YOLO-AgriNet: A Deep Learning-Based Model for Real-Time Plant Disease Detection in Precision Agriculture
Co-auteur · 2025
Journal of Computer and Communications, Vol.13 No.8
Modèle de détection de maladies des plantes en temps réel (YOLOv8 étendu avec CBAM et ASPP), optimisé pour l'agriculture de précision en conditions tropicales à ressources limitées. 84,5% de mAP@0.5, 45 images/seconde, déployable sur smartphone.
Détails
- Problème : la détection visuelle des maladies des plantes par les agriculteurs est subjective et peu précise (ex. seulement 40% de précision pour le flétrissement fusarien), notamment en zones tropicales à ressources limitées comme le Cameroun.
- Modèle proposé : YOLO-AgriNet, une extension de YOLOv8 intégrant des modules d'attention (CBAM), un module de contexte multi-échelle (Atrous Spatial Pyramid Pooling) et une couche supplémentaire (Stage Layer 5) pour mieux détecter les symptômes précoces et de petite taille.
- Données : jeu de données public PlantDoc (2 569 images, 13 espèces, 8 851 instances annotées, 30 catégories de maladies) complété par 200 images collectées localement au Cameroun.
- Résultats globaux : mAP@0.5 de 84,5% (contre 65,2% pour YOLOv8), 45 images/seconde en temps réel, rappel 78,8%, F1-score 83,1%.
- Petits objets (symptômes précoces) : +24,6% de mAP@0.5 par rapport à YOLOv8, et 46,7% de faux positifs en moins.
- Déployable sur matériel bas coût : 32 images/seconde sur smartphone Android, empreinte mémoire sous 500 Mo, réduction de 60% des coûts opérationnels par rapport à des solutions cloud.