Détection et classification des champignons comestibles et toxiques à l'aide de réseaux de neurones convolutionnels.

Abstract

Les champignons occupent une place importante dans les ´écosystèmes et l'alimentation humaine, mais leur ressemblance visuelle rend difficile la distinction entre espèces comestibles, toxiques et mortelles. Cette difficulté entraine chaque année de nombreuses intoxications, soulignant la nécessité d'outils d'identification fiables. Les approches traditionnelles, reposant sur l'expertise humaine, demeurent limitées face `a la complexité morphologique et à la variabilité des conditions de prise de vue. Dans ce travail, nous proposons une méthode hybride pour l'identification automatique des champignons, combinant `a la fois des caractéristiques profondes issues de modèles CNN pré-entrainés tels qu'InceptionV3 et des descripteurs classiques (LBP, GLCM, histogramme HSV, moments colorimétriques). La segmentation des images est assurée par un modèle U-Net bas´e sur MobileNetV3 enrichi de modules de Coordinate Attention, afin d'isoler précisément le champignon de son arrière-plan. Les représentations ainsi extraites sont ensuite fusionnées et exploitées par un classificateur SVM, permettant de tirer parti de la complémentarité entre descripteurs traditionnels et caractéristiques profondes, et d'améliorer la robustesse de la classification face `a la variabilité visuelle.