Plant disease detection and treatment system using deep learning: towards an application of robotics

Abstract

Compte tenu de l'importance de l'agriculture mondiale, et particulièrement en Algérie où la culture de la pomme de terre représente une activité agricole majeure, les maladies des plantes demeurent un problème majeur pour les agriculteurs, notamment le mildiou. Cette maladie se propage rapidement et peut entraîner des pertes dévastatrices. Face à cette menace, de nombreux agriculteurs continuent de recourir à des pratiques traditionnelles telles que la pulvérisation chimique hebdomadaire. Bien que largement utilisée, cette méthode est inefficace et potentiellement dangereuse, car elle entraîne une utilisation excessive de produits chimiques, augmente les coûts, nuit à l'environnement et met en danger la santé des cultures et des agriculteurs. Dans ce travail, nous proposons un système intelligent d'aide à la décision pour la gestion et la prévention des maladies des cultures, notamment du mildiou, dans les cultures de pomme de terre. Ce système intègre un modèle de détection visuelle par apprentissage profond basé sur YOLOv8 pour identifier précocement les maladies, qu'il combine à un système de prévision météorologique en temps réel pour anticiper les conditions propices à leur apparition. Il intègre également un moteur de recommandation capable de proposer et de planifier des actions de pulvérisation en fonction d'analyses prédictives et de conditions environnementales optimales. Le système est déployé sur une plateforme robotisée physique à empattement réglable et équipée d'un mécanisme de pulvérisation de précision. Grâce à une interface web intuitive, toutes ces fonctionnalités sont combinées via ROS 2 et la communication WebSocket, permettant aux agriculteurs de surveiller l'état de santé de leurs cultures, de recevoir des alertes, d'évaluer les niveaux de risque et de contrôler les opérations de pulvérisation à distance. Les résultats de l'évaluation ont démontré la robustesse du modèle YOLOv8n, avec un mAP@0,5 global de 0,895 et une précision de 0,894 pour la détection du mildiou sur les données de validation, confirmant sa fiabilité pour l'identification des maladies sur le terrain. Grâce à des outils d'analyse basés sur les données et à des fonctions d'automatisation, ce système permet aux agriculteurs de prendre des décisions plus éclairées et de réduire considérablement les pulvérisations inutiles. L'objectif ultime est d'améliorer la durabilité agricole en minimisant l'utilisation de produits chimiques tout en garantissant une lutte efficace contre les maladies.