Engineering Applications of Deep Learning
Optimisation de la détection précoce des maladies des plantes : Une application web utilisant
MobileNet comme réseau CNN
El Ghazi Siham1, Khattabi Chaimae1 & Ettahairy Mohamed1
1
Master spécialisé Systèmes Intelligents et Mobiles, Université Sidi Mohamed Ben Abdellah de Fès
ARTICLE INFO ABSTRACT
Mots clés: Face aux enjeux croissants liés aux maladies des plantes et à leur impact sur les rendements
Diagnostic précoce agricoles, le développement d'outils de diagnostic rapides et précis est essentiel. Ce travail
Réseau de neurones
présente une application web innovante basée sur l'apprentissage profond pour la détection
convolutives
Maladies des plantes
automatisée des maladies affectant diverses espèces végétales. Pour entraîner notre modèle de
Apprentissage profond détection basé sur les réseaux de neurones convolutionnels (CNN), dont la tâche est de localiser
MobileNet les zones malades sur les feuilles, nous avons constitué une base de données d'environ 30 Go,
comprenant des images de feuilles malades mais également de feuilles saines, afin d'améliorer la
robustesse et la précision de la détection. Cette approche a permis d'atteindre une précision de
100%. Cette application web, conviviale et accessible, offre une solution pratique pour les
agriculteurs et les professionnels du secteur, leur permettant d'identifier rapidement les maladies
et de prendre les mesures appropriées. L'objectif principal de cette application est de contribuer à
une agriculture plus durable et respectueuse de l'environnement, en réduisant notamment
l'utilisation excessive de pesticides.
1. Introduction
Depuis longtemps, les maladies des plantes font partie des problèmes qui de cette tâche pour la mise en œuvre sur des machines a été très difficile
entraînent une réduction importante dans la qualité et la quantité de la (Undergraduate Guide To Computer Engineering, 2017), C’est pourquoi des
production végétale. Plusieurs techniques relevant du domaine de la algorithmes d’apprentissage automatique ont été développés pour faciliter cette
phytopathologie sont utilisées pour identifier ces maladies, à savoir des reconnaissance. Afin d’éviter les dégâts sur le rendement agricole, une
méthodes liées à l’analyse chimique de la zone infectée de la plante, et des protection des plantes contre les maladies est essentielle pour garantir la qualité
méthodes indirectes comme l’utilisation des techniques physiques, telle que la et la quantité des cultures (Hanssen et Lapidot, 2012). Une stratégie de
spectroscopie. Ces techniques exigent évidemment l’intervention des protection efficace doit commencer par une détection précoce de la maladie afin
personnes qualifiées qui ont une connaissance du domaine, et des tarifs de choisir le traitement approprié au bon moment pour prévenir sa propagation
relativement chers. (Al Hiary, 2011).
Aujourd’hui, la technologie de précision basée sur le traitement d’image, est Yang et al; (2017) a présenté une nouvelle méthode d'identification des
l’une des moteurs de la révolution agricole moderne. Cette dernière se base sur maladies du riz (dont le nombre est de dix) basée sur les techniques CNN, en
des données issues de satellites, des drones ou même des caméras terrestres utilisant un jeu de données de 500 images naturelles de feuilles de riz saines et
ordinaires pour le suivi des cultures. L’exploitation de ces données permet malades. Ferentinos (2018) a utilisé des architectures d’apprentissage profond
d’identifier des problèmes potentiels (des maladies) dans des endroits précis pour le diagnostic de diverses maladies des plantes différentes.
