Les maladies de la canne à sucre entraînent des pertes mondiales annuelles estimées à plus de 5 milliards. Bien que l'apprentissage profond montre un potentiel pour la détection des maladies, les approches actuelles manquent de transparence et d'estimations de confiance, limitant leur adoption par les acteurs agricoles. Nous avons développé un système de détection conscient de l'incertitude intégrant le Monte Carlo (MC) dropout avec MobileNetV3, entraîné sur 2521 images réparties sur cinq catégories : Sain, Mosaic, pourriture rouge, rouille, et jaune. Le cadre proposé a atteint une précision de 97,23 % avec une architecture légère comprenant 5,4 millions de paramètres. Il a permis une inférence de 2,3 s tout en générant des estimations d'incertitude bien calibrées qui étaient 4,0 fois plus élevées pour les classifications erronées. Les prédictions à haute confiance (>70 %) ont atteint une précision de 98,2 %. La cartographie d'activation de classe pondérée par le gradient a fourni une localisation interprétable des maladies, et le système a été déployé sur Hugging Face Spaces pour une accessibilité mondiale. Le modèle a démontré un rappel élevé pour les classes Sain et pourriture rouge. Le modèle a atteint un rappel comparativement plus élevé pour les classes Sain et pourriture rouge. L'inclusion de la quantification de l'incertitude fournit des informations supplémentaires qui peuvent soutenir une prise de décision plus éclairée dans les applications d'agriculture de précision impliquant des agriculteurs et des agronomes.
Pathmanaban et al. (Fri,) ont étudié cette question.