Bien que les réseaux de neurones convolutifs (CNN) soient largement utilisés pour la détection des maladies des plantes, ils nécessitent un grand nombre d'échantillons d'entraînement lorsqu'ils sont confrontés à une grande variété dearrière-plans hétérogènes. Dans cette étude, une méthode en deux phases basée sur les CNN a été proposée, capable de fonctionner efficacement sur un petit ensemble de données de maladies du riz avec hétérogénéité. Dans la première phase, la méthode Faster R-CNN est appliquée pour isoler la partie significative (le grain de riz) de l'image. Cette phase initiale aboutit à un ensemble de données secondaire composé uniquement de grains de riz dépourvus d'arrière-plan hétérogène. La classification des maladies est ensuite effectuée sur ces échantillons simplifiés et dérivés à l'aide d'une architecture CNN. La comparaison de l'approche en deux phases avec l'application directe des CNN sur le petit ensemble de données montre l'efficacité de la méthode proposée, qui offre une précision de validation croisée à 5 plis de 88,07 %.