d’un champ et donc de les traiter par des actions ciblées. Les techniques ordinaires relevant du domaine de la phytopathologie sont
Actuellement, la technologie d’intelligence artificielle, qui couronne toujours efficaces dans l’identification des maladies des plantes, mais elles
l’apprentissage profond, est déjà considérée comme une réalité dans le nécessitent l’intervention des experts dans le domaine et le déplacement de ces
périmètre d’agriculture de précision. Le marché de l’intelligence artificielle derniers sur les champs. Cette intervention pourrait être tardive et la maladie
(IA) en agriculture était évalué à près de 518,7 millions en 2017 et devrait se peut se propager d’avantage, ce qui augmente les risques de la perte de la récolte
développer de plus de 22,5% par an pour atteindre 2.6 milliards d’ici 2025 pour l’agriculteur. Le diagnostic précoce moyennant les techniques
(Wood, 2017 ). Un système de reconnaissance d'objet trouve des objets dans d’apprentissage profond pourrait être fait par l'agriculteur lui-même dans un
une image, en utilisant des modèles connus a priori. Cette tâche est stade initial et donc permettra d’identifier la maladie plus rapidement et
étonnamment difficile. Les humains effectuent la reconnaissance d'objet sans d’accélérer l’intervention, mais est-ce que ce diagnostic automatisé est assez
effort et instantanément. Cependant, la description algorithmique précis et fiable que le diagnostic classique ?
1
Pour répondre à cette question, nous avons développé et expérimenté un
modèle permettant d'identifier les maladies affectant plusieurs espèces de
plantes, notamment le blé, la tomate, le pommier, etc.
Pour arriver à accomplir une telle mission nous avons défini les objectifs
secondaires suivants :
Aboutir à une solution collaborative entre les nouvelles techniques de
traitement d’image et la phytopathologie comme branche des sciences
agronomiques.
Réduire le temps du travail humain nécessaire algorithmes par afin
l’utilisation de des faciliter l’identification des maladies des plantes.
2. Travaux connexes
La prévision des rendements des cultures est un domaine d'intérêt pour les
producteurs et les organisations liées à l'agriculture. Des prévisions opportunes
et précises des rendements des cultures sont essentielles pour la production
agricole. Les techniques existantes pour la détection des maladies utilisent Figure1: Dataset en detail
diverses méthodes de traitement d'images suivies de différentes techniques de
détection. Cependant, certaines approches non conventionnelles ont permis la Quelques maladies traitées dans ce travail sont (Figure 2) :
détection des maladies en utilisant des facteurs inhabituels.
L'apprentissage profond est un ensemble de méthodes d'apprentissage visant à
modéliser des données avec des architectures complexes combinant plusieurs
transformations non linéaires. Ces techniques ont permis des avancées
significatives dans les domaines du traitement d'images et de la détection des
caractéristiques visuelles. Kulkarni [1] formule une application de Réseaux
Neuronaux Convolutifs Profonds (Deep Convolutional Neural Networks) pour
détecter et analyser les maladies des cultures sur des images, en les testant sur
cinq classes de cultures et trois types de maladies pour chaque classe.
Mique Jr, Eusebio L [2] ont proposé une application qui aide les agriculteurs à
détecter les ravageurs et les maladies des insectes du riz en utilisant un Réseau
Neuronal Convolutif (CNN) et le traitement d'images.
3. Matériel et méthodes
3.1. Données exploitées
Pour développer un classificateur précis pour la détection des maladies Figure2: Exemples de maladies des feuilles et de feuilles saines
des plantes, nous avons utilisé un dataset volumineux d’environ 20 Go,
3.2. Espace de travail
comprenant 26 plantes uniques et 54 maladies uniques. Les feuilles malades ont
été isolées sur des fonds unicolores pour mettre en évidence les symptômes
Pour mener à bien notre approche d'apprentissage profond dans le
visibles. Les images, capturées par des caméras RGB terrestres, ont été
diagnostic des maladies des plantes, il est essentiel de choisir un
redimensionnées à 256 × 256 pixels afin de réduire la taille des données (Figure
environnement de travail adapté. Deux options principales ont été envisagées
1) et d’optimiser les performances du modèle. Ces données ont été divisées en
:
ensembles d’entraînement (80 %) et de test (20 %), garantissant une évaluation
fiable du modèle sur des cas qu’il n’a pas rencontrés lors de l’entraînement, tout
en assurant une bonne généralisation. 1. Utilisation du cloud via des environnements collaboratifs tels que Google
Colab pro, qui est payant et accessible.
