Apprentissage par transfert et segmentation UNet pour la classification des maladies du paddy en tant que solution dotée d’une interface conviviale pour les utilisateurs non techniques

Résumé

Ce protocole décrit un pipeline d’apprentissage profond basé sur l’image pour classer les maladies des feuilles de paddy. Il combine la segmentation basée sur UNet et des modèles d’apprentissage par transfert pour améliorer la précision. L’approche prend en charge la détection automatisée des maladies et comprend une interface utilisateur pour un déploiement pratique, aidant les non-experts à identifier les problèmes de culture de riz.

Résumé

Le paddy est une culture vivrière vitale qui fait vivre des milliards de personnes dans le monde, et la culture du paddy est vitale pour la stabilité économique de nombreux pays, agissant comme un contributeur clé aux revenus et à l’emploi dans les communautés agricoles, en particulier en Asie. Malgré son importance, la culture du paddy est entravée par diverses maladies foliaires telles que le tungro, la brûlure de la gaine (SB), le paddy hispa (PH), le blast du cou (NB), la tache brune étroite (NBS), l’échaudure des feuilles (LS), la pyrale des feuilles (LB), la tache brune (BS) et la brûlure bactérienne des feuilles (BLB), qui ont toutes un impact négatif sur le rendement et la qualité du grain. Pour répondre à ces enjeux, cette étude propose une approche personnalisée d’apprentissage profond basée sur l’apprentissage par transfert. Six modèles distincts ont été évalués, le modèle DenseNet-121 sur mesure offrant les meilleures performances, atteignant une précision de 0,98, une précision de 0,97 et un rappel de 0,96. Pour améliorer les performances du modèle, la segmentation de l’image a été effectuée à l’aide du modèle UNet, qui a considérablement amélioré la précision en créant un ensemble de données d’image segmentées. Les six modèles ont été testés sur deux ensembles de données : l’un contenant des images segmentées et l’autre avec des images non segmentées, tous deux dérivés de l’ensemble de données de détection des maladies des feuilles de paddy. De plus, une interface graphique simple et intuitive a été développée pour permettre aux utilisateurs sans connaissances techniques d’interagir facilement avec le modèle et d’identifier les maladies des feuilles de paddy. Cette solution intégrée met en évidence l’efficacité de l’apprentissage profond pour fournir des méthodes fiables et évolutives de classification des maladies des feuilles de paddy.

Introduction

Le paddy est une pierre angulaire de l’agriculture mondiale, faisant vivre des milliards de personnes et formant l’épine dorsale économique de nombreux pays, en particulier en Asie, où il représente une part substantielle de la consommation alimentaire et des moyens de subsistance¹. Cependant, la production durable de paddy est de plus en plus menacée en raison de divers facteurs biologiques et environnementaux, les maladies foliaires étant parmi les défis les plus critiques. Des maladies telles que la brûlure bactérienne des feuilles, la tache brune et la pyriculariose du paddy ^2,3 peuvent réduire considérablement les rendements des cultures, dégrader la qualité des grains et entraîner des pertes financières substantielles pour les agriculteurs⁴.

Pour répondre à ces enjeux, la classification des maladies des feuilles de paddy est devenue un outil essentiel en phytopathologie⁵. L’identification précoce et précise de ces maladies permet d’intervenir rapidement, d’atténuer la propagation et l’impact des infections. Traditionnellement, cette tâche repose sur une inspection visuelle experte, qui, bien qu’efficace à petite échelle, souffre de limites telles que la subjectivité, l’intensité de main-d’œuvre et l’évolutivité limitée dans de vastes zones agricoles.

Les progrès récents de l’apprentissage automatique (ML) et de l’apprentissage profond (DL) ont considérablement transformé la façon dont les maladies des plantes sont détectées et classifiées. Ces technologies utilisent des images haute résolution des feuilles infectées pour permettre une identification automatisée, évolutive et précise des maladies. Une telle automatisation améliore la cohérence, réduit les erreurs humaines et soutient la prise de décision en temps réel pour les agriculteurs⁶.

