Method Article
Cette étude présente une méthode basée sur l’apprentissage profond pour prédire les stades de croissance des feuilles de riz et classer les maladies, en fournissant des recommandations de traitement spécifiques à chaque stade via un système automatisé et convivial d’aide à la décision pour une gestion efficace des maladies des cultures.
Les maladies des feuilles de riz affectent significativement le rendement et la qualité du riz, rendant la détection précoce et le traitement approprié essentiels à l’agriculture de précision. Cette étude propose un système d’aide à la décision fondé sur l’apprentissage profond pour la détection de la maladie des feuilles de riz, la prédiction du stade de croissance et les recommandations de traitement spécifiques à chaque stade. L’ensemble de données utilisé dans cette étude comprend des images de feuilles de riz collectées à partir de multiples sources et classées par stade de croissance et classe de maladie. Le jeu de données a été divisé en ensembles d’entraînement (80 %), de validation (10 %) et de test (10 %) afin d’assurer une évaluation correcte du modèle. Pour la prédiction du stade de croissance, un modèle léger de réseau neuronal convolutionnel (CNN) a été développé, tandis que la classification des maladies a été réalisée à l’aide de modèles d’apprentissage par transfert, incluant VGG16, ResNet50, InceptionV3 et MobileNetV2. Une méthode d’ensemble basée sur le vote par probabilité moyenne a été utilisée pour améliorer la performance dans la classification. Les modèles ont été évalués en utilisant la précision, la précision, la mémoire et le score F1 sur un ensemble de tests indépendant. Les résultats expérimentaux montrent que le modèle d’ensemble a obtenu une précision plus élevée que les modèles individuels, démontrant une robustesse et une généralisation accrues. Le système proposé a été mis en œuvre sous forme d’application web Streamlit qui fournit la détection de maladies, la prédiction du stade de croissance et des recommandations de traitement. Le cadre intégré proposé peut aider les agriculteurs et les experts agricoles à prendre des décisions de gestion des maladies en temps opportun et précises.
L’Inde, étant une économie agricole, dépend fortement de l’agriculture, le riz (riz) servant de culture de base pour une grande partie de la population. Cependant, la culture du riz est fortement affectée par les maladies foliaires telles que le blast, le mildiou bactérien des feuilles, la tache brune et le chardiou de la gaine, qui réduisent le rendement et entraînent des pertes économiques. La détection précoce de ces maladies est essentielle, car les méthodes traditionnelles d’inspection manuelle sont longues et souvent imprécises. Pour répondre à ce problème, cette étude propose un système d’aide à la décision fondé sur l’apprentissage profond pour la prédiction du stade de croissance des feuilles de riz, la classification de la maladie et la recommandation de traitement. Le système utilise un modèle de réseau de neurones pour prédire le stade de croissance de la feuille de riz ainsi que plusieurs modèles d’apprentissage profond, dont CNN, VGG16, ResNet50, InceptionV3 et MobileNetV2, pour la classification des maladies. Ces modèles sont combinés selon une approche d’ensemble pour améliorer la précision et la robustesse, atteignant une précision de classification de 98,99 %. En fonction de la maladie et du stade de croissance prédits, le système fournit des recommandations de traitement spécifiques à chaque stade. Le système proposé est implémenté comme une application web basée sur Streamlit qui permet aux utilisateurs de télécharger des images feuilles et de recevoir en temps réel des prédictions et recommandations. Cette approche intégrée offre une solution pratique et évolutive pour l’agriculture de précision, aidant les agriculteurs à réduire les pertes de récoltes et à améliorer la productivité.
Plusieurs études ont appliqué des techniques d’apprentissage automatique et d’apprentissage profond pour la recommandation de cultures, la détection de maladies et le soutien à la décision agricole. Les méthodes d’apprentissage profond en ensemble ont été utilisées pour améliorer la précision des recommandations des cultures et des engrais en intégrant la prédiction des maladies, montrant de meilleures performances que les approches à modèleunique 1. Des systèmes de recommandation basés sur l’apprentissage automatique, utilisant des arbres de décision et des machines à vecteurs de soutien, ont également été développés pour suggérer des cultures, des engrais et des traitements contre les maladies tout en intégrant les retours des agriculteurs pour une meilleureadaptabilité 2.
