Moins c'est mieux : une architecture de réseau neuronal profond plus légère et plus rapide pour la classification des maladies des feuilles de tomate

Pour garantir la sécurité alimentaire mondiale et le profit global des parties prenantes, l'importance de détecter et de classer correctement les maladies des plantes est primordiale. Dans ce contexte, l'émergence de la classification d'images basée sur l'apprentissage profond a introduit un nombre substantiel de solutions. Cependant, l'applicabilité de ces solutions sur des appareils peu performants nécessite des systèmes rapides, précis et peu coûteux en calcul. Ce travail propose une approche légère basée sur le transfert de connaissances pour détecter les maladies des feuilles de tomate. Il utilise une méthode de prétraitement efficace pour améliorer les images des feuilles avec une correction d'illumination pour une classification améliorée. Notre système extrait des caractéristiques en utilisant un modèle combiné constitué d'une architecture MobileNetV2 préentraînée et d'un réseau de classification pour une prédiction efficace. Les approches d'augmentation traditionnelles sont remplacées par une augmentation en temps réel pour éviter les fuites de données et traiter le problème de déséquilibre de classe. L'évaluation sur des images de feuilles de tomate provenant du dataset PlantVillage montre que l'architecture proposée atteint une précision de 99,30 % avec une taille de modèle de 9,60 Mo et 4,87 millions d'opérations en virgule flottante, ce qui en fait un choix approprié pour les appareils peu performants. Nos codes et modèles seront disponibles lors de la publication.