Plusieurs études contemporaines ont également exploré des approches innovantes pour améliorer le diagnostic agricole. Par exemple, des études au niveau de l’ARN telles que la suppression des défenses médiée par circANK ont ouvert de nouvelles voies biologiques dans la compréhension de la maladie du paddy⁷, tandis que des cadres basés sur la vision comme la segmentation d’instance à deux voies pour la détection des rangées de paddy ont montré l’utilité de l’apprentissage profond dans l’agriculture de précision⁸. De plus, des travaux récents tels que TMFF : Trustworthy Multi-Focus Fusion pour la classification multi-étiquettes dans des environnements visuels complexes soulignent l’importance croissante des modèles DL hybrides et robustes pour le déploiement dans le monde réel⁹.

Motivée par ces développements, cette recherche fait progresser la classification des maladies des feuilles de paddy en intégrant la segmentation basée sur UNet à des modèles d’apprentissage par transfert profond. Cette approche vise à isoler plus précisément les régions malades et à les classer à l’aide de réseaux pré-entraînés efficaces. En s’attaquant aux limites des méthodes manuelles traditionnelles et en améliorant l’orientation des modèles grâce à la segmentation, ce travail contribue à améliorer les performances de classification, à soutenir les pratiques agricoles durables et à renforcer les systèmes de sécurité alimentaire¹⁰.

Aperçu de la classification des maladies des feuilles de paddy

Le paddy revêt une importance sans précédent en tant que culture de base, nourrissant plus de 50 % de la population mondiale et constituant un moteur économique clé pour de nombreux pays en développement, en particulier en Asie¹¹. Au-delà de son rôle dans la sécurité alimentaire, la culture du paddy est profondément ancrée dans les pratiques culturelles et sociétales de nombreuses régions, faisant de sa production durable une priorité pour les gouvernements et les acteurs agricoles. Cependant, la production de paddy est semée d’embûches, et parmi celles-ci, les maladies foliaires continuent de mettre en danger à la fois la productivité et la qualité des cultures de paddy. Des problèmes généralisés tels que la brûlure bactérienne des feuilles, la tache brune et la pyriculariose du paddy contribuent à des pertes de rendement considérables¹², affectant la production mondiale de paddy et mettant à rude épreuve les économies qui dépendent fortement de cet aliment de base.

La classification des maladies foliaires est un élément essentiel de la gestion agricole moderne, car elle constitue la base de mesures de lutte contre les maladies rapides et efficaces. L’identification en temps opportun permet aux agriculteurs de contrôler la propagation des maladies, d’utiliser efficacement les produits agrochimiques et d’éviter des dommages importants aux cultures. Traditionnellement, ce processus reposait sur une inspection visuelle effectuée par des professionnels de l’agriculture qualifiés. Bien que cette méthode puisse être efficace, elle demande beaucoup de main-d’œuvre, de temps et dépend fortement du niveau de compétence de l’observateur. De plus, dans les exploitations agricoles à grande échelle, l’inspection manuelle devient souvent peu pratique, surtout lorsque des symptômes subtils sont difficiles à identifier pendant les phases initiales de l’infection¹³.

L’avènement des systèmes automatisés de classification des maladies foliaires a révolutionné le diagnostic agricole¹⁴. Ces systèmes s’appuient sur les avancées des technologies d’imagerie et de DL pour fournir des solutions évolutives¹⁵, efficaces¹⁶ et très précises¹⁷. Le traitement d’images (IP), combiné aux modèles ML et DL, peut traiter des images haute résolution de feuilles de paddy pour identifier les symptômes de la maladie, surpassant souvent les méthodes traditionnelles en termes de précision et de rapidité. En automatisant le processus de classification, ces systèmes permettent aux agriculteurs et aux professionnels de l’agriculture de prendre des décisions fondées sur des données, réduisant ainsi la dépendance à l’égard de l’expertise humaine et minimisant le risque d’erreurs.