Pour la détection des maladies, des modèles CNN hybrides combinés à des techniques d’extraction de caractéristiques telles que CLAHE et GLCM ont amélioré la précision de classification de la maladie du riz3. D’autres approches ont utilisé le clustering et des algorithmes de forêt aléatoire avec extraction de caractéristiques basée sur des textures pour améliorer la performance de détectiondes maladies 4. Les modèles d’apprentissage profond, en particulier les CNN et les architectures d’apprentissage par transfert, ont atteint une grande précision dans la détection des maladies végétales et ont permis des systèmes de diagnostic en temps réel et basés sur smartphones 5,6,7. Les méthodes traditionnelles de traitement d’image et d’arbre de classification utilisant des caractéristiques de couleur, de texture et de forme ont également montré une détection efficace des maladies avec une complexité computationnelle plusfaible 8,9.
L’apprentissage en ensemble a été largement utilisé dans les systèmes de recommandation de cultures en combinant des classificateurs tels que Random Forest, Naïve Bayes et Support Vector Machines pour améliorer la précision et la robustesse desprédictions 10. Des modèles basés sur CNN ont également été utilisés pour la détection des maladies du riz et intégrés aux systèmes IoT pour des recommandations agricolesen temps réel 11. Des modèles d’apprentissage automatique tels que les K-Nearest Neighbors et les techniques de régression ont été appliqués dans les systèmes d’aide à la décisionprédictifs 12. De plus, des systèmes de recommandation des cultures basés sur les facteurs du sol, des saisons et de la productivité ont été développés pour soutenir les décisions agricoles fondées sur les données 13.
Des études ont également examiné les contraintes de production de riz et les stratégies de gestion des maladies, soulignant l’importance d’un contrôle durable des maladies et d’une amélioration des pratiquesagricoles 14. Cependant, la plupart des études existantes se concentrent uniquement sur la détection ou la recommandation individuelle des cultures, et très peu intègrent la classification des maladies, la prédiction des stades de croissance et la recommandation de traitement dans un seul système d’aide à la décision. Cette lacune met en lumière la nécessité d’un cadre intégré et pratique d’aide à la décisionagricole 15.
La nouveauté de cette recherche ne réside pas seulement dans la classification des maladies, mais aussi dans le développement d’un système complet d’aide à la décision pour la gestion de la maladie du riz16. Le système proposé intègre la prédiction des stades de croissance des feuilles de riz, la classification des maladies à l’aide d’un ensemble de modèles d’apprentissage profond, ainsi que la recommandation de traitement spécifique à chaque stade de croissance. Contrairement aux études existantes qui se concentrent uniquement sur la détection des maladies, ce travail relie la prédiction de la maladie à des conseils de traitement exploitables basés sur le stadede croissance 17 de la plante. Cette approche intégrée rend le système plus pratique pour un usage agricole réel et soutient l’agriculture de précision en fournissant une intervention opportune et adaptéeà la phase 18.
L’objectif principal de la recherche est de créer le système d’apprentissage profond de l’étape suivante pour détecter plus tôt la maladie des feuilles de riz, prédire précisément les stades de croissance de la feuille et recommander le traitement à temps ainsi que de manière sélective. Le système atteint une grande précision de classification des maladies de 98,99 grâce à une ingénierie fine et à l’assemblage de modèles de pointe tels que CNN, VGG16, ResNet50, InceptionV3, MobileNetV2, entre autres. Il intègre un réseau neuronal qui prédit le stade de croissance et donne des recommandations spécifiques d’herbicides ou de pesticides pour l’analyse. La technologie est accessible aux agriculteurs via une application web Streamlit conviviale qui permet des prédictions en temps réel ainsi que des conseils de traitement19. L’étude devrait faciliter les décisions liées à la gestion des maladies grâce à des prédictions et recommandations thérapeutiques en temps opportun, susceptibles d’être applicables à des économies agricoles telles que l’Inde.