2. Installation locale des bibliothèques nécessaires sur un système
d'exploitation iOS (Apple).
Cependant, la seconde option nécessite une puissance matérielle
significative, souvent indisponible pour de nombreux utilisateurs. Pour
éviter les limitations matérielles et garantir une exécution fluide des
algorithmes, nous avons opté pour Google Colab comme solution principale.
Cet environnement offre des ressources matérielles suffisantes, comme :
16 Go d’espace disque,
16 Go de RAM pour le CPU,
16 Go de RAM pour le GPU.
Colab permet également de manipuler efficacement de grands ensembles de
données et d'exécuter des modèles d’apprentissage profond de manière
économique et pratique.
Pour le développement des programmes, le choix s’est porté sur Python, un
2
langage : pour son efficacité sur des dispositifs aux ressources limitées : MobileNet
Interprété : facilitant les cycles de développement et de test. v2. Cette version de MobileNet offre un bon compromis entre précision et
Multiparadigme : prenant en charge différents styles de faible empreinte mémoire, ce qui la rend particulièrement adaptée à notre
programmation (orientée objet, fonctionnelle, etc.). objectif de déploiement potentiel sur des plateformes variées. Outre le choix
Multiplateformes : compatible avec divers systèmes de l'architecture, la détermination des hyperparamètres avant l'entraînement
d'exploitation. est essentielle pour la précision du modèle. L'optimisation des
Python est réputé pour sa simplicité et son accessibilité, avec une syntaxe hyperparamètres étant un processus empirique, nous avons adopté une
claire et une vaste bibliothèque d’outils dédiés à l’intelligence artificielle approche expérimentale en testant différentes valeurs pour ces paramètres
(Karkare, 2019). Dans ce projet, nous avons utilisé la bibliothèque Keras, qui afin de déterminer la configuration offrant les meilleures performances.
repose sur des tenseurs pour effectuer les calculs nécessaires en apprentissage Les hyperparamètres considérés dans ce travail incluent :
profond. Les tenseurs, en tant qu'objets mathématiques, généralisent les
scalaires, vecteurs et matrices pour des dimensions supérieures, rendant La taille et le nombre des filtres (noyaux de convolution) : Ces
possible le traitement de données complexes. paramètres influencent la capacité du modèle à extraire les
caractéristiques pertinentes des images.
3.3. Méthodologie Le nombre d'époques (epochs) : Il représente le nombre de fois où
l'algorithme parcourt l'ensemble des données d'entraînement.
Dans ce travail, nous exposons la méthodologie adoptée qui a pour objectif
La taille des images d'entrée : La résolution des images d'entrée
principal la construction d’un modèle de détection précoce des maladies des
affecte la complexité du calcul et la quantité d'informations traitées
plantes. Pour mieux comprendre notre démarche, une présentation portant sur
par le modèle (Dans notre implémentation, les images sont
la méthodologie adoptée est indispensable. L’organigramme suivant (figure
redimensionnées à une taille de 224x224 pixels).
2) résume les étapes du travail réalisé.
La phase d'entraînement consiste à utiliser les données prétraitées et
étiquetées afin d'ajuster les poids du réseau et de lui permettre d'apprendre à
Dataset volumineux d’environ 30 Go
détecter les pathologies des plantes. Une étape cruciale du prétraitement a
consisté à créer ces étiquettes numériques pour chaque maladie. Pour chaque
plante, les noms des maladies ont été extraits des noms de fichiers des images,
puis codés en entiers uniques. Par exemple, pour le chou-fleur, les maladies
suivantes ont été identifiées : downy_mildew, black_rot, bacterial_spot_rot,
et healthy. De même, pour le pommier, les maladies identifiées étaient
black_rot, healthy, scab, et cedar__rust. Ces données étiquetées sont ensuite
utilisées pour entraîner le modèle MobileNet v2 (base d'entraînement), tandis
qu'une autre partie, également étiquetée, sert à évaluer ses performances
(base de validation). De plus, le nombre d'images par maladie est limité pour
chaque plante.