La classification des maladies des feuilles de paddy garantit non seulement une productivité plus élevée et des pertes réduites, mais contribue également aux objectifs plus larges de l’agriculture durable. En permettant une identification précise des maladies¹⁸, ces technologies contribuent^{à optimiser} l’utilisation des pesticides, minimisant ainsi l’impact environnemental et promouvant des pratiques agricoles²⁰ respectueuses de l’environnement. En outre, l’intégration de ces systèmes avec des applications mobiles et des outils de télédétection étend leur portée aux petits exploitants agricoles dans des contextes aux ressources limitées, favorisant ainsi l’inclusion et l’équité dans les progrès agricoles²¹.

L’importance du paddy en tant que culture mondiale souligne la nécessité de méthodes robustes, fiables et accessibles pour la classification des maladies foliaires²². Grâce au déploiement de ces technologies, le secteur agricole peut relever l’un de ses défis les plus pressants, à savoir assurer la résilience et la durabilité de la production de paddy face à la demande croissante et aux contraintes environnementales.

Techniques de modélisation

La méthode suggérée pour classer les maladies des feuilles de paddy intègre diverses techniques sophistiquées pour améliorer à la fois la précision et l’efficacité :

Segmentation d’image: La première étape consiste à segmenter les images des feuilles pour isoler la zone des feuilles de l’arrière-plan. Cette étape réduit la complexité du calcul en supprimant les parties indésirables^23,24 de l’image et améliore la mise au point sur les motifs pertinents, ce qui permet d’obtenir une meilleure précision.

Extraction des caractéristiques : Des caractéristiques sont extraites des images segmentées, capturant des détails critiques sur les symptômes de la maladie²⁵. Ces caractéristiques constituent la base du modèle de classification, lui permettant de distinguer efficacement les feuilles saines des feuilles malades.

Apprentissage par transfert : L’apprentissage par transfert est utilisé pour exploiter les connaissances des modèles pré-entraînés, minimisant ainsi considérablement la nécessité d’une formation approfondie sur de nouveaux ensembles de données. Cette approche accélère le processus de développement tout en maintenant une précision et une efficacité élevées²⁶.

Modèle de classification de bout en bout : Contrairement aux méthodes traditionnelles qui utilisent l’apprentissage par transfert uniquement pour l’extraction de caractéristiques, la méthodologie proposée intègre un cadre de classification de bout en bout. Cette approche holistique intègre l’extraction et la classification^{des caractéristiques 27,28} dans un pipeline transparent, garantissant ainsi des performances optimales.

Indicateurs d’évaluation : Plusieurs paramètres d’évaluation sont appliqués pour analyser les performances^{du modèle 29}, fournissant des informations détaillées sur son exactitude, sa précision, sa mémorisation et son efficacité globale. Cette analyse complète permet de déterminer efficacement la fiabilité et l’adéquation du modèle.

Lacunes dans la recherche

Malgré des progrès significatifs, divers défis et limites subsistent dans le domaine de la classification des maladies foliaires :

L’identification manuelle des maladies foliaires repose en grande partie sur des experts du domaine, ce qui la rend subjective et incohérente. Même avec une solide connaissance du domaine, les erreurs humaines dans les approches manuelles peuvent entraîner des pertes de récolte importantes.

Les méthodes manuelles nécessitent beaucoup de main-d’œuvre et ne peuvent pas fonctionner 24 heures sur 24, ce qui les rend peu pratiques pour la surveillance à grande échelle ou continue.

Les recherches sur la classification des maladies foliaires sont nombreuses, mais très peu d’études se concentrent spécifiquement sur la classification des maladies des feuilles de paddy.

Les études précédentes³⁰ont généralement négligé l’utilisation de l’apprentissage par transfert pour classer les maladies des feuilles de paddy.