Bien que de nombreuses études soient menées sur la détection des maladies végétales en termes d’apprentissage automatique et d’apprentissage profond, la majorité des recherches existantes tentent de classer les maladies sans prendre en compte le stade de développement de la plante ni les suggestions de traitement. Cependant, il n’est pas vrai que, dans la pratique réelle en agriculture, les instructions de traitement soient basées non seulement sur la nature de la maladie mais aussi sur le stade où se trouve la culture au moment du traitement, car le degré et le type de pesticides varient selon le stade de la culture. Très peu de recherches intègrent la détection des maladies, la prédiction des stades de croissance ainsi que les recommandations thérapeutiques dans un seul système automatisé. Pour combler cet écart, l’étude actuelle propose une architecture combinée basée sur l’apprentissage profond qui intégrera la prédiction du stade foliaire du riz, la classification des maladies dans un ensemble de modèles d’apprentissage profond, et la recommandation d’un traitement spécifique basé sur un stade de croissance via un système d’aide à la décision exécutépar Streamlit 20. Une telle intégration permet au système proposé de devenir plus pratique et utile dans l’agriculture de précision réelle. Cette étude propose un cadre de diagnostic de la maladie conscient du stade, dans lequel la prédiction du stade de croissance et la classification de la maladie sont combinées à un module de recommandation de traitement pour former un pipeline complet de soutien à ladécision 21.
Bien que plusieurs approches d’apprentissage profond et d’apprentissage en ensemble aient été proposées pour la détection des maladies des plantes, la plupart des études existantes se concentrent uniquement sur la classification des maladies et ne prennent pas en compte le stade de croissance de la plante. Cependant, en agriculture pratique, la méthode de traitement, le type de pesticide et le dosage dépendent souvent non seulement du type de maladie, mais aussi du stade de croissance de la plante. Les systèmes existants de détection des maladies ne fournissent pas de recommandations de traitement spécifiques à chaque stade, ce qui limite leur applicabilité pratique en agriculturede précision 22. De plus, de nombreuses études existantes se concentrent uniquement sur l’amélioration de la précision de la classification à l’aide de modèles d’apprentissage profond, mais n’intègrent pas le système de prédiction dans un cadre pratique d’aide à la décision pouvant être utilisé par les agriculteurs ou les experts agricoles. Pour remédier à ces limites, cette étude propose un système intégré d’aide à la décision qui combine la prédiction des stades de croissance des feuilles de riz, la classification des maladies par apprentissage d’ensemble, et la recommandation de traitement spécifique à chaque stade. Le système proposé est mis en œuvre sous forme d’application web pour soutenir la prise de décision agricole en tempsréel 23.
Les principales contributions de cette étude incluent le développement d’un modèle basé sur l’apprentissage profond pour prédire avec précision les stades de croissance des feuilles de riz à l’aide de données d’image, permettant ainsi un meilleur suivi et une meilleure gestion des cultures. Elle implique également la mise en œuvre de techniques d’apprentissage par transfert pour classifier efficacement les maladies des feuilles de riz en tirant parti de modèles pré-entraînés, améliorant la précision tout en réduisant la complexitéde l’entraînement 24. Pour renforcer davantage la fiabilité de la détection des maladies, une approche d’apprentissage en ensemble est employée, combinant plusieurs modèles pour obtenir une performance de classification supérieure. De plus, l’étude introduit un système de recommandation de traitement spécifique à chaque stade, qui fournit des solutions ciblées basées à la fois sur la maladie identifiée et le stade de croissance de la culture, garantissant des interventions agricoles plus précises et efficaces. Enfin, tous ces composants sont intégrés dans une application web basée sur Streamlit, offrant une plateforme conviviale pour un support décisionnel en temps réel, permettant aux agriculteurs et parties prenantes d’accéder facilement aux prédictions et recommandations25.
Access restricted. Please log in or start a trial to view this content.
Le protocole suivant illustre le processus de détection de la maladie des feuilles de riz et de développement et de mise en œuvre du système de recommandation de traitement, étape par étape. Les étapes prises doivent être utilisées consécutivement pour reproduire les résultats présentés dans cet article.
