Résumé:
La sécurité alimentaire est une préoccupation majeure à l'échelle mondiale, et
l'intelligence artificielle (IA) joue un rôle de plus en plus crucial dans ce domaine. Dans ce contexte, la reconnaissance automatique des maladies des plantes, telle que la détection des maladies de la tomate à partir d'images de feuilles, revêt une importance particulière pour prévenir les pertes de récolte et garantir une production alimentaire durable. Les méthodes de reconnaissance des maladies de la tomate basées sur l'apprentissage en profond ont montré des résultats prometteurs, mais elles sont confrontées à des défis majeurs. Elles nécessitent souvent de vastes ensembles de données étiquetées, ce qui peut être coûteux et fastidieux à obtenir.
De plus, ces modèles d'apprentissage en profondeur traditionnels consomment beaucoup de mémoire et de stockage en raison du grand nombre de paramètres qu'ils utilisent. Dans ce travaille un cadre léger basé sur un réseau siamois a été développé pour la reconnaissance automatique des maladies des feuilles de tomate. Ce cadre léger a atteint une précision remarquable sur un sous-ensemble de données de tomates provenant de l'ensemble de données Plant Village. Les résultats expérimentaux démontrent l'efficacité de ce cadre dans la gestion de données déséquilibrées et de petite taille. De plus, le réseau profond intégré à ce cadre se distingue par sa légèreté ce qui le rend bien inférieur aux réseaux profonds légers existants.
