Un modèle hybride léger CNN et transformeur pour la classification des maladies foliaires médicinales avec IA explicable

Pourquoi des soins végétaux plus intelligents sont importants

Beaucoup des herbes utilisées dans les remèdes traditionnels et les médicaments modernes — comme le tulsi (basilic sacré), le neem et la patharkuchi — dépendent de feuilles saines pour produire leurs composés thérapeutiques. Quand des maladies attaquent ces feuilles, les plantes perdent à la fois rendement et puissance médicinale. L’article présente un système d’intelligence artificielle (IA) compact capable d’identifier différentes maladies foliaires à partir de photos avec une grande précision. Conçu pour fonctionner sur des appareils peu coûteux et pour montrer clairement ce qu’il « regarde », ce procédé pourrait aider les agriculteurs et jardiniers à protéger en temps réel des plantes médicinales précieuses.

Menaces cachées sur des feuilles familières

L’étude se concentre sur trois plantes médicinales largement utilisées : Kalanchoe pinnata (patharkuchi), Azadirachta indica (neem) et Ocimum tenuiflorum (tulsi). Ces plantes offrent des propriétés antibactériennes, anti‑inflammatoires et même anticancéreuses, pourtant leurs feuilles sont vulnérables aux toiles fongiques, au jaunissement lié au stress et à diverses maladies par taches. Le diagnostic traditionnel repose sur l’œil d’un expert sur le terrain ou sur des analyses de laboratoire longues et lourdement équipées, ce qui rend difficile la détection précoce ou à grande échelle. Étant donné que la santé des plantes est liée à la santé publique et aux économies locales, il existe un fort besoin d’outils automatiques, précis et compréhensibles capables de signaler rapidement une maladie à partir de simples images.

Construire un œil intelligent pour les feuilles malades

Pour relever ce défi, les auteurs ont créé un nouveau modèle nommé LSeTNet, un hybride léger de deux approches d’IA populaires pour l’imagerie : les réseaux convolutionnels, efficaces pour repérer les textures fines et les contours, et les blocs transformeurs, qui excellent à saisir les motifs à longue portée dans une image. Le système a d’abord appris à partir d’un jeu d’images soigneusement collecté appelé MedicinalLeaf‑12, contenant 12 classes couvrant les versions saines et malades des trois plantes. Les photos ont été prises en conditions réelles sur le terrain avec des éclairages, angles et arrières‑plans variés, puis nettoyées et améliorées pour que les taches de maladie et les nervures des feuilles ressortent plus clairement. L’équipe a aussi utilisé une augmentation d’images étendue — rotations, zooms, variations de luminosité, etc. — pour imiter la diversité désordonnée observée dans les exploitations tout en maintenant l’équilibre du jeu de données.

Comment le modèle « pense » les feuilles

LSeTNet traite chaque photo de feuille par étapes. Des couches convolutionnelles légères captent des indices locaux tels que les petites taches, les toiles et la netteté des bords. Des modules « squeeze‑and‑excitation » réattribuent ensuite ces indices, amplifiant discrètement les canaux qui véhiculent des signaux liés à la maladie et réduisant ceux dominés par l’arrière‑plan. Un bloc transformeur suit, reliant des régions éloignées de la feuille pour que le modèle puisse, par exemple, corréler des taches jaunes éparses ou des motifs qui suivent les nervures. Enfin, un classificateur compact décide laquelle des 12 conditions correspond le mieux à chaque image. Malgré un nombre de paramètres d’environ 9,4 millions et une puissance de calcul modeste, le modèle conserve une grande rapidité et une faible empreinte mémoire, le rendant adapté aux téléphones, tablettes ou petits ordinateurs monocarte.

Voir à l’intérieur de la boîte noire

Parce que les agriculteurs et agronomes doivent pouvoir faire confiance à un diagnostic automatisé, les auteurs ont intégré l’explicabilité dans leur système. Ils ont utilisé des outils tels que Grad‑CAM et LIME pour créer des cartes de chaleur montrant où le modèle « prête attention » sur chaque feuille, et des graphes t‑SNE pour visualiser comment les différentes maladies se regroupent dans l’espace de caractéristiques interne du modèle. Ces explications révèlent que l’IA se concentre systématiquement sur les lésions, les tissus décolorés et les toiles fongiques plutôt que sur l’arrière‑plan ou les tiges. Même dans les rares erreurs de classification — seulement cinq erreurs sur 1 800 images de test — les régions mises en évidence portent sur des zones biologiquement pertinentes ; la confusion survient principalement lorsque deux maladies se ressemblent beaucoup à l’œil humain.

Ce que les résultats signifient pour les producteurs

Sur l’ensemble principal de données, LSeTNet a correctement classé les images de feuilles avec une précision d’environ 99,7 %, et il a obtenu des performances tout aussi élevées lorsqu’il a été testé sur un jeu de données externe distinct de plantes médicinales bangladaises qu’il n’avait pas vu auparavant. Parallèlement, il s’exécute rapidement (environ sept millièmes de seconde par image sur GPU) et occupe peu de mémoire, ouvrant la voie à des applications prêtes pour le terrain et peu coûteuses. En termes pratiques, ce travail montre que des IA compactes et transparentes peuvent détecter de manière fiable les signes précoces de maladie sur des plantes médicinales importantes et indiquer clairement aux utilisateurs pourquoi une décision a été prise. Avec des tests supplémentaires sur davantage d’espèces et dans des conditions de terrain plus difficiles, des systèmes similaires pourraient aider à sécuriser les chaînes d’approvisionnement en plantes médicinales, soutenir l’agriculture de précision et offrir aux petits exploitants un « second avis » accessible dans leur poche.

Citation: Ahmmed, J., Kabir, M.A., Rehman, A.u. et al. A lightweight hybrid CNN and transformer model for medicinal leaf disease classification with explainable AI. Sci Rep 16, 8243 (2026). https://doi.org/10.1038/s41598-026-39182-3

Mots-clés: plantes médicinales, détection des maladies foliaires, apprentissage profond, IA explicable, agriculture de précision