Avec ces information fais le maximun de page possible de facon tres intuitive Rapport de Soutenance : Projet : Application Mobile et Interface Web de Gestion Avicole Intelligente Étudiant : Mankan CAMARA Table des matières I. Résumé 1 II. Introduction 2 III. Objectifs du Projet 2 IV. Méthodologie et Planification 3 V. Architecture et Développement Technique 3 VI. Innovations et Valeur Ajoutée 4 VII. Déploiement, Tests et Préparation 5 VIII. Conclusion et Perspectives 5 IX. Annexes (Glossaire) 5

I. Résumé Ce rapport présente le projet de développement d'une application mobile et d'une interface web destinée à la gestion intelligente des élevages avicoles. S’appuyant sur une approche par des technologies modernes (FastAPI, React Native, Vue.js), le système intègre la collecte de données issues d'IoT, des modules de machine learning (pour l'analyse d'images et l'étude de séries temporelles) et un moteur de recommandations destinées aux éleveurs. L'innovation majeure réside dans la combinaison d'une prédiction proactive par séries temporelles (en utilisant, par exemple, des modèles LSTM ou ARIMA sur des données telles que température, hygrométrie, niveaux de gaz ou poids moyen) avec un moteur de recommandations intelligentes qui transforme les diagnostics en actions concrètes. Ce système vise à alerter l’éleveur avant l’apparition des symptômes et à guider la prise de décision, se démarquant ainsi des solutions existantes. II. Introduction L'aviculture moderne fait face à des défis croissants en termes de gestion de la santé des élevages et de prévention des maladies. Face à ces enjeux, ce projet propose une solution innovante qui combine les avantages du traitement de données issues d'IoT, des modèles de machine learning et d'une interface utilisateur ergonomique. La problématique centrale consiste à passer d'une approche réactive (diagnostic après l'apparition des symptômes) à une approche proactive et préventive. Le système se veut donc à la fois un outil de diagnostic et un guide décisionnel pour optimiser la gestion quotidienne des élevages. III. Objectifs du Projet Objectifs Généraux Concevoir et déployer une plateforme intégrée associant : • Une application mobile pour les éleveurs. • Une interface web de gestion destinée aux administrateurs et experts. Objectifs Spécifiques • Collecter et prétraiter des données issues d’IoT (images et séries temporelles). Développer des modèles de prédiction pour : • L’analyse d’images (diagnostic de maladies via les fientes). • L’analyse de séries temporelles (prévision des risques grâce aux données environnementales). • Implémenter un moteur de recommandations intelligentes pour guider l’éleveur dans ses actions préventives. Contributions attendues • Prédiction par séries temporelles : Grâce à l'analyse des données historiques provenant des capteurs (température, hygrométrie, niveaux de gaz, etc.), le système pourra anticiper les risques de maladies respiratoires ou entériques. L'utilisation de modèles comme le LSTM ou l’ARIMA permet de fournir des alertes précoces. • Recommandation intelligente : Le moteur de recommandations transforme les résultats des analyses prédictives et des diagnostics d’images en conseils concrets (par exemple, ajustement de l’humidité, prescription de traitements préventifs) afin d’accompagner, de manière personnalisée, les éleveurs dans la gestion de leur exploitation.

IV. Méthodologie et Planification Approche Méthodologique Le projet suit une approche itérative en plusieurs phases (de la conception à la soutenance) qui intègre : • Analyse des besoins : Recueil des exigences fonctionnelles et techniques. • Conception de l’architecture : Choix d'une architecture microservices pour segmenter les services (diagnostic, recommandations, messagerie, etc.). • Développement incrémental : Développement des modules backend (FastAPI), mobile (React Native) et web (Vue.js) en cycles courts. • Tests et validation : Mise en place de tests unitaires et fonctionnels pour s'assurer de la robustesse du système. • Déploiement continu : Utilisation d’un pipeline CI/CD pour automatiser le déploiement. V. Architecture et Développement Technique Architecture Technique L’application est divisée en plusieurs petits services (microservices) pour faciliter les mises à jour et le développement. Voici les principaux services : • Service Authentification : Gestion des utilisateurs via JWT. • Service de Prédiction : Intégration des modèles ML (CNN pour l’analyse d’images, LSTM/ARIMA pour les séries temporelles). • Service Alertes et Recommandations : Envoi de notifications préventives et conseils d’optimisation. Technologies Utilisées • Backend : FastAPI (Python) • Bases de données : PostgreSQL ou MongoDB • Frontend Mobile : React Native • Interface Web : Vue.js • Infrastructure & Déploiement : Docker, CI/CD (GitLab CI ou GitHub Actions) Chaque composant est développé de manière incrémentale, permettant des tests réguliers et une intégration continue pour déployer rapidement les mises à jour.