Les modèles existants manquent souvent de généralisabilité à des conditions environnementales variables et à des variantes de maladies, ce qui limite leur utilité pratique³¹.

Les ensembles de données utilisés dans les études actuelles sont souvent petits et manquent de diversité, ce qui entrave une applicabilité plus large³².

En comblant ces lacunes, cette étude vise à faire progresser le domaine de la classification des maladies des feuilles de paddy grâce à des techniques innovantes et à des méthodologies robustes.

Principales contributions de cette étude

Cette recherche vise à combler ces lacunes en créant et en évaluant une méthode personnalisée basée sur l’apprentissage profond pour classer les maladies des feuilles de paddy. Les principales contributions sont les suivantes :

L’utilisation de l’apprentissage par transfert pour exploiter les poids des modèles pré-entraînés permet d’atteindre une grande précision en moins d’époques d’entraînement.

Démontrer que moins d’époques de formation réduisent le besoin d’une puissance de calcul élevée, rendant la méthode accessible aux utilisateurs disposant de ressources de calcul limitées.

Développer un modèle de classification de bout en bout qui intègre la segmentation, l’extraction de caractéristiques et la classification, fournissant ainsi une solution complète.

Utilisation de la segmentation des données et d’autres techniques pour améliorer la généralisabilité du modèle à travers divers ensembles de données.

Défis ouverts

Malgré les résultats prometteurs obtenus dans cette étude, des défis restent à relever. Ces défis comprennent la nécessité de disposer d’ensembles de données plus vastes et plus diversifiés pour améliorer la robustesse et l’adaptabilité du modèle³⁴ à diverses conditions environnementales³⁵ et types de maladies, l’intégration de données multimodales pour améliorer la précision des prédictions et le déploiement de modèles pour une utilisation en temps réel dans des conditions de terrain. En outre, il est essentiel de trouver un équilibre entre l’efficacité de calcul et les performances du modèle pour garantir l’accessibilité aux utilisateurs finaux, en particulier dans les zones rurales et défavorisées.

Protocole

Description de l’ensemble de données

L’ensemble de données utilisé dans cette recherche a été obtenu à partir du référentiel Kaggle accessible au public intitulé Paddy Leaf Diseases Detection Dataset. Il se compose de 18 545 images de feuilles de paddy classées en 10 classes de maladies et 1 classe saine. Les images varient en résolution et ont été capturées dans différentes conditions d’éclairage et d’environnement.

Prétraitement de l’image

Toutes les images ont été redimensionnées à 224 x 224 pixels à l’aide de la fonction tf.image.resize() de TensorFlow. Cette uniformité garantit la compatibilité avec les exigences d’entrée des modèles CNN pré-entraînés. : Les valeurs de pixels ont été normalisées à la plage [0,1] à l’aide du paramètre rescale=1./255 dans Keras ImageDataGenerator. Augmentation (pour l’entraînement uniquement) : Des techniques telles que le retournement horizontal et vertical, la rotation (± 20°) et le zoom (jusqu’à 20 %) ont été appliquées à l’aide d’ImageDataGenerator pour améliorer la généralisation.

Segmentation d’image

Un modèle UNet a été utilisé pour la segmentation des images afin d’isoler les zones foliaires malades de l’encombrement de l’arrière-plan. L’architecture UNet a été construite à l’aide de l’API fonctionnelle Keras avec des couches encodeur-décodeur, des connexions de saut et l’activation ReLU. Des masques de segmentation ont été appliqués aux images originales à l’aide de la multiplication au pixel près (cv2.bitwise_and) pour ne conserver que les caractéristiques pertinentes.

Architecture de modèle et formation

Les modèles suivants ont été utilisés comme classificateurs de base : VGG16, ResNet50, InceptionV3, MobileNet, AlexNet et DenseNet121. Les modèles pré-entraînés (sur ImageNet) ont été importés avec include_top=False. Une tête de classification personnalisée a été ajoutée, composée d’une couche de regroupement moyenne globale, de deux couches denses avec 128 et 64 neurones (activation ReLU), d’une couche Dropout (taux = 0,4) et d’une couche dense finale avec 11 sorties et activation Softmax.

