Détection des maladies des feuilles basée sur l'apprentissage profond dans les cultures à l'aide d'images pour des applications agricoles

Le système "Détection des maladies des feuilles" s'attaque au défi critique des maladies des plantes en agriculture grâce à la mise en œuvre d'une solution automatisée s'appuyant sur des techniques d'apprentissage profond. Dans cette entreprise exhaustive, des réseaux de neurones convolutionnels (CNN), spécifiquement DenseNet-121, ResNet-50, VGG-16 et Inception V4, sont ajustés pour une identification efficace et précise des maladies des plantes. Le projet utilise le jeu de données Plant Village, englobant 54 305 images à travers 38 classes de maladies des plantes, pour réaliser une analyse comparative des performances des modèles. DenseNet-121 s'est révélé être le modèle le plus performant, atteignant une précision de classification exceptionnelle de 99,81%, dépassant d'autres modèles de pointe. La méthodologie du système exploite stratégiquement l'apprentissage par transfert pour surmonter les défis computationnels associés à l'entraînement des couches profondes des CNN. Cette approche, couplée à la stratégie de classification multi-classe, s'avère robuste pour gérer diverses espèces de plantes et maladies au sein de chaque classe. Les résultats soulignent l'efficacité supérieure de l'apprentissage par transfert par rapport à la construction de modèles à partir de zéro, mettant en avant le potentiel d'applications réelles en agriculture. Le succès du système est attribué à l'optimisation soignée des hyperparamètres et à l'adoption de techniques avancées d'apprentissage profond, offrant une voie prometteuse pour la détection automatisée et précise des maladies des plantes, avec des implications pour l'amélioration des pratiques agricoles, la minimisation des pertes économiques et la garantie de la sécurité alimentaire mondiale.