VI. Innovations et Valeur Ajoutée Prédiction Proactive par Séries Temporelles L’innovation majeure de ce projet réside dans l’intégration d’un module de prédiction basé sur des séries temporelles, afin d’anticiper les risques avant même l’apparition des symptômes. Approche : • Collecte et Simulation de Données IoT (température, hygrométrie, niveaux de gaz, poids moyen, etc.) • Modèles de Prédiction : Utilisation d’algorithmes tels que le LSTM ou l’ARIMA pour analyser l’évolution historique des signaux captés. • Impact : En fournissant une alerte précoce, l’outil permet aux éleveurs d’intervenir avant qu’une maladie ne devienne critique, optimisant ainsi la gestion sanitaire et économique de l’exploitation. Moteur de Recommandations Intelligentes Pour compléter le diagnostic, le système se distingue par un moteur de recommandations qui traduit les résultats des modèles en conseils concrets et opérationnels. Exemple d’implémentation : • Si l’analyse d’image combinée aux données capteurs signale un risque de coccidiose, le système peut recommander : o L’optimisation du taux d’humidité dans le poulailler o Le lancement d’un protocole préventif ou la consultation immédiate d’un vétérinaire spécialisé • Bénéfices : o Pour les éleveurs expérimentés, cet outil propose une double approche (diagnostic et guide) o Pour les novices, il offre un soutien décisionnel, rendant la gestion quotidienne plus sécurisée et proactive. Ces deux axes d’innovation offrent un avantage concurrentiel de taille en alliant diagnostic, prévention et conseils personnalisés pour une meilleure prise en charge sanitaire des élevages avicoles.

VII. Déploiement, Tests et Préparation Déploiement et Tests • Tests : Des tests sont réalisés pour chaque service (unitaires et intégration) afin de s’assurer que tout fonctionne bien. • Pipeline CI/CD : Un processus automatisé permet de construire, tester et déployer l’application de façon régulière et sûre. • Tests Utilisateurs : Simulation des scénarios d’utilisation sur le terrain (par exemple, depuis la prise de photo jusqu’à la réception de recommandations). VIII. Conclusion et Perspectives Le projet "Gestion Avicole Intelligente" se distingue par une démarche proactive dans la détection des maladies grâce à l’analyse de séries temporelles et par un moteur de recommandations opérationnelles qui guide l’éleveur dans ses prises de décision. Les résultats attendus devraient permettre une meilleure gestion sanitaire, une réduction des pertes et une optimisation économique pour les exploitations avicoles. IX. Annexes (Glossaire) Pour rappel, voici quelques définitions simples du vocabulaire utilisé : • Approche proactive : Agir avant que le problème ne survienne. • Architecture microservices : Diviser l’application en petits services indépendants. • Maladies entériques : Maladies qui affectent le système digestif. • Hygrométrie : Mesure du taux d'humidité dans l'air. • Ergonomique : Facile et confortable à utiliser. • Pipeline CI/CD : Système automatique pour construire, tester et déployer le logiciel sans intervention manuelle.

users Stocke les informations utilisateurs (éleveur, expert, admin) avec champs : _id, name, email, role, farmIds[], passwordHash, createdAt.

farms Représente les fermes et bâtiments, champs : _id, name, locations[] (coordonnées), ownerId, siteInfo, createdAt.

sensors Regroupe chaque sonde IoT (physique ou simulée) : _id, farmId, type (T°, HR, gaz…), location, isActive, createdAt.

sensor_data Stocke les mesures : _id, sensorId, timestamp, value, unit. Collection orientée séries temporelles.

images Contient les images de fientes envoyées pour les prédictions : _id, farmId, userId, imageUrl, timestamp.

predictions Résultats des analyses IA : _id, imageId ou sensorDataId, farmId, timestamp, modelType (image vs temps), disease, probability.

production Suivi de la production (ponte, poids, mortalité) : _id, farmId, date, type, value.

alerts Alerte générées par prédiction ou seuil capteur : _id, farmId, timestamp, type, message, isRead.

messages Messagerie interne : _id, fromUserId, toUserId, content, timestamp, isRead.

settings Paramètres globaux ou par ferme : _id, farmId (facultatif), key, value.

logs Journalisation des actions : _id, userId, farmId, action, timestamp, details.

🚨 Vous pouvez ajouter des index sur farmId, sensorId, timestamp, etc. pour optimiser les requêtes : MongoDB est un DB schemaless, mais ce modèle est structuré, sans surcharge relationnelle compliquée stackoverflow.com geopits.com .