ViTaL : Un cadre avancé pour l’identification automatisée des maladies des plantes à partir d’images foliaires utilisant des Vision Transformers et une projection linéaire pour la réduction de caractéristiques

Notre article présente un cadre robuste pour l’identification automatisée des maladies à partir d’images de feuilles végétales. Ce cadre intègre plusieurs étapes clés visant à améliorer la précision de la reconnaissance des maladies. Pendant la phase de prétraitement, une technique de redimensionnement par miniatures est utilisée pour ajuster la taille des images, minimisant ainsi la perte de détails critiques tout en assurant une efficacité computationnelle optimale. Des procédures de normalisation sont appliquées afin de standardiser les données d’image avant l’extraction des caractéristiques. L’extraction des caractéristiques est facilitée par un cadre novateur fondé sur les Vision Transformers, une approche de pointe dans l’analyse d’images. Par ailleurs, des versions alternatives du cadre intégrant une couche de projection linéaire ainsi que des projections linéaires par blocs sont explorées. Cette analyse comparative permet d’évaluer l’impact de la projection linéaire sur l’extraction des caractéristiques et sur les performances globales du modèle. Pour évaluer l’efficacité du cadre proposé, diverses architectures de réseaux de neurones convolutifs (CNN) sont utilisées, permettant une évaluation approfondie de l’influence de la projection linéaire sur les principaux indicateurs de performance. Les résultats démontrent l’efficacité du cadre proposé, le modèle de meilleure performance atteignant une perte de Hamming de 0,054. En outre, nous proposons une nouvelle conception matérielle spécifiquement adaptée au balayage omnidirectionnel des feuilles malades. L’implémentation matérielle repose sur un Raspberry Pi Compute Module, permettant de répondre aux contraintes de mémoire limitée, garantissant ainsi praticabilité et abordabilité. Cette solution matérielle innovante renforce la faisabilité et l’accessibilité globale du système automatisé de détection des maladies proposé. Cette recherche contribue au domaine de l’agriculture en offrant des perspectives et des outils précieux pour la détection précoce et la gestion des maladies des plantes, pouvant potentiellement conduire à une augmentation des rendements agricoles et à une amélioration de la sécurité alimentaire.