Journal de physiologie et pathologie végétales

Utilisation d'un réseau neuronal convolutionnel pour diagnostiquer les maladies courantes chez Oryza Sativa

Grace Zhang

Les maladies affectant les plants de riz sont devenues un obstacle majeur à la culture des cultures, entraînant la perte de 20 à 40 % des récoltes de riz chaque année. Cela a entraîné une dépendance accrue à l'égard d'autres cultures et une augmentation de l'insécurité alimentaire dans les pays en développement. En outre, de nombreux agriculteurs n'ont pas les connaissances et les ressources nécessaires pour limiter l'effet exacerbant des agents pathogènes sur les plants de riz. Une étape clé pour réduire cet effet est de fournir un diagnostic efficace et fiable. Au cours de la dernière décennie, les réseaux neuronaux convolutionnels (CNN) ont gagné en popularité en raison de leur succès dans la technologie de diagnostic. Le but de ce projet était de créer un modèle CNN efficace qui utilise la classification d'images pour diagnostiquer les images de plants de riz malades. Quatre classes ont été identifiées dans le cadre de l'expérience, notamment la pyriculariose du riz, la brûlure de la gaine et les maladies des taches brunes. Un ensemble de données de plants de riz sains a également été utilisé dans le CNN comme variable de contrôle. Plus de 3 000 images de plants de riz ont été formées dans le réseau neuronal, avec 499 images, soit environ 15 %, utilisées dans l'ensemble de données de test. Un taux de précision de 97,39 % a été atteint avec le meilleur modèle CNN sur l'ensemble de données de test. Ce projet est applicable dans les zones rurales pauvres, où l'accès aux technologies de diagnostic est limité, et il montre comment l'utilisation de l'apprentissage automatique est prometteuse dans le domaine de la phytopathologie.