Dispositif expérimental

Toutes les expériences ont été menées à l’aide des paramètres suivants : Environnement de programmation : Python 3.11.5 avec TensorFlow et Keras, Plate-forme d’exécution : Jupyter Notebook, Matériel : Intel Core i5-6300U, 8 Go de RAM, Windows 11, Taille du lot : 32, Époques : 50, Optimiseur : Adam, Taux d’apprentissage : 0,0001, Fonction de perte : Crossentropie catégorielle, Fonctions d’activation : ReLU pour les couches cachées, Softmax pour la couche de sortie finale.

Métriques d’évaluation

L’exactitude, la précision, le rappel et le score F1 ont été calculés à l’aide de classification_report de sklearn.metrics. Les matrices de confusion ont été tracées à l’aide de confusion_matrix et seaborn.heatmap. Le rendement a été évalué à l’aide d’images non segmentées et d’images segmentées par l’UNet à des fins d’évaluation comparative.

Développement d’une interface graphique

Une interface utilisateur graphique simple a été créée à l’aide de la bibliothèque Tkinter de Python. Les utilisateurs peuvent télécharger une image feuille à l’aide de l’interface graphique, qui est ensuite transmise via le modèle formé. La classe de maladie prédite s’affiche à l’écran, ainsi qu’un score de confiance.

Création de jeux de données

L’ensemble de données utilisé dans cette étude est l’ensemble de données de détection des maladies des feuilles de paddy de Kaggle³⁶, accessible au public, comprenant un total de 18 545 images haute résolution de feuilles de paddy classées en 10 classes de maladies et 1 classe saine. Les images ont été capturées dans des conditions d’éclairage variables et dans divers contextes environnementaux, ce qui rend l’ensemble de données très représentatif et adapté à la construction de modèles d’apprentissage profond robustes. La taille de l’ensemble de données est d’environ 8,33 Go et contient les classes suivantes : Tungro, Paresse (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scald (LS), Leaf Blast (LB), Healthy, Brown Spot (BS) et Bacterial Leaf Blight (BLB).

Pour garantir la reproductibilité et l’évaluation efficace du modèle, l’ensemble de données a été divisé au hasard en sous-ensembles d’entraînement (80 %) et de test (20 %), tout en maintenant la distribution des classes. Le jeu d’entraînement a été utilisé pour entraîner les modèles, tandis que le jeu de test a été réservé à la validation des performances sur des données invisibles. L’évaluation a été basée sur des mesures de classification standard : exactitude, précision, rappel et score F1, qui ont fourni une évaluation complète de la capacité de classification de chaque modèle. L’étude a comparé six modèles d’apprentissage profond : VGG16, ResNet, InceptionV3, MobileNet, AlexNet et DenseNet121, DenseNet121 offrant les meilleures performances pour la tâche.

Distribution des données

La classification de la maladie a été effectuée à l’aide de modèles d’apprentissage profond entraînés sur l’ensemble de données. L’ensemble de données a été divisé en deux sous-ensembles : un ensemble d’entraînement et un ensemble de test. L’ensemble d’entraînement a été utilisé pour enseigner le modèle, tandis que l’ensemble de test a été utilisé pour évaluer ses performances sur des données inédites. Le tableau 1 présente un résumé de la distribution des images entre les dix catégories de maladies et la classe des feuilles saines. Ce tableau fournit une compréhension complète des symptômes visuels associés à chaque maladie, facilitant l’entraînement et l’évaluation des modèles de classification.

Cette répartition garantit une représentation équitable de chaque catégorie de maladies pendant les phases de formation et de test. Le kit d’entraînement comprend la majorité des images, ce qui permet au modèle d’apprendre efficacement les caractéristiques uniques de chaque classe. L’ensemble de test, composé d’un sous-ensemble plus petit d’images, assure une évaluation fiable de la précision du modèle et de sa capacité à généraliser à de nouvelles données inédites.

