Détection rapide et parallélisable des maladies des plantes de manioc utilisant l'apprentissage en ensemble avec AmoebaNet et ResNeXt-101 finement ajustés

L'étude se concentre sur l'application d'approches avancées d'apprentissage automatique, à savoir des modèles d'apprentissage profond et de l'apprentissage en ensemble, pour développer un système automatisé de détection de la maladie des stries brunes du manioc (CBSD) à l'aide de systèmes robotiques. Nous exploitons un ensemble de données largement utilisé pour évaluer nos méthodologies proposées. L'ensemble de données comprend des milliers d'images étiquetées illustrant différentes étapes de l'infection par la CBSD. Notre expérience est dotée de caméras haute résolution et d'algorithmes sophistiqués de traitement d'image. Nous ajustons les modèles AmoebaNet et ResNeXt-101 32x16d à l'aide de l'ensemble de données pour distinguer les plantes de manioc saines des plantes malades. L'apprentissage en ensemble est ensuite appliqué pour consolider les résultats de prédiction des deux modèles, améliorant ainsi la précision diagnostique globale. Le système mis en œuvre montre des performances exceptionnelles, avec des taux de précision et de rappel élevés dans la reconnaissance des cas de CBSD. Grâce à l'automatisation, notre solution réduit considérablement la dépendance à l'expertise humaine, rationalise la procédure diagnostique et étend la portée des applications de détection de la CBSD. Cette recherche pionnière constitue un pas significatif vers le renforcement de la sécurité alimentaire et la promotion d'une agriculture durable dans les régions touchées par la CBSD. D'autres détails sur l'utilisation de l'ensemble de données seront discutés dans la section Méthodologie.