L'IA et les données adaptatives portent la détection des maladies du bétel à 98 % de précision au Bangladesh

Le bétel est un pilier essentiel de la médecine traditionnelle et des moyens de subsistance ruraux en Asie du Sud et du Sud-Est. Cette culture cruciale fait face à des menaces persistantes. Des maladies récurrentes comme la pourriture et la tache foliaire attaquent les plants. Ces pathogènes provoquent d'importantes pertes de rendement. Ils causent aussi des dégâts économiques majeurs. Les petits exploitants au Bangladesh sont particulièrement touchés. L'apprentissage profond offre une voie prometteuse pour la détection automatisée. Mais son application pratique se heurte à des obstacles. Le manque de données d'entraînement et les déséquilibres entre les classes compliquent les choses.

Les méthodes manuelles traditionnelles restent lourdes et subjectives. La dépendance à l'observation humaine entraîne souvent des diagnostics tardifs. Elle conduit aussi à une application incohérente des pesticides. Les tentatives précédentes avec le deep learning ont échoué sur de petits jeux de données. Les modèles antérieurs utilisaient des techniques d'augmentation fixes. Elles ne s'adaptaient pas aux performances du modèle pendant l'entraînement. Cette nouvelle approche transforme le choix de la politique d'augmentation en problème de bandit multi-bras. Un contrôleur UCB sélectionne dynamiquement entre différentes amplitudes RandAugment et activations Mixup. Il se base sur les résultats de validation. Cette stratégie équilibre exploration et exploitation. Elle identifie ainsi la stratégie de transformation de données la plus efficace.

L'étude utilise un protocole d'évaluation strict. Seules les images originales servent au partitionnement du jeu de données. Cette méthode empêche les fuites de données qui gonfleraient artificiellement les métriques. Le backbone ConvNeXt-Tiny a été choisi pour son efficacité et sa précision. Il a été testé contre d'autres modèles comme ResNet, DenseNet et EfficientNet. Les résultats montrent que ConvNeXt-Tiny couplé à une augmentation guidée par UCB à 12 bras atteint 98,04 % de précision. Le score macro-F1 s'élève à 97,87 %. Ces performances surpassent nettement les méthodes d'augmentation fixes et les autres backbones.

La recherche a également démontré sa robustesse face à un déséquilibre croissant des classes. Le modèle maintient des performances élevées même lorsque les échantillons de la classe minoritaire diminuent. En intégrant des techniques d'IA explicable comme Grad-CAM, le modèle fournit des preuves visuelles. Il montre qu'il se concentre sur les caractéristiques pertinentes de la feuille plutôt que sur les artefacts de fond. Ce cadre améliore la précision diagnostique. Il offre une solution évolutive et efficace pour les environnements agricoles aux ressources limitées. Il ouvre la voie à des pratiques agricoles plus intelligentes et résilientes grâce à l'intelligence artificielle avancée.