Pour faciliter la réutilisation du modèle, les poids obtenus après
l'entraînement et l'architecture de MobileNet v2, ainsi que les
correspondances entre les étiquettes numériques et les noms de maladies
(stockées dans un format), sont sauvegardés dans des fichiers, puis
compressés dans une archive. Cela permet ensuite de charger le modèle et les
labels sauvegardés pour effectuer des prédictions sur de nouvelles images.
Figure 2: Organigramme de la méthodologie adoptée
3.3.1. Prétraitement des données
Le prétraitement des données est une étape cruciale pour
l'entraînement efficace de notre modèle de détection des maladies des
plantes basé sur les CNN, notamment avec un jeu de données d'environ 30
Go. Les images, acquises directement sur le terrain agricole pour capturer
la variabilité des conditions réelles, ont été organisées dans une base de Tableau 1 : Distribution des images pour le chou-fleur
données structurée, divisée en ensembles d'entraînement, de validation et de
test. Le prétraitement a inclus plusieurs stratégies clés : le
redimensionnement et la normalisation des images à une taille uniforme
pour l'entrée du CNN, pour accroître la robustesse du modèle et éviter le
surapprentissage. Cette dernière étape est particulièrement importante
compte tenu de la variabilité inhérente aux images acquises sur le terrain,
contrairement aux bases de données plus uniformes comme PlantVillage.
3.3.2. L’architecture du réseau convolutif
Dans cette phase, le choix de l'architecture pour les données est crucial.
Bien qu'il n'existe pas de règle universelle, nous avons opté pour une Tableau 2 : Distribution des images pour le pommier
architecture performante pour les tâches de détection d'objets et reconnue
3
4. Analyse et Expérimentation test, avec une précision d'environ 97.4% (Figure 3). Le fait que la couche
MobileNet soit gelée accélère l'entraînement et réduit le risque de
Cette section détaille le processus d'expérimentation mené pour sélectionner
surapprentissage, car seuls les poids de la dernière couche dense sont ajustés.
l'architecture la plus appropriée au développement de notre application web
Le nombre important de paramètres dans la couche dense (3,202,500)
de détection des maladies des plantes. L'objectif principal était d'obtenir un
suggère un nombre élevé de classes de maladies et d'états sains pour la plante
modèle performant en termes de précision tout en considérant les contraintes
Pomme (probablement 2500, comme le montre la dimension de sortie de
liées au déploiement web, notamment en termes de ressources
cette couche).
computationnelles.
Plusieurs architectures de réseaux convolutionnels (CNN) ont été évaluées,
notamment AlexNet, une architecture CNN profonde (DCNN), une version
augmentée de DCNN (DCNN(Aug)), ResNet, RCNN et MobileNet. Ces
architectures ont été choisies en raison de leur performance reconnue dans
des tâches similaires de classification et de détection d'images.
4.1. Comparaison des architectures
Les performances des différentes architectures ont été comparées en
utilisant des métriques clés telles que la précision (Accuracy) et la perte
(Loss), à la fois sur les ensembles d'entraînement et de validation. Les
résultats sont présentés dans le Tableau 3 :
Figure 3 : Evaluation de model MobileNet sur la plante Pomme
La Figure 4 représente l'évolution de la précision du modèle MobileNet sur
Tableau 3 : Statistiques d'entraînement les ensembles d'entraînement et de validation en fonction du nombre
d'époques. On observe une montée rapide de la précision sur l'ensemble
Les performances sur l'ensemble de test sont présentées dans le Tableau4: d'entraînement dès les premières époques, atteignant rapidement un plateau
proche de 1. La précision sur l'ensemble de validation montre une progression
similaire, bien que plus volatile au début (entre les époques 2 et 5), avant de
se stabiliser également autour de valeurs élevées. Cette convergence des deux
courbes et la faible différence entre elles suggèrent que le modèle généralise
bien et ne souffre pas de surapprentissage important. La volatilité initiale de
la courbe de validation pourrait être due à la nature des données de validation
ou à un ajustement initial des poids du modèle.
