Dans le cadre de l'élevage de précision, la détection d'anomalies dans des séries temporelles issues de l'agriculture est essentielle afin de mettre en œuvre des mesures correctives. Dans cette thèse, nous nous intéressons à des séries temporelles décrivant le comportement de vaches laitières. Des travaux ont montré que le rythme d'activité des vaches est modifié avant l'apparition des premiers signes physiologiques de stress ou de maladie. L'objectif est donc de développer des méthodes permettant d'identifier ces modifications afin de favoriser une intervention précoce.

 

        Les jeux de données portant sur le comportement des vaches laitières présentent des caractéristiques qui rendent ce problème difficile. La variabilité inter-individuelle et intra-individuelle, l'incertitude associée aux étiquettes en l'absence de référence fiable, ainsi que le déséquilibre entre les classes constituent autant de difficultés. Par conséquent, une utilisation directe des méthodes existantes conduit à un nombre important de faux positifs.

 

        Cette thèse s'appuie sur plusieurs travaux mettant en évidence les difficultés du problème et proposant des solutions pour améliorer les performances de la détection d'anomalies. Tout d'abord, une étude de l'influence de la variabilité montre en quoi la variabilité intra-individuelle complexifie la détection. Ensuite, une contribution consiste à exploiter les transformées en ondelettes afin d'améliorer les performances de modèles fondés sur des attributs. Cette approche se révèle efficace comparée à des modèles de réseaux de neurones utilisant les mêmes données. Enfin, nous proposons un processus de génération de données fondé sur des chaînes de Markov, destiné à enrichir les jeux de données d'entraînement et à améliorer les performances des futurs modèles appliqués à ces données agricoles. Ces travaux proposent ainsi un cadre méthodologique complet et applicable aux problématiques de détection d’anomalies en présence de données complexes.

 

• Lina F. SOUALMIA, Professeure HDR, LITIS, Rapporteuse
• Cyril DE RUNZ, Maître de Conférences HDR, LIFAT, Rapporteur
• Bertrand CLOEZ, Directeur de Recherches, UMR MISTEA INRAE, Examinateur
• Rodolphe LOUBATON, Maître de Conférences, VetAgro Sup, Examinateur
• Violaine ANTOINE, Maîtresse de Conférences HDR, LIMOS, Encadrante
• Isabelle VEISSIER, Directrice de Recherche, UMRH INRAE, Encadrante.