Une enquête sur la détection des maladies des feuilles utilisant l'apprentissage automatique et l'apprentissage profond dans diverses cultures

Pour garantir la productivité agricole et la sécurité alimentaire, la détection précoce et le traitement des maladies sont cruciaux. Les approches d'apprentissage automatique (AA) et d'apprentissage profond (AP) peuvent être utilisées pour identifier précisément et efficacement les maladies des feuilles des plantes. Un ensemble de données hétérogène comprenant des photos de feuilles saines et malades, telles que des brûlures bactériennes, des infections fongiques et des manifestations virales, constitue la base de la construction et de l'entraînement du modèle. L'exactitude, la précision, le rappel et le F1-score sont les mesures utilisées pour évaluer la performance du modèle. Les techniques d'AA sont utiles dans l'identification et l'extraction d'informations pertinentes à partir d'images de feuilles de plantes, tandis que les techniques d'AP en général, et les réseaux de neurones convolutionnels (RNC), en particulier, sont remarquables pour apprendre des représentations hiérarchiques complexes. Par conséquent, des architectures d'AP comme les RNC sont utilisées en conjonction avec des approches d'AA comme les machines à vecteurs de support (MVS), les arbres de décision et les forêts aléatoires pour extraire des motifs et des attributs complexes des images de feuilles. Cette recherche fournit une analyse approfondie de la performance et de l'application des approches d'AP et d'AA appliquées récemment à l'identification précoce des maladies des feuilles dans différentes cultures.