Détection et Classification des Maladies des Plantes de Culture par Vision Artificielle et Deep Learning.

Abstract

La culture de la tomate constitue un secteur stratégique pour l’agriculture algérienne, mais elle demeure fortement exposée à plusieurs maladies foliaires susceptibles de réduire significativement les rendements. Dans ce contexte, l’intelligence artificielle et plus particulièrement les techniques de deep learning offrent des solutions prometteuses pour l’automatisation du diagnostic phytopathologique. Ce mémoire présente une étude comparative de plusieurs architectures de deep learning appliquées à la classification et à la détection des maladies des feuilles de tomate à partir du jeu de données PlantVillage. Trois modèles de classification basés sur les réseaux de neurones convolutionnels (VGG19, MobileNetV2 et EfficientNetB3) ont été évalués, avec et sans augmentation de données, afin d’analyser leur capacité de généralisation. Par ailleurs, le modèle YOLOv8n a été étudié pour la détection et la localisation des lésions foliaires. Les résultats obtenus montrent que l’ensemble des modèles étudiés atteint un niveau de performance très élevé. EfficientNetB3 se distingue comme l’architecture de classification la plus performante grâce à son excellent équilibre entre précision et efficacité computationnelle. MobileNetV2 offre quant à lui un compromis particulièrement intéressant pour les applications embarquées en raison de sa légèreté et de sa rapidité d’exécution. Bien que VGG19 fournisse également de bonnes performances, son coût computationnel important et son entraînement plus instable limitent son intérêt pratique. Concernant la détection, YOLOv8n démontre une excellente capacité à identifier et localiser les maladies foliaires en temps réel, ce qui le rend particulièrement adapté aux applications agricoles de terrain. Cette étude met également en évidence l’impact positif de l’augmentation de données sur la robustesse et la capacité de généralisation des modèles. Les résultats obtenus confirment ainsi le potentiel du deep learning comme outil d’aide à la décision pour la surveillance sanitaire des cultures et ouvrent des perspectives prometteuses pour le développement de systèmes intelligents destinés à l’agriculture de précision en Algérie.