La distribution équilibrée et diversifiée des images entre les catégories garantit que le modèle dispose de suffisamment de données pour apprendre les modèles uniques associés à chaque type de maladie, tout en atténuant le risque de surajustement ou de biais en faveur d’une classe particulière. Cette répartition des données est essentielle pour obtenir des résultats de classification robustes et fiables.

Nettoyage des données

Dans la phase de prétraitement, le nettoyage des données est essentiel pour améliorer la précision et l’efficacité du modèle de classification. Les images brutes de feuilles de paddy incluent souvent des éléments d’arrière-plan indésirables tels que le sol, la végétation à proximité ou les outils agricoles, qui peuvent introduire du bruit et dégrader les performances globales du modèle.

Pour résoudre ce problème, la segmentation d’images a été réalisée à l’aide du modèle UNet^37,38, une architecture de réseau neuronal convolutif bien connue conçue spécifiquement pour les tâches de segmentation sémantique. Le modèle UNET est capable de segmenter les régions feuilles de l’arrière-plan avec une grande précision, en veillant à ce que seules les parties pertinentes des images soient conservées pour un traitement ultérieur³⁹. Le processus de segmentation est illustré à la figure 1.

Processus de segmentation avec le modèle UNet (Figure 2) : Les images brutes de l’ensemble de données sont introduites dans le modèle UNET. Le modèle UNET se compose d’un encodeur qui extrait les caractéristiques hiérarchiques et d’un décodeur qui reconstruit l’image tout en segmentant la région feuille. Le modèle génère un masque binaire dans lequel la région de la feuille est marquée et l’arrière-plan est supprimé. Les images segmentées sont encore affinées par l’application d’opérations morphologiques pour assurer des bords lisses et supprimer tout bruit résiduel (Figure 3).

Formulation mathématique de la segmentation UNet : UNet effectue une segmentation sémantique en apprenant un mappage de l’espace d’image d’entrée à un masque binaire qui met en évidence la région d’intérêt (ROI), c’est-à-dire la zone foliaire malade, tout en supprimant l’arrière-plan non pertinent. Laisser:

désignent l’image RVB d’entrée de taille H*W avec C=3 canaux de couleur.

est la sortie du modèle UNet entraîné, où chaque valeur de pixel dans M représente la probabilité que ce pixel appartienne à la région foliaire malade.

Le masque de segmentation binaire final

où τ [0,1] est le seuil de segmentation (généralement fixé à 0,5).

L’image segmentée est alors calculée comme suit :

où désigne la multiplication élément par élément, appliquée spatialement sur tous les canaux. Cette opération conserve les valeurs de pixels dans la zone d’intérêt (où ) et masque les pixels d’arrière-plan (où ). Cette sortie segmentée est transmise en entrée au modèle de classification (par exemple, DenseNet121), ce qui lui permet de se concentrer exclusivement sur les caractéristiques pertinentes à la maladie tout en ignorant les zones d’arrière-plan bruyantes et non informatives, ce qui améliore les performances de classification et la généralisation du modèle.

Cette étape de prétraitement garantit que les étapes suivantes d’extraction et de classification des caractéristiques sont effectuées sur des données propres et pertinentes, améliorant ainsi les performances globales et la fiabilité du modèle de classification des maladies des feuilles de paddy.

Apprentissage par transfert

L’apprentissage par transfert utilise des réseaux neuronaux pré-entraînés pour s’attaquer à des problèmes nouveaux mais connexes, éliminant ainsi le besoin de créer des modèles à partir de zéro. Cette approche s’appuie sur les connaissances acquises lors des tâches précédentes, ce qui permet un apprentissage efficace⁴⁰. Les modèles pré-entraînés sont souvent développés sur de vastes ensembles de données et possèdent des capacités d’extraction de caractéristiques robustes, ce qui les rend adaptés à l’optimisation d’ensembles de données spécifiques. Cela réduit le temps d’entraînement, évite le surajustement et permet d’obtenir une grande précision, même avec des ressources de calcul limitées.