Tableau 4 : Statistiques de test
4.2. Analyse des résultats et justification du choix de MobileNet
L'analyse des Tableaux 3 et 4 révèle que MobileNet atteint des
performances comparables, voire supérieures, aux autres architectures
testées, notamment en termes de précision sur les données de validation et de
test. Bien que DCNN et MobileNet atteignent une précision de 100% sur les
données de test, MobileNet présente l'avantage d'être beaucoup plus léger en
termes de nombre de paramètres (voir l'exemple pour Apple ci-dessous), ce
qui le rend plus adapté à un déploiement sur une application web et des
appareils mobiles avec des ressources limitées. De plus, MobileNet atteint
ces performances avec un nombre d'époques raisonnable (20), ce qui réduit Figure 4 : Analyse du modèle MobileNet
le temps d'entraînement.
Le modèle MobileNet, avec une couche dense ajoutée, a été entraîné pendant
5 époques. Les résultats montrent une bonne performance sur l'ensemble de
4
Figure 5 : Page d'accueil de l'application Green Robot.
Figure 6 : Interface de sélection de la plante.
Figure 7 : Fenêtre de dialogue de sélection et de téléchargement de l'image.
5
Figure 8: Détection de la pourriture noire sur feuille de pommier
Figure 9: Catalogue des différents stades de la pourriture noire sur feuilles de pommier
Figure 10 : Agronomes recommandés pour le traitement de la pourriture noire
6
Figure 11 : Sociétés agrochimiques offrant des produits pour le traitement des plantes
d’apprentissage profond et cela détection dans le but de réaliser des modèles
5. Résultats pour la précoce de certaines maladies des plantes, à partir des images RGB
des feuilles. Nous avons conclu d’après les résultats de nos expérimentations
Cette section présente les interfaces développées pour l'application web de
que les réseaux de neurones de convolution, malgré leurs résultats très
détection des maladies des plantes, concrétisant ainsi les travaux de
intéressants dans la détection des objets dans les images des feuilles simples,
développement et d'expérimentation décrits précédemment. L'objectif
nécessitent une attention particulière notamment dans la disponibilité
principal lors de la conception de ces interfaces était de garantir une
importante des données d’entrainement, le choix adéquat des structures des
expérience utilisateur intuitive et efficace, permettant aux agriculteurs et
réseaux et leurs hyper paramètres à adopter, et les moyens matériels
autres utilisateurs d'identifier rapidement et facilement les maladies affectant
disponibles l’apprentissage pour faire dans les meilleurs conditions. Comme
leurs cultures. La Figure 5 illustre la page d'accueil de l'application,
résultat de notre expérimentation et développement, nous avons réussi à
accueillant l'utilisateur avec une brève description de son objectif : aider à
prédire les différentes maladies des plantes à 100% de précision.
l'identification et au traitement des plantes malades. Un bouton "Upload your
plant's images" (Télécharger les images de votre plante) clairement visible
invite l'utilisateur à interagir avec le système. Après avoir cliqué sur ce Pour améliorer davantage ce travail et explorer de nouvelles pistes, plusieurs
bouton, l'utilisateur est redirigé vers l'interface de sélection de la plante, perspectives peuvent être envisagées :
présentée en Figure 6. Cette interface affiche une grille d'images représentant
les différentes plantes prises en charge par l'application (pomme, poivron, Intégration de DIE-YOLO pour la détection en temps réel : Bien
manioc, chou-fleur, etc.). L'utilisateur doit sélectionner la plante que MobileNet offre un bon compromis entre performance et efficacité,
correspondant à l'image qu'il souhaite analyser. Une fois la plante l'intégration d'un framework tel que DIE-YOLO (ou une variante plus
sélectionnée, une fenêtre de dialogue s'ouvre, comme illustré à la Figure 7, récente de YOLO comme YOLOv8 ou YOLOv9) pourrait améliorer
permettant à l'utilisateur de parcourir ses fichiers et de sélectionner l'image significativement les performances en termes de vitesse de détection et
à télécharger. Une fois l'image sélectionnée et téléchargée, le modèle potentiellement de précision. DIE-YOLO est conçu pour la détection
effectue l'analyse et affiche le résultat du diagnostic, incluant le nom de la d'objets en temps réel, ce qui est crucial pour une application
maladie détectée (si présente) et potentiellement d'autres informations interactive. Son architecture optimisée permet de traiter les images plus
pertinentes, comme illustré à la Figure 8. rapidement, ce qui est particulièrement important pour les applications
La Figure 9 présente une galerie d'images, servant de catalogue visuel des mobiles et les systèmes embarqués. Cette intégration pourrait permettre
maladies. Dans cet exemple, la galerie se concentre sur la maladie de la un diagnostic encore plus rapide et une meilleure expérience utilisateur.
