PlantVillage, une application qui détecte les maladies des plantes
Des agriculteurs en Afrique © PlantVillage
Des scientifiques de l'EPFL et de Penn State ont entraîné un algorithme d'apprentissage informatique à identifier les maladies des cultures avec une précision extrêmement élevée. L'algorithme sera incorporé dans une application pour smartphone, afin d'aider les agriculteurs à prévenir de futures pénuries alimentaires.
Les maladies des cultures, qui menacent la sécurité alimentaire mondiale, peuvent être combattues avec l'aide de systèmes d'intelligence artificielle. Des scientifiques de l'EPFL et de la Penn State University ont entraîné un réseau neural à forte capacité d'apprentissage, qui lui permet de diagnostiquer avec précision des maladies des cultures en «voyant» et en analysant des photographies ordinaires de plantes individuelles. L'algorithme, qui fait partie du projet “PlantVillage”, constitue la première preuve de faisabilité en matière de détection de maladies via des photos issues de smartphones, et qui sera utilisée pour développer une application pour les agriculteurs. Ce travail a été publiée dans Frontiers in Plant Science.
La croissance sans précédent de la population mondiale signifie que les pénuries alimentaires et la pression sur les écosystèmes deviendront des problèmes globaux dans les prochaines décennies. PlantVillage, un projet qui utilise des algorithmes pour apprendre aux ordinateurs à diagnostiquer des maladies des cultures, est la création de Marcel Salathé à l'EPFL et de David Hughes à la Penn State University. Le développement de l'algorithme lui-même est assuré par l'informaticien Sharada P. Mohanty, doctorant au Laboratory of Digital Epidemiology de Salathé.
Le projet bénéficie des progrès accomplis dans le domaine de l'«apprentissage en profondeur» (deep learning) dans les années récentes. L'apprentissage en profondeur est un type d'apprentissage pour machines qui utilise des algorithmes pour trouver des modèles de grands paquets de données – dans ce cas précis, plus de 50'000 photos numériques de plantes malades, librement accessibles auprès de PlantVillage. Au moyen d'un réseau neural informatique, le systèmes traite les photos à travers des couches multiples de neurones artificiels, et graduellement «apprend» à identifier différentes maladies, avec un degré de certitude élevé.
L'objectif est de mettre cet outil entre les mains des agriculteurs, des agronomes et des jardiniers de tous les jours, sous la forme d'une application pour smartphone. «Les gens pourront prendre une photo de leur plante malade avec l'application, et obtenir un diagnostic en quelques secondes», dit Salathé.
Afin de permettre à quiconque dans le monde de développer de tels algorithmes, les scientifiques ont rendu leur base de données de plus de 50'000 photos accessible librement en 2015. Le présent article montre leur algorithme d'apprentissage en profondeur à l'œuvre: les chercheurs ont associé chacune des 54'306 photos de plantes malades ou en bonne santé à l'une des 38 classes de paires de maladies des plantes (par exemple, plant de tomate – brûlure hâtive de la tomate, pommier – tavelure de la pomme, etc.)
Ils ont entraîné leur «réseau neural profondément évolutif» à identifier des plantes et des maladies (ou l'absence de celles-ci pour les plantes en bonne santé), et ils ont mesuré avec quelle précision il pouvait associer chaque image à la bonne classe. Au total, en travaillant avec 14 espèces de plantes et 26 maladies, le système a pu identifier des maladies sur des images qu'il n'avait jamais vues auparavant avec une précision de 99,35%.
La construction de l'algorithme et l'entraînement du modèle exigent une puissance de calcul considérable et beaucoup de temps, mais une fois celui-ci rodé, le travail de classification lui-même est très rapide, et le code qui en résulte est suffisamment réduit pour être facilement installé sur un smartphone. «Cela représente une ouverture claire vers un diagnostic de maladies des plantes assisté par smartphone sur une échelle globale massive», dit l'auteur principal Sharada Mohanty.
Cependant, ces photographies ont été prises dans des conditions d'éclairage, de couleur, etc. contrôlées, ce qui ne correspond pas toujours à des instantanés pris dans un champ. Pour remédier à cela, l'équipe a entrepris d'étendre la banque de données d'images à environ 150'000, de manière à améliorer la capacité du système à identifier les maladies. De plus, ils prévoient aussi d'étendre la masse de données que le réseau utilisera pour faire des diagnostics précis.
«A ce stade, nous nous appuyons sur une photo prise par une utilisateur dans un champ, dans des conditions naturelles», explique Salathé. «Mais dans le futur, nous aimerions introduire le temps, le lieu, les tendances épidémiologiques, les conditions météorologiques et d'autres signaux pour alimenter le réseau, ce qui améliorerait largement ses capacités». Bien que ce système vise à compléter plutôt qu'à remplacer des méthodes de diagnostic existantes, le fait qu'il y aura plus de 5 milliards de smartphones dans le monde en 2020 sera un immense avantage.
«Nous croyons que cette approche constitue une méthode additionnelle valable pour prévenir des pertes de récoltes», dit David Hugues. «Comme le nombre et la qualité des capteurs dans les appareils mobiles est en constante amélioration, nous considérons comme vraisemblable que des diagnostics extrêmement précis via le smartphone ne sont qu'une question de temps.»
Ce travail a été financé par l'EPFL et la Penn State University.
Référence
Mohanty SP, Hughes DP, Salathé M. Using Deep Learning for Image-Based Plant Disease Detection. Frontiers in Plant Science 7:1419, 22 September 2016. DOI: 10.3389/fpls.2016.01419