BENYOUNES Ali | Université 8 Mai 1945 Guelma

Techniques du Traçabilité améliorées par l'IoT et l'IA : Études de cas sur la surveillance du bétail et la gestion des grains dans la chaîne d'approvisionnement alimentaire

Food supply chain, traceability, production, storage, IoT, AI, CowStrus, YOLOv8, decision tree, cow body-part, multi-scale attention mechanisms, YOLOv5, DeepLabv3+, vaginal infections, Edge, Fog, Cloud, self-supervised learning, SimCLR

keywords (Ar)

Key words (Ar):

سلسلة الإمداد الغذائي، التتبع، الإنتاج، التخزين، إنترنت الأشياء، الذكاء الاصطناعي، YOLOv8، جرة القرار، أجزاء من جسم البقرة، آليات الانتباه متعددة المقاييس، YOLOv5، DeepLabv3+، لالتهابات المهبلية، الحوسبة الطرفية، الحوسبة الضبابية، الحوسبة السحابية، التعلم

keywords (Fr)

Key words (Fr):

Chaîne d'approvisionnement alimentaire, traçabilité, production, stockage, Internet des Objets, intelligence articielle, CowStrus, YOLOv8, arbre de décision, partie du corps de la vache, mécanismes d'attention multi-échelles, YOLOv5, DeepLabv3+

Abstract

Abstract:

The increasing complexity of the global food supply chain demands intelligent traceability systems capable of ensuring transparency, effeciency, and sustainability across its critical stages. Among these stages, primary production and storage represent foundational phases that directly determine product quality, safety, and availability. This thesis proposes an integrated IoT-based traceability framework enhanced with advanced artificial intelligence techniques, illustrated through two complementary case studies: livestock monitoring and grain storage management. On the animal production side, the work introduces CowStrus, a complete automated estrus detection system designed for dairy farms. The system integrates optimized acquisition congurations using xed cameras and drones, the construction of an annotated rare near top-view dairy cow dataset, transfer learning-based body-part detection using YOLOv8, and a dedicated feature engineering stage for sexual behavior classication. A rule-based decision tree and automated scoring mechanism enable accurate and computationally ecient estrus detection under real farm conditions. Complementary contributions include the generation of an annotated cow body-part dataset and the integration of multi-scale attention mechanisms within YOLOv5 and DeepLabv3+, significantly improving detection and segmentation performance, particularly for small and overlapping anatomical regions such as the tail. These advances further enabled the development of an early detection system for vaginal infections through tail movement analysis. On the vegetal side, the thesis analyzes the limitations of existing IoT-based grain storage systems and proposes a hierarchical EdgeFogCloud architecture to enable distributed, scalable, and context-aware monitoring. Additionally, a self-supervised learning pipeline based on SimCLR is introduced for grain quality classication, reducing annotation dependency while improving generalization performance. Together, these contributions demonstrate how the strategic integration of IoT infrastructures and AI-enhanced perception techniques can strengthen traceability, improve decision-making, and advance intelligent management across key stages of the food supply chain

Abstract (Ar)

Abstract (Ar):

تتطلب التعقيدات المتزايدة لسلسلة الإمداد الغذائي العالمية أنظمة تتبع ذكية قادرة على ضمان الشفافية والكفاءة والاستدامة عبر مراحل السلسلة الأساسية. وتُعد مرحلتا الإنتاج الأولي والتخزين من أكثر المراحل حساسية، لما لهما من تأثير مباشر على جودة المنتجات وسلامتها وتوافرها. تقدم هذه الأطروحة إطارًا متكاملًا للتتبع يعتمد على إنترنت الأشياء ومدعومًا بتقنيات متقدمة في الذكاء الاصطناعي، من خلال دراستي حالة تكميليتين، وهما: مراقبة الماشية وإدارة تخزين الحبوب.

على مستوى الإنتاج الحيواني، تم تطوير نظام آلي متكامل لاكتشاف الشبق لدى الأبقار الحلوب يُعرف باسم CowStrus. يعتمد النظام على إعدادات التقاط محسّنة باستخدام كاميرات ثابتة وطائرات بدون طيار، وإنشاء قاعدة بيانات نادرة لصور الأبقار من منظور علوي مقرب، وتطبيق تقنيات نقل التعلم باستخدام YOLOv8 لاكتشاف أجزاء جسم البقرة، إضافة إلى مرحلة هندسة خصائص مخصصة لتصنيف السلوكيات الجنسية. كما تم دمج شجرة قرار قائمة على القواعد مع نظام تقييم آلي لاتخاذ قرارات دقيقة حول وجود حالة الشبق بكفاءة حسابية عالية. وتشمل المساهمات الأخرى إنشاء قاعدة بيانات مُعلمة لأجزاء جسم الأبقار ودمج آليات انتباه متعددة المقاييس ضمن نماذج YOLOv5 و DeepLabv3+، ما أدى إلى تحسين كبير في دقة الكشف والتجزئة خاصة للأجزاء الصغيرة والمتداخلة مثل الذيل. وقد مكنت هذه التطورات أيضًا من تطوير نظام للكشف المبكر عن الالتهابات المهبلية لدى الأبقار من خلال تحليل حركة الذيل.