Préparation de jeux de données
Ensemble de données sur les feuilles de riz : Ces données étaient basées sur PaddyNet4. La scène comprend 560 images classées en quatre étapes de développement différentes, à savoir : Stade 2, Stade 3, Stade 4 et Stade 5. La classification dépend de la couleur et de la maturité des feuilles de riz, qui dépendent notamment de la concentration d’azote, et du développement de la plante. L’ensemble de données présenté est important pour connaître le stade exact de la plante de riz (Figure 1). PaddyNet est accessible au public via le site web de data.mendeley.com/datasets/. Ensemble de données sur la maladie des feuilles de riz : Cet ensemble de données était disponible sous forme de plusieurs ensembles de données accessibles au public distinct sur Kaggle et a combiné pour créer un ensemble de données unifié avec un total de 6 920 images, chacune appartenant à l’un des six types de maladies indiqués sur (Figure 2). Jeu de données sur le traitement : L’ensemble de données a été développé de manière critique en récupérant et intégrant des informations sur divers ensembles de données publiques et contient des données sur diverses pratiques de gestion des maladies du riz à quatre phasesde croissance 21. L’objectif principal de cet ensemble de données est de formuler des recommandations pour prévenir et contrôler la maladie du paddy. Ces données sont l’une des ressources essentielles pour lutter contre les maladies dans les rizières en sélectionnant le bon type de pesticides 19,22,23,24,25
Augmentation des données
L’augmentation des données a été utilisée pour améliorer le jeu de données d’entraînement et réduire le surapprentissage. Les méthodes d’augmentation utilisées dans l’étude actuelle sont la rotation (jusqu’à 30), le déplacement de largeur et de hauteur (jusqu’à 20 %), le zoom (jusqu’à 20 %), le cisaillement et le retournement horizontal. L’utilisation de ces méthodes d’augmentation aide le modèle à acquérir les éléments essentiels du modèle et améliore sa généralisation lorsqu’il est testé sur des données invisibles. L’augmentation des données a été réalisée sur le jeu de données d’entraînement, tandis que les jeux de données de validation et de test ont été laissés tels quels afin d’examiner la performance équitable du système. La taille de l’ensemble de données d’origine a dû être augmentée avec des données car la taille de l’ensemble de données d’origine est assez petite, et cette approche était nécessaire pour améliorer la généralisation et minimiser le surajustement en introduisant le modèle aux différences d’orientation, d’échelle et de position des images feuilles.
Prétraitement d’image
Les données de stade et de maladie collectées ont été transmises à plusieurs étapes de prétraitement afin de rendre les données cohérentes et d’améliorer la performance des modèles. Toutes les images des deux ensembles de données ont été mises à l’échelle à 128 × 128 × 3 afin d’assurer un ajustement réalisable dans toute architecture d’apprentissage profond. Les valeurs des pixels étaient mises à l’échelle de l’intervalle [0,1] afin d’accélérer la convergence lors de l’entraînement. De plus, les étiquettes des maladies et de leurs stades ont été transformées en chiffres pour évaluer et entraîner le modèle plus efficacement. Ces méthodes de prétraitement ont permis d’extraire mieux les caractéristiques, d’améliorer le taux de classification et de renforcer la robustesse du modèle à différentes conditions environnementales. La taille de l’image utilisée, 128 × 128, était compromise entre le calcul et la perte de caractéristiques. Béton : une taille d’image plus petite minimise le temps d’entraînement et le coût de calcul, et n’élimine pas les informations (caractéristiques visuelles) pour classifier la maladie et le stade lors de l’utilisation de modèles d’apprentissage profond.
Répartition des jeux de données
Les données traitées étaient divisées en trois sous-ensembles (Tableau 1) : Ensemble d’entraînement (80 %), Ensemble de validation (10 %), Ensemble de test (10 %). Pour éviter une distribution déséquilibrée des classes dans les trois sous-ensembles, un échantillonnage aléatoire stratifié a été utilisé afin de garantir que le jeu de données de stade (560 images) et le jeu de données sur la maladie (6 920 images) aient une répartition égale des classes. Il n’y a eu aucune fuite de données parmi les sous-groupes.
Entraînement des modèles
Dans la classification du stade de croissance des feuilles de riz et des maladies, la méthode de dressage modèle en deux étapes a été utilisée.
Modèle de classification des étapes
La méthode de classification du stade de croissance foliaire comporte quatre classes et une taille de données relativement faible, ainsi, l’architecture du réseau de neurones convolutionnel (NN) n’était pas très développée mais considérée comme légère. Une architecture plus simple peut être utilisée pour offrir une réduction du surajustement et de la puissance de calcul, au détriment d’une grande précision dans le cas de la classification utilisant des caractéristiques de couleur et de texture. La nouvelle structure CNN comportera trois couches convolutionnelles utilisant les fonctions d’activation de ReLU. Les couches convolutionnelles sont alternées avec les couches de max-pooling (2×2) pour réduire les dimensions spatiales, ainsi que pour identifier les caractéristiques marquantes. Les cartes de caractéristiques subissent une couche convolutionnelle, après quoi elles sont aplaties, et la couche dense entièrement connectée avec régularisation de dropout est exécutée pour décourager le surapprentissage. Enfin, la classification multi-classes des quatre étapes de croissance est réalisée à l’aide d’une couche de sortie softmax. L’optimiseur Adam, qui a un taux d’apprentissage de 0,001 et une entropie croisée catégorique comme fonction de perte, a été utilisé pour entraîner le modèle. Le nombre de la série a été fixé à 10, et le modèle a été entraîné en 10 époques. La précision de validation et la perte de validation ont également été utilisées pour surveiller les performances du modèle, car elles servent à s’assurer que le modèle est généralisé.
