Instrumentation embarquée avec correction déterministe et exploitation par IA de capteurs électroniques : application à la surveillance de ruches.

IA and smart sensing embedded electonics system dedicated to bee's activity recognition.

• Auteur / Autrice : Augustin Bricout
• Direction : Jean-Yves Fourniols
• Type : Thèse de doctorat
• Discipline(s) : Génie Electrique
• Date : Soutenance le 10/12/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Génie électrique, électronique, télécommunications et santé : du système au nanosystème (Toulouse ; 1999-....)
• Partenaire(s) de recherche : Laboratoire : LAAS - Laboratoire d'Analyse et d'Architecture des Systèmes - Laboratoire d'analyse et d'architecture des systèmes / LAAS
• Partenaire(s) de recherche : établissement délivrant conjointement le doctorat : Institut national des sciences appliquées (Toulouse ; 1961-....)
• Jury : Président / Présidente : Daniela Dragomirescu
• Jury : Examinateurs / Examinatrices : Pascal Acco, Eunika Mercier-Laurent
• Jury : Rapporteurs / Rapporteuses : Camel Tanougast, Toufik Bakir

Mots clés

Mots clés contrôlés

Apprentissage automatique

Apiculture

Mots clés libres

Surveillance des ruches

Développement Matériel et logiciel embarqué

Apiculture

Amélioration d'un capteur

Acoustique des abeilles

Machine Learning

Hive Monitoring

Hardware developpement andEmbedded Software

Beekeeping

Low Cost sensors

Bee sounds

Machine learning

Résumé

L'objectif de cette thèse est de développer des solutions de smart sensing à bas coût, permettant d'améliorer des capteurs peu onéreux grâce à des corrections logicielles. Plutôt que de concevoir des capteurs performants mais coûteux, cette approche vise à créer des capteurs low cost qui sont ensuite corrigés et optimisés via des algorithmes embarqués. Les architectures électroniques récentes offrent désormais une puissance de calcul suffisante pour effectuer ces corrections directement au plus proche de la mesure, edge computing, tout en conservant une consommation énergétique extrêmement faible rendant les systèmes sur batterie viables.Deux approches de correction logicielle sont explorées : une méthode basée sur un algorithme déterministe, et une seconde méthode s'appuyant sur l'intelligence artificielle. Après avoir conçu une architecture de collecte de données adaptée aux ruches d'abeilles, ces deux approches sont mises en œuvre. La première approche, déterministe, est utilisée pour corriger les données provenant des jauges de contrainte dans le cadre d'une balance à ruches. La seconde méthode est appliquée à des capteurs audio MEMS, afin d'extraire des métriques de santé des colonies d'abeilles grâce à des techniques de machine learning.

The objective of this thesis is to develop low-cost smart sensing solutions, enhancing inexpensive sensors through software-based corrections. Rather than designing high-performance but expensive sensors, this approach aims to create low-cost sensors that are then corrected and optimized via embedded algorithms. Recent electronic architectures now offer sufficient computational power to perform these corrections directly at the measurement source, known as edge computing, while maintaining extremely low energy consumption, making battery-powered systems viable.Two software correction approaches are explored: a method based on a deterministic algorithm, and a second method relying on artificial intelligence. After designing a data collection architecture suited for beehives, both approaches are implemented. The first, deterministic approach is used to correct data from strain gauges in the context of a hive scale. The second method is applied to MEMS audio sensors, to extract bee colony health metrics using machine learning techniques.