Nutrispace : un nouvel espace colorimétrique pour améliorer la détection précoce des déficiences nutritionnelles chez les cucurbitacées basée sur l'apprentissage profond

La détection précoce des déficiences nutritionnelles chez les plantes, suivie de mesures correctives rapides, est essentielle pour préserver le rendement des cultures et la qualité des produits. Toutefois, l’identification de ces signes précoces sur les feuilles végétales reste souvent difficile, même avec des outils diagnostiques assistés par ordinateur, en raison de leur subtilité. À cette fin, cette étude présente Nutrispace, un nouvel espace colorimétrique conçu pour améliorer la reconnaissance par apprentissage profond des stress nutritionnels en mettant en évidence les signes précoces de déficience nutritionnelle dans les images de feuilles. Dans cette recherche, nous avons évalué l’efficacité de Nutrispace en comparant ses performances aux espaces RGB, HSV et CIELAB, en utilisant trois classifieurs légers : EfficientNetB0, MobileNetV2 et DenseNet121. Pour mieux comprendre la portée effective de Nutrispace, nous avons testé ces classifieurs avec quatre tailles d’images d’entrée : 32 × 32, 64 × 64, 128 × 128 et 256 × 256. Notre jeu de données de test comprenait des images de feuilles de courge à cendres (Benincasa hispida), de courge amère (Momordica charantia) et de courge serpent (Trichosanthes cucumerina), présentant des déficiences précoces en azote ou en potassium, ainsi que des témoins sains. Nos résultats montrent que Nutrispace a amélioré de manière constante la précision dans l’ensemble des 12 cas testés, avec des gains allant de 1 % à plus de 8 % par rapport à l’espace RGB. L’amélioration des performances était particulièrement marquée dans les cas à haute résolution, où Nutrispace a atteint une précision maximale de 90,62 % sur des images de taille 256 × 256. Globalement, Nutrispace s’est révélé efficace, indépendamment de la structure du classifieur et de la taille d’entrée des images.