Une nouvelle approche pour la détection des maladies et des ravageurs dans la production de pommes de terre basée sur l’apprentissage profond

Pourquoi la santé de la pomme de terre importe à tous

La pomme de terre est l’un des aliments de base mondiaux, riche en énergie et en nutriments et centrale tant pour les petites exploitations que pour les grandes chaînes alimentaires. Pourtant, ses feuilles sont facilement endommagées par des maladies et des insectes voraces, qui peuvent réduire silencieusement les récoltes bien avant que les problèmes ne soient visibles à l’œil nu. Cette étude examine comment des caméras intelligentes guidées par l’intelligence artificielle peuvent surveiller les champs de pommes de terre en temps réel, signaler les plantes malades précocement et aider les agriculteurs à protéger les rendements tout en réduisant les pulvérisations inutiles.

Repérer les problèmes foliaires sur le terrain

Sur le terrain, identifier ce qui affecte une plante de pomme de terre est plus difficile qu’il n’y paraît. Différentes maladies peuvent se ressembler au départ, et de petits insectes se cachent souvent sous des feuilles superposées ou dans de fortes ombres. Les agriculteurs ont généralement besoin d’un avis d’expert, ce qui coûte du temps et de l’argent, et même des yeux entraînés peuvent manquer les signes précoces. Les chercheurs ont voulu construire un système automatique qui analyse des photos couleur ordinaires de plantes de pomme de terre et localise à la fois les taches de maladie et les ravageurs tels qu’ils apparaissent dans les champs, plutôt que dans des photos de laboratoire propres de feuilles isolées.

Construire une image fidèle des conditions de terrain

Pour que cela fonctionne, l’équipe a d’abord eu besoin d’un aperçu réaliste de l’aspect des problèmes de pomme de terre en conditions agricoles. Ils ont collecté 2 688 images dans deux fermes expérimentales au Pakistan pendant les saisons de croissance d’hiver et d’été. La caméra était placée juste au-dessus des plantes de sorte que chaque image montrait les feuilles ainsi que le sol, les plantes voisines et le désordre comme la paille ou les tuyaux. Après avoir écarté les images sans symptômes, ils ont conservé 2 403 photos montrant quatre menaces principales : le mildiou, la maladie des taches foliaires, les symptômes du virus de l’enroulement foliaire et le doryphore de la pomme de terre sous forme larvaire et adulte. Des spécialistes des plantes ont soigneusement entouré chaque zone malade et chaque coléoptère par des boîtes pour que l’ordinateur puisse apprendre à partir de ces exemples.

Apprendre aux ordinateurs à trouver taches et doryphores

L’équipe a entraîné plusieurs modèles modernes de détection d’objets pour reconnaître ces problèmes. Ces programmes, connus sous les noms de YOLO et Faster R-CNN, ne se contentent pas de répondre « malade ou sain » : ils dessinent aussi des encadrements autour de chaque patch de maladie ou de chaque insecte. Avant l’entraînement, les images ont été nettoyées, redimensionnées et modifiées aléatoirement (miroir, rotation, éclaircissement) pour simuler différents angles de vue et conditions d’éclairage. Le modèle clé, une version appelée YOLOv8-medium, analyse chaque image de 640 par 640 pixels en une seule passe et, grâce à sa structure en couches, apprend des motifs de couleur et de texture qui distinguent le tissu foliaire sain des taches malades et des corps de doryphores, même lorsqu’ils sont petits ou partiellement cachés.

Performance du guetteur numérique

Sur des milliers d’images de test conservées séparément de l’entraînement, YOLOv8-medium a détecté correctement les zones malades et les doryphores avec une précision moyenne (mAP) d’environ 98 %. Il a aussi montré un comportement stable lorsque les données ont été remaniées dans une validation croisée à cinq plis, ce qui suggère que les résultats ne sont pas dus à une répartition chanceuse des données. D’autres versions de YOLO et le modèle plus ancien Faster R-CNN étaient moins précis ou plus lents. La version medium a trouvé le meilleur compromis entre vitesse et exactitude, traitant une image en seulement quelques millisecondes sur une carte graphique moderne. Le système a particulièrement bien fonctionné pour des maladies courantes comme le mildiou et les taches foliaires, tandis que les doryphores très petits ou fortement ombrés restaient les plus difficiles à détecter.

Ce que cela peut signifier pour les agriculteurs

Pour les non-spécialistes, le message principal est simple : une caméra reliée à un programme informatisé entraîné peut désormais agir comme un éclaireur infatigable sur le terrain, surveillant les feuilles de pomme de terre pour les principales maladies et un ravageur clé avec une grande fiabilité. L’étude montre qu’un tel système peut fonctionner assez rapidement pour une utilisation en temps réel, par exemple sur un tracteur, un drone ou un appareil portatif, et fournir des localisations précises des zones problématiques. Les auteurs précisent toutefois qu’ils n’ont testé que deux fermes dans une seule région et n’ont pas inclus d’autres stress non pathologiques comme la sécheresse ; des travaux supplémentaires sont donc nécessaires avant que l’outil ne puisse être généralisé. Néanmoins, leurs résultats suggèrent que des systèmes de vision intelligente pourraient un jour aider les agriculteurs à appliquer des traitements uniquement là et quand c’est nécessaire, protégeant à la fois les récoltes et l’environnement.

Citation: Abbas, A., Rehman, S.U., Mahmood, K. et al. A novel approach for disease and pests detection in potato production system based on deep learning. Sci Rep 16, 15672 (2026). https://doi.org/10.1038/s41598-026-45575-1

Mots-clés: maladie de la pomme de terre, ravageurs des cultures, apprentissage profond, détection d’objets, agriculture de précision