pourriture noire sur des feuilles de pommier, permettant aux utilisateurs de Optimisation du traitement d'image : L'optimisation des étapes de
comparer les symptômes observés sur leurs propres plantes avec des prétraitement des images pourrait également améliorer les
exemples concrets. La Figure 10, quant à elle, affiche une liste d'agronomes performances et l'efficacité du système. Cela pourrait inclure
recommandés pour aider à la gestion de la maladie détectée, dans l'optique l'utilisation de techniques plus avancées de réduction du bruit,
de fournir un accompagnement plus complet aux utilisateurs. Enfin, la d'amélioration du contraste ou de segmentation. L'exploration de
Figure 11 présente les Sociétés agrochimiques partenaires de Green Robot, techniques d'augmentation de données plus sophistiquées, comme
proposant potentiellement des solutions pour le traitement des maladies des l'utilisation de GANs (Generative Adversarial Networks) pour générer
plantes. des images synthétiques, pourrait également être envisagée pour
augmenter la diversité des données d'entraînement et améliorer la
6. Conclusion et perspectives
robustesse du modèle.
Intégration IoT et RA : L'intégration avec des technologies IoT
Les techniques récentes d’apprentissage automatique et profond ont montré (Internet des Objets) et de réalité augmentée (RA) ouvre des
leur capacité à résoudre des problèmes de récemment étaient très difficile à perspectives intéressantes.
résoudre par les approches conventionnelles. Tout au long de ce travail, nous o IoT : Des capteurs IoT pourraient être utilisés pour collecter des
avons essayé de mettre en pratique les connaissances acquises en matière données environnementales (humidité, température, etc.) et les
7
combiner avec les données d'image pour un diagnostic plus
précis et contextuel. Un système IoT pourrait également
automatiser la collecte des images, permettant une surveillance
continue des cultures.
o RA : L'intégration de la RA pourrait permettre aux utilisateurs
de visualiser les informations de diagnostic directement sur les
images des plantes via un smartphone ou une tablette. Par
exemple, les zones affectées pourraient être mises en évidence
en RA, avec des informations sur la maladie et les traitements
recommandés.
En intégrant ces technologies, l'application pourrait devenir un outil encore
plus puissant et complet pour la gestion des maladies des plantes, offrant un
diagnostic rapide, précis et contextualisé, ainsi qu'une aide à la décision pour
les agriculteurs.
REFERENCES
[1] AIT ELKADI K.1, BAKOURI S.1, BELBRIK M.1, HAJJI H.1 & CHTAINA N.2:
Experimentation of model for early detection of tomato diseases by deep learning.
[2] Aayush Singh1, Deepanshu Sonparote1, Nitish Talekar1, Dilip Kale2: A Comparative Study on
Crop Disease Detection using Deep Learning Techniques.
[3] Al Hiary H, Bani S.A., Reyalat M., Braik M., ALRahamneh Z., (2011). Fast and Accurate
Detection and Classification of Plant Diseases, International Journal of Computer Applications
17: 31–38
[4] Mohanty, S.P., Hughes, D.P. and Salathe, M., Using deep learning for image-based plant disease
detection, Frontiers in plant science, 7, p.1419, September 2016.
[5] Ferentinos K. P. (2018). Deep learning models for plant disease detection and diagnosis. Comput.
Electron. Agric. 145