ESSAT Institutional Repository

Higher School of Applied Sciences of Tlemcen (ESSAT)

Welcome to ESSAT DSpace

Welcome to the Institutional Repository of the Higher School of Applied Sciences of Tlemcen (ESSAT).

This platform showcases, preserves, and provides open access to our academic and scientific output, including:

Doctoral dissertations
Master’s theses
Course handouts and lecture notes
Conference proceedings
Scientific publications and research papers

We invite you to explore our collections and visit regularly, as the repository is continuously updated with new content.

Photo by @inspiredimages

Communities in DSpace

Select a community to browse its collections.

Now showing 1 - 5 of 10

Mémoires ESSA 2019
Mémoires soutenues à l'ESSA Tlemcen
Memoires ESSA 2020
Memoires ESSA 2020
Mémoires ESSA 2021
Mémoires ESSA 2022
Automatique
Mémoires ESSA 2023

Recent Submissions

Conception d'un modèle de gestion de stock pharmaceutique par reconnaissance visuelle basée sur les réseaux de neurones convolutifs
(directeur Dr BEKKAOUI Mokhtaria, co-directeur Dr FANDI Wahiba, 2026-06-22)
BORSALI Atika
Dans ce mémoire, nous nous sommes intéressés aux techniques de l’intelligence artificielle et de la vision par ordinateur pour la détection des médicaments en temps réel. En vue de la mise en place d’un système intelligent de surveillance des stocks dans une pharmacie, nous avons évalué la capacité des trois modèles YOLOv8, YOLOv6 et RT-DETR à détecter avec précision différentes références de médicaments. Ces modèles sont entraînés et comparés sur des images réelles collectées dans une pharmacie à Tlemcen. Les résultats obtenus sont encourageants : les modèles testés parviennent à reconnaître et à localiser les boîtes de médicaments avec une bonne précision, sans confondre les références entre elles. YOLOv8 s’impose comme le meilleur compromis entre précision et rapidité, ouvrant la voie à un système de surveillance automatique du stock en temps réel.
Conception et implémentation d'un système intelligent de surveillance continue des stocks basés sur la détection visuelle de médicaments
(directeur Dr FANDI Wahiba, co-directeur Dr BEKKAOUI Mokhtaria, 2026-06-22)
BORSALI Atika
Dans ce mémoire, nous nous sommes intéressés à la conception et à la réalisation d’un système intelligent nommé PharmaVision 4.0, basé sur la vision par ordinateur, le Deep Learning et une architecture embarquée. Ce système permet la supervision et la prédiction des stocks d’une pharmacie en temps réel. Ce travail répond aux besoins identifiés à travers une enquête menée auprès des pharmaciens en Algérie. Les résultats de cette enquête ont mis en évidence plusieurs limites des solutions actuellement utilisées, notamment la saisie manuelle des données, l’utilisation de logiciels de gestion classiques ne disposant pas de fonctionnalités intelligentes, ainsi que l’absence d’outils de prédiction de la demande et de détection précoce des risques de rupture de stock. Face à ces limites, nous avons proposé une solution reposant sur deux Raspberry Pi équipés de caméras et intégrant un modèle YOLOv8 entraîné sur 105 types de médicaments réels pour la détection et le suivi automatique des stocks. Cette solution est couplée à un modèle Bi-LSTM capable d’anticiper la demande future afin d’améliorer la gestion des approvisionnements. L’ensemble des informations est centralisé et restitué au pharmacien à travers un tableau de bord web interactif permettant une supervision intelligente et une prise de décision rapide.
Détection et Classification des Maladies des Plantes de Culture par Vision Artificielle et Deep Learning.
(directeur M’HAMEDI Mohammed, co-directeur BEKKAOUI Mokhtaria, 2026-06-18)
Kawthe r CHOUACHI
;
Aya KERROUMI
