Détection des maladies dans les feuilles de pommier à l'aide d'un réseau de neurones convolutif profond

La détection automatique des maladies chez les plantes est nécessaire, car elle réduit le travail pénible de surveillance des grandes exploitations et elle détectera la maladie à un stade précoce de son apparition pour minimiser la dégradation ultérieure des plantes. En plus du déclin de la santé des plantes, l'économie d'un pays est fortement affectée par ce scénario en raison d'une production moindre. L'approche actuelle pour identifier les maladies par un expert est lente et non optimale pour les grandes exploitations. Notre modèle proposé est un ensemble de DenseNet121, EfficientNetB7, et EfficientNet NoisyStudent pré-entraînés, qui vise à classer les feuilles des pommiers en l'une des catégories suivantes : sain, tavelure du pommier, rouille du cèdre de pommier, et maladies multiples, en utilisant leurs images. Différentes techniques d'augmentation d'images sont incluses dans cette recherche pour augmenter la taille du jeu de données, et par conséquent, l'exactitude du modèle augmente. Notre modèle proposé atteint une précision de 96,25 % sur le jeu de données de validation. Le modèle proposé peut identifier les feuilles présentant plusieurs maladies avec une précision de 90 %. Notre modèle proposé a montré de bonnes performances sur différents indicateurs et peut être déployé dans le domaine agricole pour identifier la santé des plantes de manière précise et en temps voulu.