Chaque année, les maladies des plantes causées par des bactéries, des virus et des champignons contribuent à des pertes économiques importantes. La détection rapide de ces maladies est nécessaire pour freiner leur propagation et atténuer les dégâts agricoles, mais représente un défi majeur, en particulier dans les zones de production à grande échelle. Les systèmes d’agriculture intelligente utilisent des caméras de surveillance équipées de modèles d’intelligence artificielle (IA) pour détecter les caractéristiques des maladies des plantes, qui se manifestent souvent par des changements dans la morphologie et l’apparence des feuilles.
Cependant, les procédés conventionnels de classification d’images et de reconnaissance de formes extraient des caractéristiques indicatives de plantes malades à partir d’un ensemble d’apprentissage. En conséquence, ils ont une faible interprétabilité, ce qui signifie qu’il est difficile de décrire les fonctionnalités apprises.
De plus, l’obtention de grands ensembles de données pour la formation de modèles est fastidieuse. Les fonctionnalités artisanales, qui sont sélectionnées en fonction de détecteurs de fonctionnalités, de descripteurs et de vocabulaire conçus par des experts, offrent une solution réalisable à ce problème. Cependant, cela se traduit souvent par l’adoption de fonctionnalités non pertinentes, qui réduisent les performances de l’algorithme.
Heureusement, une solution se profile désormais à l’horizon. Une équipe de scientifiques des données et d’experts en phénomique végétale de Chine et de Singapour a développé un algorithme d’intelligence d’essaim pour la sélection des caractéristiques (SSAFS) qui permet une détection efficace des maladies des plantes basée sur l’image. Ils ont rapporté le développement et la validation de cet algorithme dans leur récente étude publiée dans Phénomique végétale.
Expliquant les avantages de l’introduction de SSAFS, l’auteur correspondant de cette étude, le professeur Zhiwei Ji, commente : « SSAFS non seulement réduit considérablement le nombre de caractéristiques, mais améliore également considérablement la précision de la classification. »
L’étude a utilisé une combinaison de deux principes : la phénomique à haut débit, grâce à laquelle les caractéristiques des plantes telles que la gravité de la maladie peuvent être analysées à grande échelle, et la vision par ordinateur, dans laquelle les caractéristiques d’image représentatives d’une condition spécifique sont extraites. À l’aide de SSAFS et d’un ensemble d’images de plantes, les chercheurs ont identifié un « sous-ensemble de caractéristiques optimales » des maladies des plantes.
Ce sous-ensemble comprenait une liste des seules caractéristiques hautement prioritaires qui pourraient classer avec succès une plante comme malade ou saine, et estimer davantage la gravité de la maladie. L’efficacité de SSAFS a été testée dans quatre ensembles de données UCI et six ensembles de données phénomiques végétales. Ces ensembles de données ont également été utilisés pour comparer les performances de SSAFS à celles de cinq autres algorithmes similaires d’intelligence en essaim.
Les résultats démontrent que le SSAFS fonctionne bien à la fois dans la détection des maladies des plantes et dans l’estimation de la gravité. En effet, il a surpassé les algorithmes de pointe existants pour identifier les caractéristiques d’image artisanales les plus précieuses. Fait intéressant, la majorité de ces caractéristiques liées à la maladie étaient locales, c’est-à-dire qu’elles impliquaient des modèles ou des structures distincts, tels que des points, des bords et des taches, qui sont souvent observés chez les plantes malades.
Dans l’ensemble, cet algorithme est un outil précieux pour obtenir une combinaison optimale de caractéristiques d’images artisanales indicatives de maladies des plantes. Son adoption pourrait améliorer considérablement la précision de la reconnaissance des maladies des plantes et réduire la durée de traitement requise.
Interrogé sur les implications futures de leur étude, le professeur Ji commente : « L’une des contributions cruciales de ce travail à la phénomique des plantes est la définition des caractéristiques artisanales et l’écran de précision des caractéristiques pertinentes grâce à une nouvelle approche informatique. Nous proposons de combiner fonctionnalités complètes artisanales et non artisanales d’images de plantes pour une détection précise et efficace dans le domaine de la phénomique. »
Plus d’information:
Zhiwei Ji et al, Une nouvelle stratégie de sélection de caractéristiques basée sur l’algorithme d’essaim de salpes pour la détection des maladies des plantes, Phénomique végétale (2023). DOI : 10.34133/plantphenomics.0039