Modèle de classification des maladies basé sur l’apprentissage en ensemble
Pour la classification des maladies, une série d’architectures d’apprentissage profond a été adoptée afin d’améliorer la précision des prédictions. Le développement initial d’un modèle CNN personnalisé consistait en quatre couches, à savoir trois couches convolutionnelles, trois couches de max-pooling, une couche dense entièrement connectée, et la régularisation de dropout. MobileNetV2 utilise des convolutions séparables en profondeur, des blocs résiduels inversés et un goulot d’étranglement inversé avec résidu linéaire. Le modèle a une petite taille de seulement 3,4 millions de paramètres et peut être utilisé dans un environnement limité en ressources. Les modèles ont commencé à utiliser des activations ImageNet, et les couches convolutionnelles ont été figées afin que les représentations des caractéristiques apprises ne soient pas perdues. La couche de classification softmax était attachée à une couche entièrement connectée qui bénéficiait d’une régularisation par dropout. Tous les modèles ont été entraînés pendant 20 époques avec une taille de lot de 32, et l’optimiseur ainsi que la perte étaient identiques à ceux du modèle CNN. Dans le but d’améliorer la classification, la méthode moyenne d’apprentissage par ensemble de vote a été utilisée. Les résultats étaient les probabilités moyennes prédites par les cinq modèles (CNN, VGG16, ResNet50, InceptionV3 et MobileNetV2) pour obtenir les prédictions finales de la classe. Cette technique de combinaison s’est avérée utile pour réduire les biais dans les modèles et améliorer la généralisation. Le dernier modèle combiné était plus précis dans les classifications. La raison pour laquelle l’approche d’ensemble a été choisie est que l’apprentissage des différentes représentations des caractéristiques est appris à partir du même ensemble de données par les différents modèles d’apprentissage profond. L’ensemble diminue également le biais et la variance du modèle et augmente les problèmes globaux de prédiction ainsi que la performance globale de généralisation par rapport aux modèles indépendants.
Stratégie de prédiction
Dans le processus de prédiction de la maladie des feuilles de riz et de son stade de croissance associé, la méthode de classification basée sur des ensembles a été utilisée. Les cinq modèles d’apprentissage profond (CNN, VGG16, ResNet50, InceptionV3 et MobileNetV2) ont été entraînés de manière indépendante pour classifier les maladies et regroupés en utilisant une méthode moyenne d’ensemble de vote. Cette procédure consistait à prévoir les probabilités de chaque catégorie de maladie de tous les modèles ainsi que la distribution moyenne de probabilité, ce qui ajoute de la précision à la prévisibilité et minimise les biais dans le modèle. La dernière prédiction a été prise comme la classe de maladie ayant la probabilité la plus élevée. De plus, un modèle différent de classification des stades basé sur CNN a été formé et utilisé pour prévoir le stade de croissance de la feuille de riz. Les deux modèles de classification prendraient des images d’entrée de taille 128x 128, normaliseraient les valeurs des pixels avant d’utiliser les modèles pour faire une inférence. Les prédictions finales du stade foliaire et de la maladie ont ensuite été cartographiées sur un ensemble existant de recommandations thérapeutiques afin d’offrir un traitement valide afin de gérer la maladie.
Exemple de sortie : « Stade feuille : 3, Maladie : Tungro »
Recommandation de traitement
Pour rendre la classification de la maladie des feuilles de riz plus pratique, un système de recommandation de traitement a été intégré dans l’application basé sur Streamlit. Le système prend en compte la maladie et le stade foliaire prévus pour proposer des recommandations thérapeutiques précises afin de garantir que la maladie soit prise en charge avec succès. Le modèle de classification des maladies d’ensemble (incluant CNN, VGG16, ResNet50, InceptionV3 et MobileNetV2) classe la maladie, tandis que le modèle de classification du stade foliaire est un autre modèle. Le stade modélisé de la feuille et la maladie sont comparés aux données de traitement contenant les doses recommandées (mesures préventives et application de pesticides).
