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.
