Résumé:
Les maladies des plantes représentent un défi important pour l'agriculture, car elles
affectent la santé des cultures et la sécurité alimentaire mondiale. Les méthodes traditionnelles de
détection des maladies, qui reposent sur l'inspection manuelle, sont sujettes aux erreurs et à
l'inefficacité. Cette thèse explore l'application de l'apprentissage profond (DL) dans la détection
des maladies des plantes, en se concentrant sur trois modèles: MobileNetV2, LightGBM et Vision
Transformer (ViT). Ces modèles sont choisis pour leur efficacité dans des environnements à
ressources limitées, tels que les appareils mobiles. L'étude évalue la précision, la vitesse et
l'efficacité de calcul des modèles dans ce domaine et met en œuvre une solution pratique utilisant
le cadre Streamlit pour un déploiement en temps réel. Les objectifs sont d'améliorer les capacités
de détection des maladies et de soutenir les pratiques agricoles durables.
