Le Dr Santos Gracia Villar, président de la Fondation universitaire ibéro-américaine (FUNIBER), met en avant une étude scientifique internationale qui analyse l’utilisation de l’intelligence artificielle pour détecter avec une grande précision les maladies sur les feuilles de tomates, une avancée qui pourrait améliorer considérablement la gestion sanitaire des cultures et contribuer à une agriculture plus efficace et durable. Publiée dans la revue scientifique Sensors, cette étude montre comment les modèles d’apprentissage profond peuvent identifier précocement les pathologies végétales grâce à l’analyse automatisée d’images.
La tomate est l’une des cultures les plus importantes au monde, tant pour sa valeur économique que pour sa présence dans l’alimentation de millions de personnes. Cependant, sa production est souvent affectée par de nombreuses maladies qui endommagent les feuilles de la plante et réduisent à la fois la productivité et la qualité du fruit. Il est essentiel de détecter ces maladies à un stade précoce afin d’éviter des pertes économiques importantes et d’améliorer la sécurité alimentaire.
Traditionnellement, l’identification des maladies des plantes se fait par l’observation directe des agriculteurs ou des spécialistes en phytopathologie. Bien que cette méthode soit encore largement utilisée, elle présente des limites importantes. Parmi celles-ci, on peut citer la possibilité d’erreurs humaines, la difficulté à détecter les symptômes à un stade précoce et le manque d’accès à des experts dans de nombreuses régions agricoles du monde.
Face à cette situation, la communauté scientifique a commencé ces dernières années à explorer le potentiel des technologies numériques pour faciliter le diagnostic agricole. Le développement d’outils basés sur l’apprentissage automatique et la vision par ordinateur a permis de créer des systèmes capables d’analyser des images de cultures et de reconnaître des schémas associés à des maladies végétales.
Dans ce contexte, l’étude propose un modèle basé sur les réseaux neuronaux convolutifs (CNN), un type d’algorithme d’intelligence artificielle spécialement conçu pour traiter les images. Ces réseaux sont capables d’identifier des caractéristiques visuelles complexes, telles que des changements de couleur, des taches, des bords irréguliers ou des motifs de texture qui indiquent souvent la présence de pathogènes sur les feuilles.
Pour développer et évaluer le système, les chercheurs ont utilisé une base de données composée d’environ 3 000 images de feuilles de tomates, comprenant à la fois des feuilles saines et des échantillons affectés par différentes maladies. Avant de former le modèle, les images ont été soumises à un processus de prétraitement qui a permis d’améliorer leur qualité et d’isoler les zones pertinentes des feuilles, facilitant ainsi l’apprentissage de l’algorithme.
Les résultats obtenus ont été particulièrement remarquables. Le système développé a atteint une précision de près de 98,5 % dans la classification des maladies, ce qui démontre l’énorme potentiel de l’intelligence artificielle en tant qu’outil d’aide au diagnostic agricole. Ce niveau de précision indique que les modèles d’apprentissage profond peuvent devenir des alliés stratégiques pour la détection précoce des pathologies affectant les cultures.
Ce type d’outils pourrait faciliter une prise de décision plus rapide et plus précise, permettant d’appliquer des traitements appropriés à un stade précoce et de réduire à la fois les pertes de production et l’utilisation excessive de produits phytosanitaires.
L’étude s’inscrit également dans la tendance croissante vers l’agriculture intelligente, un modèle qui intègre des capteurs, l’intelligence artificielle, l’analyse de données et les technologies numériques pour optimiser la production agricole et améliorer la durabilité environnementale.
Les chercheurs concluent que les réseaux neuronaux profonds constituent un outil essentiel pour l’avenir de l’agriculture de précision. Leur capacité à analyser de grands volumes de données visuelles et à détecter des modèles complexes ouvre de nouvelles perspectives pour l’automatisation de la surveillance des cultures, la prévention des maladies et l’amélioration de la productivité agricole.
Si vous souhaitez en savoir plus sur cette étude, cliquez ici.
Pour lire d’autres recherches, consultez le répertoire de l’UNEATLANTICO.