Classification fiable des maladies des feuilles de plantes par apprentissage profond basée sur des branches séparées par luminosité et chromatisme

L’Organisation des Nations unies pour l'alimentation et l'agriculture (FAO) a estimé que les maladies des plantes ont coûté 220 milliards de dollars à l’économie mondiale en 2019. Dans cet article, nous proposons un réseau de neurones convolutifs profonds (DCNN) léger pour la classification automatique et fiable des maladies des feuilles végétales. La méthode proposée commence par convertir les images d’entrée des feuilles de plantes du modèle RGB au système de coordonnées CIE LAB. Ensuite, les canaux L et AB sont acheminés vers deux branches distinctes, auxquelles sont adjoints les trois premières couches d’une architecture Inception V3 modifiée. Cette approche permet de réduire de 1/3 à 1/2 le nombre de paramètres dans les branches séparées. Elle améliore également la fiabilité de la classification lorsqu’on perturbe les images RGB d’origine avec divers types de bruit (bruit de sel et poivre, flou, flou de mouvement et occlusions). Ces types de perturbations simulent les variations courantes observées dans les images prises dans l’environnement naturel. Nous supposons que les filtres de la branche AB offrent une meilleure résistance à ces variabilités, en raison de leur fréquence relativement faible dans le domaine de l’espace image.