Résumé:
Dans le secteur agricole, la détection précoce et le diagnostic précis des maladies
des cultures sont essentiels pour assurer la sécurité alimentaire et maximiser les
rendements. Cette thèse présente une solution intelligente visant à améliorer le
secteur agricole grâce à la détection des maladies des feuilles de blé. En tirant
parti des techniques avancées d'apprentissage profond, notamment des réseaux de
neurones convolutionnels (CNN), des architectures InceptionV3 et YOLOv8,
l'étude se concentre sur l'identification et la classification des maladies courantes
des feuilles de blé telles que la septoriose et la rouille jaune, ainsi que sur la
distinction des feuilles saines. Le flux de travail complet, de la collecte des
données et la prétraitement au l'entraînement et l'évaluation des modèles, est mis
en évidence. Les résultats démontrent des améliorations significatives de la
précision de la détection des maladies, offrant un outil prometteur pour les
agriculteurs et les agronomes. Cette solution intelligente a le potentiel de
révolutionner la culture du blé en fournissant une gestion des maladies précise et
en temps opportun, menant finalement à une productivité et une durabilité accrues
dans le secteur agricole.
