Aller au contenu

IA et diagnostic des maladies par photo

De Wiki Alseno
Encadré pratique
Niveau Débutant (Teachable Machine) à intermédiaire (Python)
Matériel Un téléphone avec appareil photo, un ordinateur
Coût 0 F pour les outils ; du temps pour photographier

Le diagnostic par photo consiste à demander à un programme de reconnaître, sur l'image d'une feuille ou d'un fruit, une maladie, une carence ou un ravageur. C'est une tâche de classification d'images : le programme reçoit une photo et répond par une étiquette (« mildiou », « feuille saine »…) avec un score de confiance.

Le principe[modifier | modifier le wikicode]

Un réseau de neurones convolutif apprend sur des milliers de photos déjà étiquetées par des experts. Il découvre seul les motifs utiles (taches, bords jaunes, trous) puis les reconnaît sur de nouvelles photos. Plus les exemples sont variés (lumière, fond, stade de la plante), mieux il généralise. Pour les contenus agronomiques (symptômes, causes, traitements), voir Maladies fongiques du maraîchage et des vergers et Thrips, pucerons, mouches et cochenilles.

Jeux de données publics[modifier | modifier le wikicode]

  • PlantVillage : environ 54 000 photos de feuilles de 14 espèces cultivées avec 26 maladies, prises sur fond uni en conditions contrôlées[1]. Accessible sur GitHub et dans le catalogue de TensorFlow Datasets.
  • Le site du projet PlantVillage (université d'État de Pennsylvanie) présente aussi des outils de diagnostic.

Attention : ces photos sont faites sur fond uni. Les auteurs d'une étude de référence ont montré qu'un modèle excellent sur ces photos perd beaucoup de précision sur des images prises dans d'autres conditions[2].

Applications existantes (gratuites ou presque)[modifier | modifier le wikicode]

  • Pl@ntNet : identifie des plantes à partir de photos (utile pour nommer une adventice ; ce n'est pas un outil de diagnostic de maladies).
  • Plantix : application de diagnostic des cultures pour agriculteurs ; vérifiez les cultures et les pays couverts avant usage.

Ces applications ne remplacent pas un technicien : traitez leur réponse comme un avis, pas comme un diagnostic.

Limites à connaître[modifier | modifier le wikicode]

  • Lumière et fond : une photo prise en plein soleil ou sur un fond de terre diffère de la photo de laboratoire.
  • Variétés locales : les maladies s'expriment différemment selon la variété et le climat sahélien ; un modèle étranger peut se tromper.
  • Symptômes ressemblants : manque d'eau, excès de sel, carence et maladie peuvent donner des taches proches.
  • Classes absentes : un modèle ne connaît que ce qu'on lui a montré ; devant une maladie inconnue, il choisira quand même une étiquette.
  • Stade précoce : les premiers symptômes sont discrets et mal représentés dans les jeux de données.

Pas à pas 1 : un classifieur sans code (Teachable Machine)[modifier | modifier le wikicode]

  1. Ouvrez Teachable Machine et choisissez « Projet d'images ».
  2. Créez une classe par catégorie : « saine », « maladie A », « maladie B ». Visez au moins 50 à 100 photos par classe, prises à des heures et sous des angles variés.
  3. Sur chaque photo, la feuille doit être nette et occuper l'essentiel de l'image.
  4. Cliquez sur « Entraîner le modèle » ; testez avec des photos qui ne sont pas dans l'entraînement.
  5. Exportez le modèle (TensorFlow.js ou TensorFlow Lite) pour l'utiliser dans une page web ou sur un téléphone.

Ce montage sert à comprendre ; pour un usage sérieux, passez au pas à pas 2.

Pas à pas 2 : un petit réseau avec Python[modifier | modifier le wikicode]

Principe : on part d'un réseau déjà entraîné sur des millions d'images (apprentissage par transfert) et on n'entraîne que sa dernière couche. Les photos sont rangées dans un dossier par classe : photos/saine/, photos/maladie_a/…

# Exemple générique et commenté : classifier des photos de feuilles avec un réseau léger (MobileNetV2).
# Prérequis : pip install tensorflow  (voir la documentation officielle pour votre système)
import tensorflow as tf

TAILLE = (160, 160)   # taille des images en entrée du réseau
LOT = 16              # nombre d'images traitées à la fois

# 1. Charger les photos : 80 % pour apprendre, 20 % pour valider (le dossier fournit les étiquettes)
apprentissage = tf.keras.utils.image_dataset_from_directory(
    "photos", validation_split=0.2, subset="training", seed=42,
    image_size=TAILLE, batch_size=LOT)
validation = tf.keras.utils.image_dataset_from_directory(
    "photos", validation_split=0.2, subset="validation", seed=42,
    image_size=TAILLE, batch_size=LOT)
classes = apprentissage.class_names   # ex. ["maladie_a", "saine"]

# 2. Réseau de base déjà entraîné, gelé (on ne modifie pas ses poids)
base = tf.keras.applications.MobileNetV2(input_shape=TAILLE + (3,), include_top=False, weights="imagenet")
base.trainable = False

# 3. Notre couche finale : une sortie par classe
modele = tf.keras.Sequential([
    tf.keras.layers.Rescaling(1 / 127.5, offset=-1),   # met les pixels entre -1 et 1, comme attendu par MobileNetV2
    tf.keras.layers.RandomFlip("horizontal"),          # variantes artificielles pour limiter le surapprentissage
    tf.keras.layers.RandomRotation(0.1),
    base,
    tf.keras.layers.GlobalAveragePooling2D(),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(len(classes), activation="softmax"),
])
modele.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])

# 4. Entraîner quelques tours (époques), puis regarder la précision sur la validation
modele.fit(apprentissage, validation_data=validation, epochs=5)

# 5. Enregistrer pour l'utiliser plus tard (ou le convertir pour un téléphone)
modele.save("diagnostic_feuilles.keras")

Pour juger le résultat, regardez la précision sur la validation et faites le test le plus important : photographiez des feuilles dans votre parcelle, un jour différent, et comptez les erreurs. Si la précision sur la validation est de 98 % mais que le test au champ est mauvais, le modèle a appris les photos, pas la maladie (surapprentissage, voir Glossaire IA). La documentation de LiteRT (TensorFlow Lite) explique comment convertir le modèle pour un téléphone.

Bonnes pratiques de collecte[modifier | modifier le wikicode]

  • Photographiez à plusieurs moments de la journée et sous plusieurs lumières ; incluez les feuilles saines.
  • Faites étiqueter les photos par un technicien ou un producteur expérimenté ; notez la date et la parcelle (dans vos fichiers, jamais dans une page publique).
  • Conservez un lot de photos de test que le modèle ne voit jamais.

Voir aussi[modifier | modifier le wikicode]

Illustration : Maladies fongiques
Symptômes et traitements.
Illustration : IA embarquée
Un modèle sur une carte.
Illustration : Glossaire IA
Surapprentissage, précision…
Illustration : Retour au portail
Toutes les pages IA.

Notes et références[modifier | modifier le wikicode]