Cadre méthodologique et contribution
La méthodologie du système présenté est un pipeline de plusieurs étapes, qui combine classification d’images et assistance à la décision. Le cadre se compose de cinq grandes étapes : la promotion des images et l’augmentation, la prédiction du stade de croissance des feuilles, l’utilisation de modèles d’apprentissage profond entraînés sur les images pour classifier la maladie, la combinaison des résultats de prédiction pour obtenir une décision d’ensemble, et la recommandation du traitement en fonction du type et du stade de croissance d’une maladie. La contribution méthodologique de ce travail est orientée vers la mise en œuvre de nombreux modèles de prédiction et un module de recommandation de traitement dans un seul pipeline d’aide à la décision. Le système repose non seulement sur la classification des maladies, mais aussi sur l’intégration des informations sur le stade de croissance des plantes afin de fournir des recommandations de traitement à un stade particulier. Le système est plus pertinent pour le processus de prise de décision agricole dans le monde réel grâce à cette stratégie de recommandation consciente de la scène. L’image d’entrée sera d’abord prétraitée avant d’être transmise via le modèle de classification des stades et les modèles de classification des maladies. Les résultats du modèle de maladie sont moyennés à l’aide d’une technique d’ensemble, et la prédiction de la maladie ainsi que le stade de croissance sont maintenus jusqu’à la fin afin d’obtenir des recommandations thérapeutiques correctes basées sur l’identification des dossiers de traitement pertinents dans la base de données des traitements.
Stratégie de validation et prévention du surapprentissage
Afin d’assurer une validation rigoureuse des modèles développés, l’ensemble de données a été divisé en trois sous-ensembles disjonctifs : l’ensemble d’entraînement (80 %), l’ensemble de validation (10 %) et l’ensemble test (10 %). Les modèles étaient entraînés avec l’ensemble d’entraînement, ajustés avec l’ensemble de validation, et évaluaient leur performance finale uniquement avec l’ensemble de test. L’ensemble de tests est resté absolument indépendant pour offrir une analyse impartiale du modèle. Les méthodes suivantes ont été utilisées pour garantir que le modèle ne sur-ajuste pas et améliorer sa capacité de généralisation. Pour augmenter le niveau de diversité dans le jeu de données, d’abord, des méthodes d’augmentation des données (rotation, zoom, décalage, cisaillement et retournement horizontal) ont été utilisées. Deuxièmement, la régularisation du dropout a été utilisée dans les couches entièrement connectées des modèles CNN pour réduire le surappoint. Troisièmement, des modèles pré-entraînés (VGG16, ResNet50, InceptionV3 et MobileNetV2) ont été transférés en utilisant la technique des couches convolutionnelles figées afin de préserver les caractéristiques apprises et de minimiser les risques de surajustement causés par la petite taille du jeu de données. Enfin, la perte de validation et la précision ont été utilisées pour surveiller la performance du modèle pendant l’entraînement afin de s’assurer que le modèle ne surs’ajuste pas aux données d’entraînement. Ce sont les schémas de validation et de régularisation qui garantissent que le modèle proposé se généralise très bien aux données invisibles et offre de bonnes performances.
Système proposé
La solution suggérée est une solution d’apprentissage profond à la gestion de la maladie des feuilles de riz, qui intègre la prévision du stade foliaire et la classification de la maladie. Tout commence par le prétraitement des images de feuilles de riz, en les redimensionnant à une hauteur commune et aux valeurs des pixels. Le stade de croissance de la feuille est prédit à l’aide d’un réseau de neurones, et une technique de vote moyenne est utilisée pour utiliser un ensemble de modèles d’apprentissage profond (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) pour classifier les maladies. Le système utilise le stade et la maladie prévus pour prescrire les bonnes doses d’herbicides ou de pesticides à utiliser dans le traitement. Le flux de travail du système proposé est montré dans (Figure 3). Les sous-sections précédentes (A à I) expliquent chacun des éléments individuels de ce pipeline, c’est pourquoi il n’y a pas plus de détails ici. L’application basée sur Streamlit, développée dans cette étude, est un outil prototype d’aide à la décision destiné à démontrer l’applicabilité pratique du modèle proposé. Le système permet aux utilisateurs de télécharger des images de feuilles de riz et de recevoir des prédictions de maladie, des informations sur le stade de croissance et des recommandations de traitement. Des tests d’ergonomie à grande échelle et un déploiement sur le terrain avec les agriculteurs seront réalisés dans le cadre des travaux futurs visant à évaluer l’efficacité et l’utilisabilité réelles du système.
