Les maladies des plantes constituent une menace majeure pour les agriculteurs depuis les débuts de l’agriculture. Aujourd’hui, malgré notre meilleure compréhension des causes et du traitement de ces maladies, elles continuent de causer des pertes économiques importantes. Bien que la détection précoce des maladies des plantes soit le meilleur pari d’un agriculteur pour minimiser leur impact, l’inspection manuelle de chaque plante est une tâche monumentale et sujette aux erreurs. Seul un œil bien entraîné peut faire la différence avec précision entre des maladies qui provoquent des symptômes similaires.
Heureusement, l’intelligence artificielle (IA) ouvre rapidement la voie à des pratiques agricoles plus intelligentes. Les modèles récents d’apprentissage automatique sont capables d’identifier automatiquement les maladies des plantes à partir de photographies numériques. Lorsqu’ils sont combinés avec des drones et des caméras de haute qualité, ces modèles peuvent réduire le temps et les efforts nécessaires pour surveiller de grands champs. Cependant, même les derniers algorithmes ont du mal dans des conditions difficiles spécifiques.
Un exemple notable est l’effet de l’interférence de fond sur les résultats de la classification des maladies. Dans certains cas, les feuilles malades acquièrent une couleur proche de celle du sol, ce qui a tendance à dérouter le classificateur automatique, notamment lorsque les zones atteintes se trouvent sur les bords des feuilles. D’autres problèmes incluent la variabilité des symptômes causés par une seule maladie et les similitudes qui existent entre différentes maladies.
Dans une nouvelle étude, une équipe de chercheurs a entrepris de développer un modèle capable de relever ces défis. Ils se sont concentrés sur cinq maladies courantes qui affectent les feuilles de tomate et ont développé un modèle d’apprentissage automatique, appelé PLPNet, qui peut détecter avec précision ces maladies à partir d’images prises en temps réel. L’étude, dirigée par le professeur Guoxiong Zhou de l’Université de foresterie et de technologie du centre-sud de la Chine, a récemment été publiée dans Phénomique végétale .
L’équipe s’est d’abord concentrée sur la production d’un bon ensemble de données pour former le modèle. À cette fin, ils ont rassemblé des images à partir d’un ensemble de données ouvert, mais plutôt obsolète, appelé « Plant Village ». Ils ont soigneusement analysé les images et éliminé celles qui ne feraient pas de bons candidats à la formation, comme les images floues ou insuffisamment éclairées. En plus des 3 524 images finales qu’ils ont obtenues de Plant Village, l’équipe a également téléchargé 1 909 autres images sur Internet. Enfin, un étiquetage soigneux de toutes les images a été effectué pour identifier chaque lésion sur les feuilles.
Ensuite, l’équipe a conçu l’architecture réseau de PLPNet. Ils ont utilisé trois techniques distinctes qui, en travaillant ensemble, ont conduit à la plus grande précision de classification. Le premier était une épine dorsale de convolution adaptative perceptuelle (PAC), qui a aidé le modèle à extraire les caractéristiques les plus déterminantes de chaque maladie en ajustant la « mise au point » du réseau lors de l’analyse d’une image.
Le second était un module de mécanisme d’attention de renforcement de localisation (LRAM), qui a aidé à détecter les maladies sur les bords des feuilles et à filtrer les interférences de fond. Le troisième module était un réseau d’agrégation de caractéristiques de proximité (PFAN) mettant en œuvre une convolution et une déconvolution atrous commutables. Cette structure a aidé le modèle à apprendre le moindre détail pour chaque maladie, ce qui a considérablement amélioré ses performances en matière de détection et de classification des maladies.
L’équipe a minutieusement testé son modèle après l’entraînement et a analysé les performances acquises par chacune de ses pièces. Ils ont également comparé les performances de PLPNet à de nombreux autres modèles de pointe pour la détection des maladies des plantes.
Les résultats ont été extrêmement prometteurs, car PLPNet a atteint une précision de 94,5 % à une vitesse de plus de 25 images par seconde, ce qui le rend adapté à une utilisation sur le terrain. Enthousiasmé par les résultats, le professeur Zhou remarque : « PLPNet améliore considérablement la précision de la détection tout en maintenant la vitesse de détection standard. Par conséquent, il surpasse les autres modèles de test et démontre l’efficacité de notre approche améliorée.
La tomate est largement cultivée dans le monde et revêt une importance économique majeure. L’équipe s’attend à ce que PLPNet ait un impact positif sur leur culture, en réduisant le fardeau des pertes financières causées par les plants de tomates malades. « Cette recherche peut aider les producteurs à détecter les maladies foliaires de la tomate de manière rapide et précise, ainsi qu’à effectuer des contrôles spécifiques en fonction du type de maladie détectée », conclut le professeur Zhou, « Cela fournit une nouvelle référence pour l’apprentissage en profondeur afin de garantir l’agriculture moderne de la tomate. »
Plus d’information:
Zhiwen Tang et al, Une approche précise de détection des maladies des feuilles de tomate basée sur l’image à l’aide de PLPNet, Phénomique végétale (2023). DOI : 10.34133/plantphenomics.0042