AdjLeafGNN : un cadre hybride d’apprentissage profond et de réseaux de neurones graphiques pour la modélisation probabiliste de la propagation des maladies entre feuilles adjacentes en agriculture de précision

Pourquoi observer les feuilles malades est important

Des maladies végétales qui commencent par de petites taches sur quelques feuilles peuvent, sans bruit, réduire les récoltes et menacer l’approvisionnement alimentaire. Les agriculteurs utilisent de plus en plus des caméras et l’intelligence artificielle pour repérer les plantes malades, mais la plupart des outils considèrent encore chaque feuille isolément. Cet article présente AdjLeafGNN, un nouveau système qui non seulement reconnaît quelle maladie affecte une feuille, mais estime aussi la probabilité que cette maladie se propage aux feuilles voisines, aidant ainsi les exploitants à agir plus tôt et avec plus de précision.

Voir au-delà d’une seule feuille

La plupart des systèmes actuels de vision par ordinateur pour les cultures reposent sur des modèles d’images puissants qui classifient les maladies à partir de photos de feuilles individuelles. Ils performent bien dans des tests contrôlés, mais ignorent le comportement réel des maladies dans les champs, où les infections se déplacent souvent de feuille en feuille par contact, insectes ou vent. Les auteurs soutiennent que pour comprendre correctement la santé des plantes, un modèle doit capturer à la fois l’apparence de chaque feuille et sa relation avec les autres feuilles alentour.

Un cerveau en deux parties pour la santé des plantes

AdjLeafGNN combine deux types d’intelligence artificielle. D’abord, un module d’image profond appelé LDDNet analyse chaque photo de feuille pour apprendre l’apparence des différentes maladies à plusieurs échelles et formes, tandis qu’un mécanisme d’attention l’aide à se concentrer sur les taches et les plages qui comptent le plus. Cela produit une empreinte compacte pour chaque feuille qui rend compte de son état sanitaire. Ces empreintes ne sont pas la réponse finale ; elles deviennent plutôt des blocs de construction pour une image plus large de la façon dont la maladie pourrait se propager à travers de nombreuses feuilles.

Transformer les feuilles en réseau

Dans la seconde étape, le système traite chaque empreinte de feuille comme un nœud dans un réseau. Les feuilles qui se ressemblent sont reliées, formant un graphe qui reflète celles qui pourraient réalistement se transmettre une infection. Un réseau de neurones graphique fait ensuite circuler l’information le long de ces connexions, permettant à chaque feuille de « consulter » ses voisines avant la décision finale. À partir de cette vue enrichie, le modèle produit deux sorties simultanément : le type de maladie le plus probable pour chaque feuille et la probabilité que la maladie se propage depuis ou vers ses feuilles voisines.

Soumettre l’approche à l’épreuve

Les chercheurs ont entraîné et évalué AdjLeafGNN sur PlantVillage, une collection bien connue de dizaines de milliers d’images de feuilles saines et malades de cultures telles que la tomate, la pomme de terre, le pommier et la vigne. En utilisant un protocole d’entraînement soigneusement contrôlé, leur modèle hybride a surpassé plusieurs solides références en apprentissage profond, y compris des réseaux d’images populaires comme ResNet et EfficientNet. Il a atteint environ 99 % de précision et de score F1 pour la classification des maladies et a également prédit la propagation probable des maladies entre feuilles avec une grande fiabilité, comme l’indiquent des scores élevés sur des métriques de risque de type médical standard.

Ce que cela signifie pour l’agriculture intelligente

Pour un non-spécialiste, le résultat clé est qu’AdjLeafGNN peut à la fois nommer une maladie foliaire et estimer où elle pourrait se propager ensuite, en une seule passe. Cette double information pourrait aider les agriculteurs ou les robots agricoles non seulement à signaler les plantes malades, mais aussi à identifier les feuilles voisines à haut risque et à les traiter avant que les symptômes ne se développent complètement. Bien que le système ait été testé principalement sur des images contrôlées plutôt que sur des scènes de champ désordonnées, il offre une voie vers une surveillance des cultures en temps réel et sensible à la dimension spatiale qui pourrait soutenir une utilisation plus précise des pesticides et une meilleure protection des rendements.

Citation: Surekha, B., Subha Mastan Rao, T. AdjLeafGNN: a hybrid deep learning and graph neural network framework for probabilistic modeling of adjacent leaf disease spread in precision agriculture. Sci Rep 16, 15629 (2026). https://doi.org/10.1038/s41598-026-45061-8

Mots-clés: détection des maladies des plantes, analyse d’images de feuilles, réseau de neurones graphique, agriculture de précision, prédiction de la propagation des maladies