Access restricted. Please log in or start a trial to view this content.
Modèle de classification des étapes
Le modèle de prédiction des étapes a atteint une précision d’entraînement de 95,88 % (perte : 0,1172) et une précision de validation de 95,24 % (perte : 0,1751), indiquant que le modèle apprend de manière cohérente et fait des prédictions équitables lorsqu’il est appliqué à des échantillons de validation invisibles. Une précision de validation de 95,24 % a été obtenue, avec une perte de validation de 0,1751....
Access restricted. Please log in or start a trial to view this content.
L’article actuel propose un système d’aide à la décision novateur qui implique la prédiction du stade de croissance des feuilles de riz, la classification des maladies à l’aide d’un ensemble de modèles d’apprentissage profond (VGG16, MobileNetV2 et ResNet50), ainsi que la recommandation de traitement basée sur des étapes à partir d’une application web. Le modèle d’ensemble a obtenu une précision de 98,99 % dans la classification du modèle, ce qui est supérieur à celui des modèles individ...
Access restricted. Please log in or start a trial to view this content.
Les auteurs déclarent ne pas exister de conflit d’intérêts.
Les auteurs reconnaissent le Département d’Informatique et d’Ingénierie du GITA Autonomous College, Bhubaneswar, Odisha, Inde, pour avoir fourni les installations informatiques nécessaires et le soutien à la recherche pour mener à bien ce travail. Les auteurs remercient également les développeurs des ensembles de données publics et des cadres d’apprentissage profond open source utilisés dans cette étude.
Access restricted. Please log in or start a trial to view this content.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| Jeu de données | Jeu de données sur les stades de feuilles de riz (PaddyNet4) | 560 images réparties sur 4 stades de croissance (Stade 2 et ndash ; 5) | |
| Jeu de données | Ensemble de données sur la maladie des feuilles de riz | 6920 images réparties dans 6 classes de maladies provenant de Kaggle | |
| Jeu de données | Jeu de données sur le traitement | Ensemble de données compilé avec les pratiques de gestion des maladies par stade de croissance | |
| Prétraitement | Redimensionnement de l’image | Images redimensionnées en 128x128x3 | |
| Prétraitement | Normalisation | Valeurs de pixels mises à l’échelle à [0,1] | |
| Prétraitement | Encodage d’étiquettes | Conversion des étiquettes catégoriques en numériques | |
| Augmentation | Rotation | Jusqu’à 30 degrés | |
| Augmentation | Décalage de largeur/hauteur | Jusqu’à 20 % | |
| Augmentation | Zoom | Jusqu’à 20 % | |
| Augmentation | Cisaillement & Flip | Cisaillement et retournement horizontal | |
| Modèle | CNN (Classification des Étages) | CNN léger avec 3 couches de conv | |
| Modèle | CNN (Classification des maladies) | CNN personnalisé avec conv + couches de pooling | |
| Modèle | VGG16 | Modèle d’apprentissage par transfert | |
| Modèle | ResNet50 | Modèle d’apprentissage par transfert | |
| Modèle | InceptionV3 | Modèle d’apprentissage par transfert | |
| Modèle | MobileNetV2 | Modèle d’apprentissage par transfert léger | |
| Technique | Apprentissage en ensemble | Vote par probabilité moyenne de 5 modèles | |
| Technique | Apprentissage par transfert | Utilisation de poids ImageNet préentraînés | |
| Technique | Régularisation du décrochage | Pour éviter le surajustement | |
| Formation | Optimiseur | Adam (taux d’apprentissage 0,001) | |
| Formation | Fonction de perte | Entropie croisée catégorique | |
| Formation | Taille du lot | 10 (modèle de stade), 32 (modèles de maladies) | |
| Formation | Époques | 10 (stade), 20 (maladie) | |
| Évaluation | Métriques | Précision, Précision, Rappel, F1-score | |
| Déploiement | Streamlit | Application web pour la prédiction en temps réel |
Request permission to reuse the text or figures of this JoVE article
Request Permission