Dans cette étude, l’apprentissage par transfert a été utilisé pour identifier les maladies des feuilles de paddy en évaluant divers modèles d’apprentissage profond pré-entraînés. L’architecture explorée dans les expériences comprend VGG16, ResNet, InceptionV3, MobileNet, AlexNet et DenseNet121. Chacun de ces modèles a d’abord été entraîné sur de grands ensembles de données, tels qu’ImageNet, et leurs poids pré-entraînés ont été utilisés dans ce travail. Pour adapter les modèles à la tâche de classification, les modifications suivantes ont été apportées :

Modification du modèle : Les couches d’origine entièrement connectées (classification) de chaque modèle ont été supprimées à l’aide du paramètre include_top=False lors de l’importation du modèle dans Keras. Cela garantissait que seule la base convolutive (extracteur de caractéristiques) de chaque modèle pré-entraîné était conservée. La sortie du dernier bloc convolutif a été aplatie en un vecteur unidimensionnel à l’aide de la couche Flatten().

Couches denses : Trois couches entièrement connectées (denses) ont été ajoutées séquentiellement après l’étape d’aplatissement. Ces couches ont été définies à l’aide de la fonction Keras Dense() : la première avec 256 neurones et l’activation de ReLU, la seconde avec 128 neurones et l’activation de ReLU, et la troisième avec 64 neurones et l’activation de ReLU. Une couche de décrochage a également été ajoutée entre les couches pour réduire le surapprentissage.

Couche de sortie : Trois couches entièrement connectées (denses) ont été ajoutées séquentiellement après l’étape d’aplatissement. Ces couches ont été définies à l’aide de la fonction Keras Dense() : la première avec 256 neurones et l’activation de ReLU, la seconde avec 128 neurones et l’activation de ReLU, et la troisième avec 64 neurones et l’activation de ReLU. Une couche de décrochage (taux de 0,4) a également été ajoutée entre les couches pour réduire le surapprentissage.

La figure 4 illustre l’ensemble du pipeline et du flux de la méthodologie, y compris le prétraitement, la segmentation, la mise en œuvre du modèle d’apprentissage par transfert et l’évaluation. Cette figure donne un aperçu complet des étapes suivies dans cette recherche. En utilisant l’apprentissage par transfert, le temps de formation a été minimisé avec succès, la dépendance à l’égard des ressources de calcul haut de gamme a été réduite et des améliorations significatives des performances ont été obtenues dans la classification des maladies des feuilles de paddy.

Modèle DenseNet121 proposé pour la classification des maladies foliaires

Parmi tous les modèles testés, DenseNet121 a montré les meilleures performances dans la classification des maladies des feuilles de paddy, atteignant une précision remarquable. Ce modèle d’apprentissage profond de pointe se distingue par son architecture innovante⁴⁰, qui favorise un flux d’informations efficace et améliore la réutilisation des fonctionnalités.

Architecture de DenseNet121 : DenseNet121 se caractérise par des couches densément connectées, où chaque couche peut accéder aux cartes de caractéristiques de toutes les couches précédentes. Cette conception optimise le flux d’informations, réduit la redondance et améliore considérablement l’efficacité globale du modèle.

L’architecture se compose des composants clés suivants :

Calque d’entrée : reçoit les images redimensionnées à 224 x 224 pixels pour un traitement standardisé.

Couche convolutive initiale : applique une opération de convolution 7 x 7 suivie d’un regroupement maximal pour réduire les dimensions spatiales et extraire les entités de bas niveau.

Blocs denses : le modèle contient quatre blocs denses. Chaque bloc comprend plusieurs couches convolutives connectées de manière dense, ce qui signifie que chaque couche a un accès direct aux sorties de toutes les couches précédentes au sein du bloc.

