin, les tomates constituent une denrée essentielle, mais leur conservation pose des défis significatifs. Dans ce contexte, la mise en place d’un nez électronique innovant représente une solution prometteuse pour améliorer la sécurité alimentaire en permettant une évaluation précise et continue de la qualité des tomates. Le nez électronique conçu pour cette étude est composé de huit capteurs de gaz (MQ135, MQ136, TGS822, TGS2600, TGS2602, TGS2603, TGS2610 et TGS2611), ainsi que d’un capteur de température et d’humidité (DHT22). Les tomates locales, représentées par les variétés Tounvi et Akikon, ont été utilisées pour les besoins de cette étude. Une collecte de données a été réalisée sur une période de plusieurs semaines pour capturer les données volatiles à différents stades de maturation et de détérioration. Les données recueillies ont été utilisées
pour entraîner des modèles d’apprentissage supervisé. Parmi les algorithmes testés, tels que les forêts aléatoires (random forest), les k plus proches voisins (k-NN), les perceptrons multicouches (MLP) et les machines à vecteurs de support (SVM), l’algorithme de forêts aléatoires s’est distingué par ses performances supérieures avec une précision de 94% pour la prédiction de l’état des tomates. De plus, des réseaux de neurones récurrents avancés, tels que Long Short-Term Memory (LSTM) et Gated Recurrent Unit (GRU), ont été employés pour analyser les données séquentielles et prédire le nombre de jours restants avant la détérioration totale des tomates. Ces modèles ont montré des performances remarquables, avec des erreurs quadratiques moyennes respectives de 0,000586 pour LSTM et 0,000505 pour GRU. Les résultats obtenus démontrent que le nez électronique, combiné à des modèles d’apprentissage automatique et à des réseaux de neurones récurrents, offre une solution précise et fiable pour prédire la qualité des tomates. Cette approche permet non seulement de déterminer les périodes de consommation sécuritaire, mais aussi de réduire les pertes post-récolte en optimisant les chaînes d’approvisionnement. Ainsi, la mise en place d’un tel système intelligent représente une avancée significative pour la sécurité alimentaire et la valorisation des produits agricoles locaux au Bénin. Cette recherche ouvre également la voie à de futures applications des technologies de détection et de l’intelligence artificielle dans le secteur agroalimentaire.

Mots clés : Nez électronique, Sécurité alimentaire, Qualité des tomates, Apprentissage automatique, Apprentissage profond.