Self-Supervised and Semi-Supervised AI Framework for Almond Disease Detection Under Limited Annotation and Agriculture practices

Self-Supervised and Semi-Supervised AI Framework for Almond Disease Detection Under Limited Annotation and Agriculture practices

Le projet de thèse proposé vise à développer un cadre d’intelligence artificielle hybride combinant des stratégies d’apprentissage auto-supervisé et semi-supervisé pour la détection des maladies de l’amandier dans des conditions de données annotées limitées et de pratiques agricoles hétérogènes. La culture de l’amandier, essentielle dans les régions méditerranéennes et semi-arides, subit d’importantes pertes de productivité dues aux maladies fongiques et bactériennes. Toutefois, la rareté des jeux de données annotés et la variabilité des conditions de terrain limitent les performances et la capacité de généralisation des modèles d’apprentissage profond actuels.

Pour relever ces défis, cette recherche explorera les avancées récentes en apprentissage des représentations, en exploitant de grands volumes d’images non annotées capturées par drones, smartphones et capteurs multi spectraux. Le projet étudiera des modèles tels que SimCLR, BYOL, DINO et MAE, en intégrant le pseudo-étiquetage, la régularisation par cohérence et l’adaptation de domaine afin d’améliorer la robustesse et la précision en conditions réelles.

Les résultats attendus incluent (i) la constitution d’un jeu de données ouvert et structuré d’images de maladies de l’amandier, (ii) la conception d’un modèle d’IA efficace et transférable pour la détection des maladies, et (iii) le développement d’un prototype mobile léger permettant le diagnostic précoce et l’aide à la décision pour les agriculteurs et les coopératives. Ce travail contribuera à l’avancement de l’IA au service d’une agriculture durable, particulièrement dans des contextes pauvres en données.

Les candidats sont appelés à effectuer leur recherche à plein temps au sein des structures de l’Université EUROMED.

Le doctorant mènera ses travaux de recherche au croisement de l’intelligence artificielle et des sciences agronomiques, dans une dynamique de collaboration scientifique et d’innovation appliquée. Ses principales missions seront de :

- Réaliser une revue de littérature approfondie sur les méthodes d’apprentissage auto-supervisé et semi-supervisé (SimCLR, BYOL, DINO, MAE, etc.), ainsi que leurs applications à la vision par ordinateur et à l’agriculture de précision.

- Constituer, structurer et documenter une base de données d’images d’amandiers, intégrant différentes parties de la plante (feuilles, fruits, rameaux) recueillies à l’aide de drones, smartphones et capteurs multispectraux dans des contextes agricoles variés.

- Développer des modèles d’intelligence artificielle robustes, capables d’apprendre à partir de données partiellement annotées, en s’appuyant sur les frameworks PyTorch ou TensorFlow, et en intégrant des stratégies d’auto-supervision et de pseudo-labellisation.

- Concevoir un pipeline complet d’entraînement et d’évaluation, combinant prétraitement des données, régularisation de consistance, apprentissage multi-étapes et validation sur plusieurs environnements agricoles.

- Tester et valider le modèle sur le terrain, à travers des campagnes expérimentales dans différentes régions et saisons.

- Contribuer à la valorisation du projet en développant un prototype d’application mobile ou web dédié à la détection précoce des maladies de l’amandier, au bénéfice des agriculteurs, coopératives et techniciens agricoles.

Le candidat doit répondre aux critères suivants :

Le candidat doit répondre aux critères suivants :

• Formation Académique :
• Master ou ingénierie en Intelligence Artificielle, Informatique, ou un domaine connexe : Une solide formation en IA et en informatique est essentielle pour comprendre et développer des modèles complexes.
• Connaissances en Agronomie ou en Sciences Agricoles : Une compréhension de base des principes agricoles et des défis rencontrés dans ce domaine est un atout majeur (de préférence).
• Compétences Techniques :
• Compétences en Programmation : Maîtrise des langages de programmation tels que Python, C, C++, MATLAB ou Java. L'expérience avec des bibliothèques de vision par ordinateur comme OpenCV, TensorFlow, Keras ou PyTorch est cruciale.
• Algorithmes de Vision par Ordinateur : Connaissance approfondie des techniques de traitement d'image, de détection et de reconnaissance d'objets, et de segmentation d'image.
• Apprentissage Automatique et Profond : Expérience dans la conception, la formation et l'évaluation de modèles d'apprentissage automatique et profond, y compris les réseaux de neurones convolutifs (CNN).
• Compétences en Analyse de Données :
• Traitement et Analyse de Données
• Statistiques et Mathématiques
• Passion et Motivation :
• Intérêt pour l'Agriculture et l'Innovation Technologique : Une passion pour l'amélioration des pratiques agricoles par l'innovation technologique et une motivation à contribuer à des solutions durables pour l'agriculture.

Un CV, une lettre de candidature, le projet de thèse, diplômes et relevés de notes.

Le dossier doit être envoyé au Centre d’Etudes Doctorales (CEDoc) de l’Université Euromed de Fès par email (au plus tard le 24 octobre 2025) :

Responsable des affaires administratives du CEDoc (Mme Boutaina Jai Mansouri : b.jai-mansouri@emadu.ueuromed.org)

Directeur de la Recherche et du CEDoc (Pr. Abdelghafour Marfak : : a.marfak@euromed.org)

• Pr. EL MOUHTADI Meryam (m.el-mouhtadi@ueuromed.org)