Deep Learning for Plant Disease Detection and Classification on Field Images

Apprentissage profond pour la détection des maladies de plantes sur des images de terrain Plusieurs modèles d’apprentissage profond ont été proposées pour aider les agriculteurs à détecter le plus efficacement possible les maladies des cultures et éviter les pertes de rendement. Ces modèles sont généralement entrainés sur des bases de données, telles que PlantVillage, composées d'images de plantes prises dans des conditions de laboratoire avec des feuilles uniques et un arrière-plan uniforme. Un réseau de neurones entraîné sur une telle base de données a une très faible précision lorsqu'il est exécuté sur des images de terrain qui ont quant à elles des arrière-plans complexes et plusieurs feuilles par image. Dans cette thèse, nous proposons premièrement la base de données FieldPlant contenant 5 170 images de maladies des plantes collectées dans les plantations et annotées manuellement. Deuxièmement, nous proposons une combinaison de modèles pour identifier avec précision les maladies des plantes sur des images de terrain. Cette solution utilise le modèle de segmentation universel pour extraire efficacement tous les objets identifiables dans une image. Pour distinguer les objets d'arrière-plan identifiés et les objets feuilles, nous utilisons la Description de Données Entièrement Convolutives, un modèle de classification profond à une classe pour la détection d'anomalies. Notre modèle peut détecter plusieurs maladies apparaissant sur différentes feuilles dans la même image et améliore de 15% la précision de classification sur des bases de données publiques de maladies de plantes telles que PlantDoc.