Faire avancer la détection des maladies du riz en Égypte

Le riz est une source alimentaire vitale en Égypte et fait partie intégrante du régime alimentaire de beaucoup de gens. Malgré le fait que l'Égypte soit le plus grand producteur de riz en Afrique, elle importe encore du riz pour répondre à la demande locale à cause des pertes de production. Une des raisons majeures de ces pertes, c'est les maladies du riz, surtout la maladie du blast du riz, qui peut entraîner une réduction de 30 % de la production mondiale de riz. La détection précoce de ces maladies est cruciale pour éviter d'autres pertes. Cet article parle du développement d'une nouvelle méthode utilisant l'imagerie avancée et le deep learning pour détecter les maladies des plants de riz.

#Importance du Riz en Égypte

Le riz joue un rôle essentiel dans l'agriculture égyptienne. Le pays cultive environ 600 000 hectares de riz, ce qui représente environ 22 % de la surface agricole totale en été. S'attaquer aux facteurs qui causent des pertes de production de riz est essentiel pour réduire l'écart entre l'offre et la demande. Les maladies du riz sont une cause majeure de ces pertes, et la maladie du blast du riz est particulièrement problématique.

#Défis de la Détection Précoce

Détecter les maladies du riz tôt peut être compliqué. Parfois, des agents d'extension agricole peu expérimentés peuvent confondre la maladie du blast du riz avec la maladie des taches brunes, car les deux se ressemblent au début. Ça peut mener à des traitements incorrects. Avec le manque d'agents d'extension expérimentés en Égypte, il y a une nécessité croissante d'utiliser des technologies modernes comme l'imagerie et l'intelligence artificielle pour améliorer le diagnostic des maladies.

#Rôle de l'Imagerie multispectrale

L'imagerie multispectrale est un outil puissant en agriculture. Elle capture des images dans différentes longueurs d'onde de lumière qui ne sont pas visibles à l'œil nu. Ces images peuvent fournir des infos précieuses sur la santé des cultures. En combinant l'imagerie multispectrale avec le deep learning, les chercheurs peuvent améliorer leur capacité à identifier et diagnostiquer les maladies des plants de riz. Cependant, pour y arriver, il faut collecter un grand nombre d'images multispectrales.

#Solution Proposée

Pour résoudre ces problèmes, un nouveau jeu de données d'images multispectrales et RGB a été créé, ainsi qu'un pipeline de deep learning pour détecter les maladies des plants de riz. Le jeu de données comprend 3 815 paires d'images montrant trois conditions : le blast du riz, les taches brunes et des feuilles saines. La combinaison d'images multispectrales et RGB peut mener à une plus grande précision dans la détection des maladies.

#Collecte de Données

Le jeu de données a été collecté avec une caméra MAPIR Survey3N, qui capture des images multispectrales dans les longueurs d'onde rouge, verte et proche infrarouge. Une caméra de smartphone a aussi été utilisée pour prendre des Images RGB. Pour faciliter la collecte de données, un support spécialement conçu a été créé combinant les deux caméras et une batterie externe.

Une application Android a été développée pour aider les travailleurs agricoles à capturer des images et gérer leurs données. Cette appli permet aux utilisateurs de prendre des photos, de les étiqueter et de gérer les sessions, tout en synchronisant les infos avec une base de données.

#Modèle de Deep Learning

Le modèle de deep learning développé pour ce projet est basé sur l'architecture ResNet18, qui aide à résoudre le problème du gradient qui disparaît souvent dans l'entraînement des réseaux de neurones. Le modèle prend des données multispectrales et des images RGB en entrée, les traite à travers plusieurs couches et sort des classifications de maladies.

#Préparation des Données

Avant d'entraîner le modèle, les données collectées ont subi plusieurs étapes de préparation. Cela a inclus l'enregistrement des images RGB pour les aligner avec précision sur les images multispectrales. Les deux caméras ayant des champs de vision différents, les images ont dû être soigneusement alignées. La calibration de la caméra multispectrale a aussi été effectuée pour garantir l'exactitude des images.

#Entraînement du Modèle

Le processus d'entraînement a impliqué l'utilisation du jeu de données collecté pendant 50 époques, avec une taille de lot de 16. Un optimiseur a été utilisé pour ajuster l'apprentissage du modèle en fonction des fonctions de perte. L'entraînement a inclus la création d'un index spécifique combinant les données multispectrales et RGB. Cela a conduit à une meilleure précision dans l'identification des maladies des plants de riz.

#Résultats de l'Expérience

Après l'entraînement du modèle, les résultats ont montré que l'utilisation de la combinaison d'images RGB et de l'index nouvellement créé a amélioré la précision du modèle de 1 % par rapport à l'utilisation uniquement des images RGB. Le modèle a atteint un score de 84,9 % de précision F1 avec l'entrée combinée par rapport à 83,9 % avec juste les images RGB.

#Conclusion

Ce travail introduit un nouveau jeu de données et un pipeline de deep learning visant à détecter les maladies des plants de riz. En intégrant l'imagerie multispectrale avec des données RGB, les chercheurs peuvent améliorer l'identification des maladies des cultures. De futures améliorations pourraient venir de la collecte d'images supplémentaires et de l'essai de différentes méthodes de traitement des données. Cette approche offre une solution prometteuse pour aider à protéger la production de riz en Égypte en permettant une détection des maladies plus rapide et plus précise.