Modèle léger pour la détection des maladies typiques des feuilles et fruits d’agrumes en verger naturel

Introduction

La production mondiale d'agrumes fait face à d'importantes pertes dues aux maladies affectant feuilles et fruits, sévissant spécialement dans les vergers naturels où variabilité des conditions environnementales complique le diagnostic. L'automatisation du dépistage, essentielle à la gestion productive et durable des cultures, requiert des modèles légers, rapides et efficaces, adaptés au terrain. Cet article explore une approche novatrice dans le développement de modèles de détection d’images pour identifier précisément les principales maladies des agrumes dans des environnements naturels.

Contexte et enjeux des maladies des agrumes

Les infections fongiques, bactériennes et virales telles que la tache noire, la moisissure brune, la gommose, ou encore le chancre bactérien constituent des menaces majeures pour les vergers d’agrumes. Historique et perspectives récentes montrent que les méthodes manuelles traditionnelles sont coûteuses, soumises à l’interprétation humaine et peu reproductibles. L’avènement du deep learning et des modèles de vision par ordinateur a permis d'évoluer vers des systèmes automatiques.

Cependant, pour une application sur le terrain, la portabilité, la faible latence et la consommation réduite de ressources matérielles sont impératives — d’où la nécessité de modèles légers et optimisés pour l’identification de maladies foliaires et fruitières en situation réelle.

Constitution du jeu de données et prétraitement

L’étude s’appuie sur l’acquisition ciblée de plus de 8 000 images d’agrumes collectées dans différents vergers naturels, couvrant diverses conditions d’éclairage, angles de prise de vue et variétés d’agrumes. Cinq maladies typiques ont été sélectionnées : la tache noire des agrumes, la tache grasse, le chancre bactérien, la gommose et la pourriture verte. L’ensemble des images a bénéficié d’un processus de labellisation rigoureux, réalisé par des experts phytosanitaires, afin de garantir l’exactitude des régions d’intérêt annotées.

Les techniques de prétraitement incluent la normalisation des dimensions, l’ajustement chromatique pour une meilleure robustesse en conditions naturelles, et l’augmentation des données par rotation, découpage et modification des niveaux de luminosité pour enrichir la diversité du dataset.

Développement du modèle léger basé sur YOLOv5

Pour adresser les contraintes de vitesse et de ressources, l’architecture YOLOv5 (You Only Look Once, version 5), référence en détection d'objets en temps réel, a été modifiée dans une version « lightweight ». Des modules de réduction de paramètres tels que GhostNet et des techniques d’optimisation de structure ont été intégrés, minimisant la taille du réseau et accélérant la phase d’inférence.

L'algorithme entraîné repose sur une configuration adaptée : un plus petit nombre de couches convolutionnelles, la substitution de certaines couches standards par des blocs Ghost, et une quantisation post-entraînement. Des stratégies de régularisation, de normalisation de batch et de drop-out ont permis de limiter le surapprentissage et d’accroître la généralisation sur de nouvelles images de vergers.

La performance a été évaluée via les métriques f1-score, précision, rappel et mAP (mean Average Precision). La version optimisée du modèle légère affiche une mAP supérieure à 93 % sur des maladies divergentes, tout en réduisant le temps d’inférence à seulement 13 ms par image et en limitant la taille du fichier à moins de 5 Mo.

Résultats et comparatifs avec d’autres modèles

Comparée aux architectures traditionnelles Deep Learning comme Faster R-CNN et SSD, la solution proposée offre :

• Plus grande rapidité d’inférence, facilitant son déploiement sur dispositifs embarqués (smartphone, drones, Raspberry Pi)
• Précision équivalente ou supérieure dans l’identification des symptômes distincts, même dans des configurations de prise de vue complexes (feuillage dense, ombres, lumière variable)
• Réduction significative de la mémoire nécessaire et du temps de calcul, rendant possible l’intégration dans des applications mobiles sur le terrain

Une évaluation sur des séquences d’images issus d’autres régions a montré une robustesse du modèle aux différences de variété et d’environnement, attestant sa haute capacité de généralisation.

Applications pratiques et perspectives d’utilisation

L’application directe est la surveillance phytosanitaire automatisée en verger : inspection par smartphone, drones ou robots agricoles. L’interface utilisateur simple proposée permet de charger ou capturer une photo, le modèle localisant et identifiant instantanément les lésions suspectes, et fournissant une alerte précoce pour la gestion intégrée des maladies.

Des essais pilotes dans plusieurs exploitations démontrent un gain substantiel d’efficacité pour les producteurs, facilitant une réponse rapide aux épidémies et une réduction des intrants phytosanitaires par un ciblage précis. Ce dispositif s’avère également utile pour les campagnes d’inspection officielles, limitant le recours aux experts humains et accélérant les prises de décisions.

Défis et avenues de recherche futures

Bien que la solution soit opérationnelle, des facteurs tels que la variabilité saisonnière, l’apparition de nouveaux pathogènes ou la déformation des visuels (feuilles endommagées ou déformées, chevauchement, etc.) représentent des défis restants. L’intégration de techniques d’apprentissage auto-supervisé et l’enrichissement du dataset par synthèse d’images pourraient encore améliorer la robustesse du système.

Des collaborations pluridisciplinaires avec les phytopathologistes et les ingénieurs agronomes permettront, à terme, d’étendre cet outil à d’autres cultures et pathologies. Le modèle léger, optimisé pour l’usage réel, constitue ainsi une étape majeure vers la digitalisation de la surveillance sanitaire des cultures.

Source : https://www.mdpi.com/2077-0472/16/14/1511