In recent years, automated plant disease identification has been introduced to potentially compensate for the lack of disease identification capabilities by humans. Deep learning has emerged as one of the most promising approaches for this task, owing to its ability to autonomous feature learning capability.
Les maladies des plantes représentent une menace majeure pour l’agriculture mondiale, affectant à la fois le rendement et la qualité des cultures. Jusqu’à présent, leur identification reposait sur l’expertise des phytopathologistes. Cependant, avec les avancées récentes en intelligence artificielle, notamment les modèles de deep learning comme les Vision Transformers et les Convolutional Neural Networks, l’automatisation de cette tâche devient une réalité.
Les approches ViT et CNN surpassent désormais les techniques d’apprentissage automatique traditionnelles dans l’identification des maladies des plantes. Cette supériorité s’explique notamment grâce à leur capacité à extraire automatiquement des caractéristiques hiérarchiques, allant des détails basiques aux traits complexes. Contrairement aux approches classiques qui reposent sur des caractéristiques conçues manuellement et limitées aux bas niveaux, les modèles ViT et CNN offrent une meilleure flexibilité et une généralisation accrue pour diverses applications.
Mais concrètement, qu’est-ce que cela veut dire ? Les Vision Transformers et les CNN analysent une image en plusieurs étapes, en structurant les informations sous forme de caractéristiques hiérarchiques. Les premières couches du réseau détectent des motifs élémentaires comme les contours et les textures, tandis que les couches intermédiaires identifient des structures plus complexes, telles que des formes et des motifs caractéristiques. Enfin, les couches profondes reconnaissent des objets ou des concepts plus abstraits, comme les symptômes de maladies végétales. Ces modèles transforment ainsi une image brute en une série de représentations de plus en plus riches en informations, facilitant des tâches telles que la classification ou la segmentation d’images pour une détection plus précise des pathologies.
Cependant, malgré leur efficacité, ces modèles présentent encore des limites, notamment dans l’extraction et la représentation des caractéristiques des maladies sur plusieurs cultures. L’un des défis majeurs réside dans la nécessité d’identifier simultanément l’espèce végétale et les maladies qui l’affectent. Une tâche qui demande un modèle capable de reconnaître à la fois des caractéristiques spécifiques aux cultures et aux pathologies.
Pour répondre à ce défi, l’équipe Pl@ntNet, en association avec les chercheurs de la Swinburne University of Technology, ont développé PlantAIM (Plant Disease Global-Local Features Fusion Attention Model), un nouveau modèle hybride combinant les mécanismes d’attention globale des ViT et les capacités d’extraction de caractéristiques locales des CNN. Cette approche permet au modèle d’améliorer considérablement sa capacité à identifier avec précision les maladies en tenant compte à la fois de la plante hôte et des symptômes pathologiques.
Les évaluations menées montrent que PlantAIM surpasse les modèles existants, notamment dans des conditions où les échantillons d’entraînement sont limités et face à des données issues d’environnements réels. Ce travail marque une avancée significative dans le domaine de la détection automatisée des maladies des plantes, établissant une nouvelle référence pour l’application de l’IA en agriculture.
L’article dans son intégralité est ici !
