Ahmed KECHIDA

Les images ultrasonores du type TOFD utilisées dans le Contrôle Non Destructif (CND), sont basées sur la diffraction des ondes ultrasonores et sont formées par l’enregistrement des signaux ultrasonores obtenus pour plusieurs positions du traducteur. Sur l’axe horizontal de l’image, les pixels sont séparés par le pas de déplacement de ce traducteur. Alors que sur l’axe vertical, les pixels sont séparés par la période d’échantillonnage qui peut être traduite en profondeur connaissant l’angle de réfraction et la célérité des ondes ultrasonores utilisées. Nous nous proposons de constituer ce type d'images puis de procéder à leurs analyses par diverses méthodes afin de détecter les défauts et de les caractériser en taille et en nature. Le traitement de ce type d’images est de plus en plus étudié. Il permet d'exploiter de nombreuses informations contenues dans ces acquisitions. L'exploitation de ces informations augmente la robustesse des outils de contrôle et évite des inspections multiples de la matière souvent nécessaires pour détecter la présence d'un défaut. Il s’agit de passer en revue les algorithmes utilisant les informations basées sur la texture d'un défaut dans une image. La recherche de texture permet de détecter des défauts partiellement visibles par un opérateur. Parmi ces méthodes, nous nous proposons d’étudier et d’implémenter les méthodes statistiques, les méthodes basées sur l'étude des formes et les méthodes spatio-fréquentielles. Une contribution sera donnée dans cet axe avec une application sur des images ultrasonores issues du contrôle de certains matériaux tels que les composites.

Unmanned Aerial Vehicles (UAVs) are used in several applications and they are growing in popularity. Recent progress in unmanned aerial vehicles and artificial intelligence constitutes a new chance for an autonomous operation and flight. Nowadays, artificial intelligence and deep learning are driving the evolution of UAVs and fueling their autonomous future. Computer vision achieved very important progress in image classification and segmentation, and object detection, which make it very attractive research field when it is applied on unmanned aerial vehicle. Artificial intelligence is not only important and benefic, but can be rather, dangerous and serious matter since the UAVs learns through algorithms, and use that for future decision making. This work is a survey, where we present works, challenges and dangerous part of using artificial intelligence on UAVs.

The different crop diseases are a serious threatresulting in significant yield losses, where their effective monitoring and accurate early identification techniques are consideredcrucial to ensure stable and reliable crop productivity andfood security. The traditional methods often rely on humanexpert-based inspection of disease symptoms, which could beeffective for small crop fields. However, they require a very longtime and great physical effort to cover large crops resultingin very high miss detection rates. Recent innovative advancesin remote sensing technologies and computer vision techniquesare considered an effective way to solve such problems. Tothis end, in this paper, we focus on the recent advances inUnmanned Aerial Vehicle platforms and deep learning basedcomputer vision algorithms to identify crop diseases at their earlystage to improve food production.