Un outil mobile pour détecter les maladies des plantes sur le terrain
En août, dans le village de Sing’isi près d’Arusha, au nord de la Tanzanie, une équipe a démontré l’utilisation d’une application mobile nommée KilimoAI pour analyser des feuilles de culture. L’objectif est simple et puissant : prendre une photo de la plante et laisser l’outil détecter des symptômes de maladie. Cet exemple montre comment une technologie accessible peut immédiatement aider des agriculteurs à repérer des problèmes sanitaires avant qu’ils ne deviennent critiques.
Une équipe locale au service de l’agriculture
Le projet est porté par le groupe Artificial Intelligence and Complexity Systems de la Nelson Mandela African Institution of Science and Technology à Arusha. Les chercheurs conçoivent et guident des projets d’IA appliquée à des défis concrets tels que l’agriculture, la conservation et le développement rural. Leur approche associe expertise scientifique et immersion sur le terrain pour que les solutions restent pertinentes pour les agriculteurs locaux.
Collecte massive de données : la base du système
Pour entraîner KilimoAI, l’équipe a collecté des milliers de photos de feuilles, à la fois saines et malades, directement dans les champs. Les cultures ciblées jusqu’à présent comprennent le maïs, les haricots (Phaseolus spp.), la banane et la pomme de terre. Cette collecte intensive garantit une diversité d’images — conditions de lumière, stades d’infection, variétés — essentielle pour la robustesse du modèle.
Vérification experte et annotation rigoureuse
Après la prise d’images, un processus de validation est réalisé avec des pathologistes végétaux du Tanzania Agricultural Research Institute à Arusha. Cette étape permet :
- de confirmer si une feuille est réellement malade ou saine ;
- d’identifier le type de maladie quand c’est possible ;
- d’annoter les images pour l’apprentissage supervisé.
Ces vérifications expertes transforment des photos brutes en un jeu de données fiable, indispensable pour obtenir des modèles d’IA précis.
Apprentissage automatique et évaluation de la performance
Les images vérifiées servent à entraîner des modèles de machine learning capables de distinguer feuilles saines et malades, et parfois de classifier l’affection exacte. Une partie des données est réservée pour les tests afin d’évaluer l’exactitude et la généralisation du modèle. Exemples pratiques :
- tests sur des photos prises par des agriculteurs pour mesurer la robustesse en conditions réelles ;
- comparaison des prédictions avec le diagnostic des pathologistes pour calculer la précision, le rappel et la spécificité.
Impact potentiel et perspectives pour les agriculteurs
Un tel outil peut transformer la gestion phytosanitaire à l’échelle locale : détection précoce, recommandations ciblées et réduction des pertes de récolte. Des scénarios d’usage concrets incluent :
- un agriculteur photographiant une feuille suspecte et recevant un diagnostic préliminaire en minutes ;
- programmes de surveillance régionale basés sur les signalements photo pour repérer des foyers épidémiques ;
- formation des agents de vulgarisation agricole à l’utilisation de l’application pour améliorer la couverture diagnostique.
En combinant collecte de terrain, expertise locale et modèles d’IA vérifiés, KilimoAI illustre comment la technologie peut être adaptée aux réalités agricoles africaines pour améliorer la résilience des cultures.
En savoir plus sur L'ABESTIT
Subscribe to get the latest posts sent to your email.
