MaizeFormerX : un vision transformer léger avec attention inter-échelles pour un diagnostic explicable des maladies foliaires du maïs

Pourquoi les feuilles de maïs et les appareils photo de téléphone comptent

Le maïs est l’une des cultures les plus importantes au monde : il nourrit les populations et le bétail et alimente l’industrie. Pourtant, quelques maladies foliaires peuvent réduire d’un tiers voire davantage la récolte d’un agriculteur, en particulier dans les régions tropicales. Cette étude présente MaizeFormerX, un système d’intelligence artificielle compact capable de repérer ces maladies à partir de simples photos de feuilles de maïs, même dans des conditions agricoles réelles et désordonnées. Les travaux montrent comment une analyse d’image plus intelligente pourrait aider les agriculteurs à agir plus tôt, utiliser moins de produits chimiques et protéger à la fois les rendements et l’environnement.

La menace grandissante dans les champs de maïs

Les plants de maïs modernes ont de grandes feuilles exposées au soleil, mais aussi particulièrement vulnérables aux infections. Des maladies comme la nécrose létale du maïs (Maize Lethal Necrosis), le virus de la strie du maïs (Maize Streak Virus) et la brûlure foliaire du maïs provoquent stries, taches et tissus nécrosés qui peuvent réduire les rendements de 30 à plus de 80 %. Dans de nombreux pays à revenu faible ou intermédiaire, les agriculteurs n’ont pas d’accès rapide à des experts en phytopathologie, et différentes maladies peuvent apparaître très semblables ou ressembler à de simples carences nutritionnelles. Une mauvaise interprétation de ces symptômes peut conduire à des dépenses inutiles pour un traitement inapproprié et permettre la propagation des infections, menaçant la sécurité alimentaire et les revenus agricoles.

Pourquoi les outils anciens sont insuffisants

Le diagnostic traditionnel repose sur l’œil et l’expérience humains, ce qui est lent et difficile à déployer à l’échelle de millions de petites exploitations. Les modèles informatiques antérieurs basés sur l’apprentissage profond, en particulier les réseaux de neurones convolutionnels, peuvent être très précis sur des photos de laboratoire propres à fond uni. Cependant, ils peinent souvent dans le monde réel, où ombres, champs encombrés et différents appareils modifient l’apparence des feuilles. La plupart des systèmes précédents étaient entraînés et testés sur un seul jeu de données bien contrôlé : ils donnaient de bons résultats sur le papier mais ne s’adaptaient pas bien à de nouvelles régions, à des éclairages différents ou à de nouvelles variétés de maïs. Beaucoup étaient aussi trop volumineux ou gourmands en énergie pour être utilisés sur des téléphones bon marché ou des dispositifs en périphérie (edge).

Une nouvelle façon d’examiner les feuilles malades

MaizeFormerX s’appuie sur une idée récente de la vision par ordinateur, le vision transformer, qui excelle pour repérer des motifs de longue portée dans les images. Plutôt que d’examiner uniquement de petits patchs, ce modèle découpe une image de feuille en patchs de plusieurs tailles simultanément. Les patchs fins saisissent de petites lésions et ponctuations, tandis que les patchs plus larges captent de larges stries et motifs d’étendue. Un bloc d’attention inter-échelles permet aux patchs détaillés de « consulter » les patchs plus grossiers pour obtenir du contexte, aidant le système à décider si une strie pâle est une simple imperfection ou fait partie d’un motif pathologique plus étendu. Ces patchs enrichis passent ensuite par une pile de transformers compacte qui apprend à distinguer les feuilles saines de plusieurs types majeurs de maladies.

Testé sur des exploitations réelles et de nombreux microbes

Pour vérifier la robustesse de MaizeFormerX en dehors du laboratoire, les auteurs l’ont évalué sur trois collections très différentes d’images de feuilles de maïs. L’une provenait d’un environnement de laboratoire contrôlé, une autre de fermes tanzaniennes réelles, et la troisième portait sur des distinctions fines entre de nombreux agents bactériens, fongiques et viraux. L’équipe a utilisé un prétraitement soigné et des augmentations d’images à la volée telles que rotations, variations de luminosité et ajout de bruit pour simuler la variation de terrain et équilibrer les cas de maladies rares. Sur les trois ensembles, MaizeFormerX a égalé ou surpassé une gamme de modèles compacts performants, atteignant environ 97 à 98 % de précision sur les ensembles de type laboratoire et terrain, et environ 97 % sur l’ensemble à résolution microbienne fine. Lorsqu’il était entraîné sur un jeu de données puis testé directement sur un autre, il devançait également de plusieurs points de pourcentage les meilleures alternatives, montrant une meilleure généralisation inter-régions.

Voir ce que le modèle voit

La haute précision ne suffit pas : les agriculteurs et les conseillers doivent pouvoir faire confiance à un outil numérique. Les auteurs ont donc relié MaizeFormerX à une application web simple qui non seulement indique la classe prédite, mais superpose aussi une carte thermique sur la photo de la feuille pour mettre en évidence les régions ayant conduit à la décision. Ces explications visuelles montrent que le modèle se focalise sur les lésions, stries et bandes décolorées plutôt que sur le sol, le ciel ou d’autres éléments d’arrière-plan. Dans les cas mal classés, les cartes révèlent où des symptômes qui se chevauchent ou un éclairage dur ont embrouillé le modèle, orientant les améliorations futures. Cet accent sur des sorties compréhensibles par l’humain rend le système mieux adapté comme outil d’aide que comme boîte noire.

Ce que cela signifie pour les soins futurs du maïs

Concrètement, l’étude montre qu’une IA sobre et soigneusement conçue peut distinguer de manière fiable les feuilles de maïs saines de plusieurs maladies majeures, en utilisant des images ordinaires et en opérant à travers différentes régions. En combinant des vues multi-échelles de chaque feuille avec une attention inter-échelles, MaizeFormerX capture à la fois les petites taches et les grands motifs sans exiger une puissance de calcul lourde. Associée à une interface web favorisant l’explicabilité, elle ouvre la voie à de futurs outils sur téléphone ou appareil edge qui pourraient aider agriculteurs et agents de vulgarisation à détecter les problèmes plus tôt, à appliquer les traitements avec plus de précision et à réduire l’usage inutile de pesticides, soutenant une production de maïs plus durable.

Citation: Rahman, M.M., Gony, M.N., Ullah, M.S. et al. MaizeFormerX: a lightweight vision transformer with cross-scale attention for explainable maize leaf disease diagnosis. Sci Rep 16, 15160 (2026). https://doi.org/10.1038/s41598-026-44550-0

Mots-clés: maladie du maïs, santé des plantes, vision transformer, agriculture de précision, IA explicable