Le maïs est une culture mondiale vitale, mais sa productivité est souvent menacée par des maladies des plantes, soulignant le besoin de méthodes diagnostiques précises et opportunes. L'inspection manuelle traditionnelle est inefficace et sujette à des erreurs, motivant le développement de solutions automatisées. Les avancées récentes en vision par ordinateur et apprentissage profond ont permis un diagnostic automatisé efficace des maladies des plantes. Bien que les réseaux de neurones convolutionnels (CNN) et les transformateurs de vision (ViT) aient montré des promesses dans la classification des maladies des plantes, les CNN ont du mal à capturer les informations contextuelles globales, et les ViTs nécessitent de grands ensembles de données et des ressources informatiques élevées. Inspiré par les architectures de mélange d'experts (MoE), nous proposons un modèle hybride léger qui intègre des composants CNN et ViT, mettant de manière adaptative l'accent sur des caractéristiques locales ou globales en fonction des caractéristiques d'entrée. Évalué sur un nouvel ensemble de données réel d'images complètes de plantes de maïs, notre approche atteint 99,90 % de précision dans la classification, dépassant significativement les références de pointe telles que MobileViT, PiT, EdgeNeXt et DeiT. Ces résultats démontrent que les architectures hybrides légères peuvent fournir un diagnostic des maladies performant adapté à un déploiement agricole pratique. Le code est disponible à l'adresse : https://www.github.com/sabermehdipour/MXiT.
Mehdipour et al. (mercredi) ont étudié cette question.