Détection automatique des maladies des tomates à l'aide de modèles d'apprentissage profond pré-entraînés et ajustés

La tomate est l'une des cultures les plus importantes en Inde. Elle a une forte valeur commerciale et est la deuxième culture la plus produite. Les maladies sont nuisibles à la santé des cultures et ont un impact sur la croissance des plantes, soit directement, soit indirectement. La croissance des plantes doit être surveillée pour garantir des pertes minimales en production. Il existe de nombreux types de maladies des tomates qui détériorent la qualité des tomates. Par conséquent, le traitement précoce des cultures est crucial avant qu'il n'affecte l'ensemble de la culture. Cet article présente une méthode basée sur un réseau de neurones convolutif (CNN) pré-entraîné pour identifier et classer les maladies des feuilles dans les cultures de tomates en utilisant l'apprentissage par transfert. Les expériences sont réalisées sur le jeu de données Plant Village, qui comprend dix classes de tomates : tache bactérienne de la tomate, mildiou précoce, mildiou tardif, moisissure des feuilles, tache foliaire septorienne, acariens, tache cible, virus mosaïque, virus de la courbure des feuilles jaunes et en bonne santé. Divers modèles CNN pré-entraînés sont ajustés avec une approche d'apprentissage par transfert. Les modèles CNN pré-entraînés testés incluent DenseNet169, InceptionResNetV2, InceptionV3, VGG-16, VGG-19, DenseNet201, MobileNet, MobileNetV2 et Xception. Selon les résultats, MobileNet a surpassé tous les autres modèles avec une précision de classification générale de 96%.