La culture de la tomate constitue un secteur stratégique pour l’agriculture algérienne, mais elle demeure fortement exposée à plusieurs maladies foliaires susceptibles de réduire significativement les rendements. Dans ce contexte, l’intelligence artificielle et plus particulièrement les techniques de deep learning offrent des solutions prometteuses pour l’automatisation du diagnostic phytopathologique. Ce mémoire présente une étude comparative de plusieurs architectures de deep learning appliquées à la classification et à la détection des maladies des feuilles de tomate à partir du jeu de données PlantVillage. Trois modèles de classification basés sur les réseaux de neurones convolutionnels (VGG19, MobileNetV2 et EfficientNetB3) ont été évalués, avec et sans augmentation de données, afin d’analyser leur capacité de généralisation. Par ailleurs, le modèle YOLOv8n a été étudié pour la détection et la localisation des lésions foliaires. Les résultats obtenus montrent que l’ensemble des modèles étudiés atteint un niveau de performance très élevé. EfficientNetB3 se distingue comme l’architecture de classification la plus performante grâce à son excellent équilibre entre précision et efficacité computationnelle. MobileNetV2 offre quant à lui un compromis particulièrement intéressant pour les applications embarquées en raison de sa légèreté et de sa rapidité d’exécution. Bien que VGG19 fournisse également de bonnes performances, son coût computationnel important et son entraînement plus instable limitent son intérêt pratique. Concernant la détection, YOLOv8n démontre une excellente capacité à identifier et localiser les maladies foliaires en temps réel, ce qui le rend particulièrement adapté aux applications agricoles de terrain. Cette étude met également en évidence l’impact positif de l’augmentation de données sur la robustesse et la capacité de généralisation des modèles. Les résultats obtenus confirment ainsi le potentiel du deep learning comme outil d’aide à la décision pour la surveillance sanitaire des cultures et ouvrent des perspectives prometteuses pour le développement de systèmes intelligents destinés à l’agriculture de précision en Algérie.
Système d’Irrigation et de Traitement Intelligent Piloté par l’IA pour les Plantes de Culture Alimentaire.
(directeur M’HAMEDI Mohammed, co-directeur BEKKAOUI Mokhtaria, 2026-06-18)
Aya KERROUMI
;
Kawther CHOUACHI
Ce mémoire présente la conception et le développement de PlantGuard AI, une serre intelligente connectée dédiée à l’optimisation de la production agricole grâce à l’Internet des Objets (IoT), l’intelligence artificielle et les technologies mobiles. Le système proposé repose sur deux modules principaux. Le premier est un module d’irrigation intelligente basé sur une carte Arduino Mega assurant la surveillance continue des paramètres agronomiques tels que l’humidité du sol, la température, lepHet la conductivité électrique (TDS), afin de déclencher automatiquement l’irrigation selon des seuils agronomiques prédéfinis. Le second est un module de détection précoce des maladies foliaires des plants de tomate utilisant une caméra IMX219 connectée à un Raspberry Pi 5. Les images acquises sont traitées par des modèles d’apprentissage profond permettant la classification et la localisation des maladies avec une grande précision. L’ensemble du système est relié à une infrastructure cloud Firebase assurant la collecte, le stockage et la synchronisation des données en temps réel. Une application mobile développée avec Flutter permet à l’agriculteur de superviser à distance les capteurs, visualiser les résultats de détection, recevoir des alertes, contrôler certains équipements et accéder à un flux vidéo en direct de la serre.
Conception d’un système IoT de contrôle et de supervision d’une chaîne de production pilotée par un automate programmable industriel
(directeur Dr. Megnafi Hicham, co-directur Dr. Karaouzene Zoheir, 2026-06-21)
Ahmed Ghezal
;
Mohammed Nehila
Ce mémoire présente la conception et la réalisation d'un système IoT industriel permettant la supervision à distance de processus automatisés pilotés par des automates programmables Siemens S7-1200. Le système repose sur une passerelle Raspberry Pi 5 qui lit les données du PLC via la bibliothèque Snap7, les transmet par protocole MQTT à un serveur Flask, lequel les redistribue en temps réel vers une interface web de supervision. L'architecture a été validée sur deux processus industriels : un système virtuel de commande de pompes et un système réel de régulation de niveau sur maquette FLTP/EV. Les résultats confirment la fiabilité et l'universalité de la solution, avec une latence inférieure à une seconde, ouvrant la voie vers une supervision industrielle connectée et économique dans le cadre de l'Industrie 4.0.