Des chercheurs indiens dévoilent un système d’IA capable de détecter les maladies sur les feuilles de vigne

Des chercheurs en Inde ont présenté un nouveau système d’intelligence artificielle conçu pour identifier, à partir d’images, les maladies des feuilles de vigne, un outil qui, selon eux, pourrait aider les viticulteurs à détecter les problèmes plus tôt et à réagir avant que les dégâts ne se propagent dans les vignobles.

L’étude a été publiée lundi dans Scientific Reports. Elle décrit un modèle appelé HASFT-Net, acronyme de Deep High Attention Stage-by-Stage Forward Taylor Network, développé pour classer les maladies des feuilles de vigne à l’aide de l’analyse d’images et de plusieurs couches de traitement de vision par ordinateur.

Selon l’article, les maladies des feuilles de vigne peuvent être causées par différents agents pathogènes qui entraînent une décoloration ou des déformations des feuilles. Les auteurs indiquent que de nombreuses méthodes existantes ne détectent la maladie qu’après l’apparition de symptômes visibles, ce qui peut retarder le traitement et réduire les rendements. Leur objectif était d’améliorer les performances de classification en combinant nettoyage de l’image, segmentation des zones touchées et extraction de caractéristiques avant l’étape finale de prédiction de la maladie.

L’équipe de recherche comprenait Lalitha R du Rajalakshmi Institute of Technology à Chennai, Sivasangari Ayyappan du GMR Institute of Technology dans l’Andhra Pradesh, Saranya K du Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology à Chennai, et A. S. Malleswari de l’Aditya University dans l’Andhra Pradesh. La personne à contacter est Malleswari. L’article précise que les auteurs ont déclaré n’avoir aucun conflit d’intérêts.

Dans le système décrit par les chercheurs, les images de feuilles de vigne ont été extraites d’une base de données existante plutôt que collectées directement dans les vignobles pour cette étude. Les images ont d’abord été soumises à une étape de débruitage à l’aide de ce que l’article appelle un Attention-Guided Convolutional Neural Network, ou ADNet. Ensuite, les zones malades ont été segmentées avec un Spatial Pyramid-oriented Encoder-Decoder Cascade Convolutional Neural Network, identifié dans l’article sous le nom de SPEDCCNN, en utilisant une fonction de perte de Tversky. Le résultat segmenté a ensuite été affiné par une méthode appelée Siberian Tiger Optimization.

Le modèle a également extrait plusieurs caractéristiques visuelles des images de feuilles, notamment l’Opponent Color Local Binary Pattern, le Scale Invariant Feature Transform et des mesures de forme telles que la rectangularité, l’excentricité et la circularité. Ces données ont ensuite été utilisées par HASFT-Net pour la classification. Les auteurs ont indiqué que l’architecture avait été conçue pour combiner des éléments de NASNet, des méthodes de séries de Taylor et un Deep High-order Attention Neural Network.

Dans les résultats rapportés par l’article, HASFT-Net a atteint une précision de 92,172 % lorsqu’il a été entraîné avec 90 % des données d’apprentissage. L’étude fait également état d’un taux de vrais positifs de 92,883 %, d’un taux de vrais négatifs de 91,993 %, d’une précision de 90,887 % et d’un score F1 de 91,874 %.

Ces chiffres suggèrent que le modèle a bien fonctionné dans les conditions testées, même si l’article n’établit pas comment il se comporterait dans l’ensemble des environnements viticoles, des conditions d’éclairage ou des cépages en usage commercial. Comme le travail reposait sur une base de données d’images, une validation supplémentaire en conditions de terrain serait probablement nécessaire avant que les viticulteurs puissent s’y fier comme à un outil de gestion courant.

Cela compte pour le secteur des boissons, car le raisin est la matière première de la production de vin et la pression des maladies peut affecter à la fois le rendement et la qualité du fruit. Si des systèmes comme celui-ci s’avèrent fiables en dehors de tests de type laboratoire, ils pourraient soutenir une gestion plus précise des vignobles, aider les viticulteurs à intervenir plus tôt et potentiellement réduire les pertes de récolte. Une détection plus précoce pourrait aussi améliorer les décisions sur le moment et l’endroit où appliquer les traitements phytosanitaires, une question qui a des implications directes en matière de coûts et de durabilité dans la viticulture.

L’article a été reçu le 2 avril, accepté le 6 juillet et publié le 27 juillet. Il est disponible en accès libre sous licence Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International.

L’étude s’ajoute à un corpus croissant de travaux appliquant l’apprentissage automatique à l’agriculture, en particulier au suivi de la santé des cultures par reconnaissance d’images. En viticulture, cette tendance suscite de l’intérêt car les foyers de maladie peuvent se propager rapidement et parce que l’inspection visuelle sur de vastes surfaces viticoles demande beaucoup de main-d’œuvre. Un système capable de signaler des feuilles suspectes à partir de photographies pourrait à terme être utilisé avec des drones, des téléphones mobiles ou des caméras fixes, même si ces applications n’ont pas été testées dans cet article.

Pour les exploitants viticoles et les producteurs de vin, la question pratique n’est pas seulement de savoir si un algorithme peut classer des feuilles malades dans un cadre de recherche, mais s’il peut le faire assez tôt et de manière suffisamment constante pour modifier les décisions sur le terrain. Cette étude ne répond pas à elle seule à cette question opérationnelle plus large, mais elle offre un nouvel exemple de la manière dont les outils d’IA sont développés autour de l’un des défis les plus persistants de la viticulture : repérer la maladie avant qu’elle ne réduise le volume de récolte ou la qualité du raisin.