أما على الجانب النباتي، فقد تم تحليل أوجه القصور في أنظمة تخزين الحبوب المعتمدة على إنترنت الأشياء، واقتراح معمارية هرمية تعتمد على الحوسبة الطرفية والضبابية والسحابية ((Edge-Mist-Fog لضمان مراقبة موزعة وقابلة للتوسع وواعية بالسياق. كما تم اقتراح نموذج تعلم ذاتي إشرافي (Self-Supervised Learning) يعتمد على SimCLR لتصنيف جودة الحبوب، مما يقلل الحاجة إلى البيانات الموسومة ويحسن قدرة النموذج على التعميم.

تؤكد هذه الأطروحة أن الدمج الاستراتيجي بين إنترنت الأشياء وتقنيات الذكاء الاصطناعي يمثل خطوة أساسية نحو تعزيز التتبع، وتحسين آليات اتخاذ القرار، وتطوير أنظمة ذكية لإدارة مراحل الإنتاج والتخزين ضمن سلسلة الإمداد الغذائي.

Abstract (Fr)

Abstract (Fr):

La complexité croissante de la chaîne d'approvisionnement alimentaire mondiale exige des systèmes de traçabilité intelligents capables d'assurer transparence, efficacité et durabilité tout au long de ses phases critiques. Parmi celles-ci, la production primaire et le stockage constituent des étapes fondamentales déterminant directement la qualité, la sécurité et la disponibilité des produits. Cette thèse propose un cadre intégré de traçabilité basé sur l'Internet des Objets (IoT), enrichi par des techniques avancées d'intelligence articielle, illustré à travers deux études de cas complémentaires : la surveillance du bétail et la gestion du stockage des grains. Du côté de la production animale, ce travail présente CowStrus, un système automatisé complet de détection des chaleurs chez les vaches laitières. Le système intègre des congurations d'acquisition optimisées (caméras xes et drones), La construction d'un dataset annoté rare de vaches en vue aérienne rapprochée, l'application du transfert d'apprentissage avec YOLOv8 pour la détection des parties du corps, ainsi qu'une étape dédiée d'ingénierie de caractéristiques pour la classication des comportements sexuels. Un arbre de décision basé sur des règles et un mécanisme de notation automatique permettent une détection précise et peu coûteuse en ressources computationnelles. Des contributions complémentaires incluent la génération d'un jeu de données annoté des parties anatomiques bovines et l'intégration de mécanismes d'attention multi-échelles dans YOLOv5 et DeepLabv3+, améliorant signicativement la détection et la segmentation, notamment pour les régions petites et chevauchées comme la queue. Ces avancées ont également permis le développement d'un système de détection précoce des infections vaginales via l'analyse des mouvements de la queue. Du côté végétal, la thèse analyse les limites des systèmes IoT existants pour le stockage des grains et propose une architecture hiérarchique EdgeFogCloud permettant une surveillance distribuée, évolutive et contextuelle. Par ailleurs, une approche d'apprentissage auto-supervisé basée sur SimCLR est introduite pour la classication de la qualité des grains, réduisant la dépendance aux données annotées tout en améliorant la capacité de généralisation

Scientific publications

Scientific publications :

Ali Benyounes, Karima Benhamza, Brahim Farou, Lynda Djakhdjakha & Hamid Seridi, ”Enhancing estrus detection in dairy cows: a cumulative scoring model using sexual activity classification”, Tropical Animal Health and Production, 2026. Lien : https://doi.org/10.1007/s11250-026-04887-0 DGRSDT : N^o 13151; Publisher name: SPRINGER ISSN: 0049-4747; E-ISSN: 1573-7438;

Scientific conferences

Scientific conferences:

Communications Internationales:

Ali Benyounes, Karima Benhamza, Brahim Farou & Hamid Seridi, “Ai-Driven decision Suport system for proactive grain storage management”, The 7^th International Hybrid Conference on Informatics and Applied Mathematics IAM’24, Guelma, Algeria, 2024.

Ali Benyounes, Karima Benhamza, Brahim Farou & Hamid Seridi, ”Early Detection of Vaginal Infections in Beef Cattle through Tail Movement Analysis”, The 8^th International Hybrid Conference on Informatics and Applied Mathematics IAM’25, Guelma, Algeria, 2025.

Ali Benyounes, Karima Benhamza, Brahim Farou & Hamid Seridi, ”Toward Smart Wheat Storage: A Comparative Review and Conceptual IoT-AI Architecture”, The International Conference on Applied Artificial Intelligence and Emerging Technologies (AAIET 2025), Djelfa, Algeria, 2025

Ali Benyounes, Karima Benhamza, Brahim Farou & Hamid Seridi, ”Improving Wheat Grain Quality Classification through Object-Level Self-Supervised Learning.”, the First International Conference on Smart Applications (ICSA 2025), Constantine, Algeria, 2025

==============================================================================================================================================

Communications Nationales:

Ali Benyounes, Karima Benhamza, Brahim Farou & Hamid Seridi, ”Advancing Grain Storage Management through an AI-IoT Framework”, 1st National Conference on Applied Mathematics and Artificial Intelligence: Fundamentals and Modern Applications (NCAMAI’25), ENSET-Skikda, Algeria, 2025.

Ali Benyounes, Karima Benhamza, Brahim Farou & Hamid Seridi, ” Smart Monitoring of Cattle Feed Intake using RFID and Edge AI”, The 2^nd National Conference on New Educational Technologies and Informatics (NCNETI’25), Guelma, Algeria, 2025.