Couches de transition : positionnées entre des blocs denses, ces couches effectuent une convolution de 1 x 1 suivie d’un regroupement moyen pour réduire les dimensions des caractéristiques, améliorant ainsi l’efficacité de calcul.

Global Average Pooling (GAP) : réduit les dimensions spatiales des cartes de caractéristiques avant les couches entièrement connectées.

Couche entièrement connectée : produit le vecteur de sortie pour la classification.

Couches personnalisées pour la classification : Pour cette recherche, les couches entièrement connectées par défaut ont été remplacées par une architecture personnalisée : couche d’aplatissement, trois couches denses (256, 128 et 64 neurones avec activation ReLU) et une couche finale activée par sigmoïde pour la classification binaire.

La capacité de DenseNet121 à réutiliser les fonctionnalités et son architecture compacte ont contribué de manière significative à ses performances supérieures sur l’ensemble de données sur les maladies des feuilles de paddy. Cette efficacité, associée à sa capacité à minimiser le surapprentissage, le rend idéal pour les tâches avec des données d’entraînement limitées. DenseNet121 a obtenu une meilleure précision et une meilleure généralisation que les autres modèles en raison de sa réutilisation des caractéristiques et de ses propriétés de flux de gradient. Alors que des modèles comme ResNet et VGG16 ont obtenu de bons résultats, DenseNet121 les a surpassés en termes de précision et d’efficacité de calcul.

Dans tous les modèles, trois couches entièrement connectées (denses) ont été incluses à l’aide des fonctions d’activation ReLU (comme le montre l’équation 1), aboutissant à une couche dense finale avec une activation SoftMax (équation 2) pour faciliter la classification multiclasse. Cette adaptation a permis à chaque modèle d’utiliser efficacement ses poids pré-entraînés tout en classant les images dans l’ensemble de données.

ReLu f(x) = max(0, X) (1)

où x_i représente l’entrée de la fonction SoftMax, ajustée pour la classification dans les dix catégories de maladies des feuilles de paddy. L’architecture unique de chaque modèle, combinée à cette couche de sortie personnalisée, a permis une extraction efficace des caractéristiques et une classification précise des images.

La figure 5 présente la disposition architecturale de DenseNet121, mettant en valeur le flux continu d’informations à travers ses blocs denses, ses couches de transition et les couches de classification adaptées intégrées à cette recherche. Cette représentation visuelle clarifie la façon dont DenseNet121 gère les entrées d’image et génère des sorties de prédiction

Résultats

Pour les expériences menées dans le cadre de cette étude, le modèle a été développé à l’aide de la version 3.11.5 de Python et de Jupyter Notebook sur un système d’exploitation Windows 11. Les principaux frameworks de deep learning utilisés étaient les bibliothèques TensorFlow et Keras. Le matériel utilisé pour cette recherche était un PC HP avec un processeur Intel i5-6300U cadencé à 2,50 GHz, équipé de 8 cœurs.

L’ensemble de d...

Discussion

Cette étude propose un cadre basé sur l’apprentissage profond pour la classification automatisée des maladies des feuilles de paddy à l’aide d’ensembles de données segmentées et non segmentées. L’approche intègre la segmentation d’images basée sur UNet avec des modèles d’apprentissage par transfert, démontrant que la segmentation améliore considérablement l’extraction des caractéristiques et la précision de la classification. Parmi les six modèles évalués, le DenseNet-121 personnalisé a ...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Ordinateur HP	CV	Processeur Intel Core i5-6300U @ 2,5 GHz, 8 Go de RAM
Carnet Jupyter	Libre	Utilisé pour l’exécution de code
Jeu de données Kaggle : Détection des maladies des feuilles de riz	Kaggle	https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
Keras	Libre	Intégré à TensorFlow
Python	Fondation du logiciel Python	3.11.5
TensorFlow	Google (en anglais)	2.x
Système d’exploitation Windows	Microsoft	Windows 11