U-Net allégé optimisé et cadre YOLACT pour la détection de la gravité de maladies multiples sur feuilles de fruits pommés

Pourquoi des contrôles foliaires plus intelligents comptent

Les arboriculteurs qui cultivent des pommes et des poires savent que les taches foliaires et autres lésions peuvent se propager rapidement et compromettre silencieusement une récolte. Parcourir les vergers et juger les maladies à l’œil nu est lent et souvent incertain, surtout lorsqu’une même feuille est atteinte par plusieurs infections. Cette étude présente une approche automatisée basée sur la caméra capable de détecter plusieurs maladies sur une seule feuille de fruit pommé et d’estimer la gravité de chaque infection, offrant une voie pratique vers des contrôles de santé des cultures plus rapides et plus fiables.

Voir au-delà de l’œil humain

Les chercheurs se concentrent sur les fruits pommés comme les pommes et les poires, très vulnérables à des maladies foliaires qui abîment la qualité des fruits et réduisent le rendement. L’inspection traditionnelle repose sur des experts qui évaluent visuellement la taille et la couleur des symptômes, un procédé chronophage et sujet à la variabilité inter-experts. Les vergers présentent en outre des arrière-plans encombrés, des variations d’éclairage et des feuilles qui se chevauchent ou se recroquevillent. L’équipe a cherché à concevoir un outil capable de gérer ce bruit visuel, de fonctionner à partir de photos couleur ordinaires et de distinguer plusieurs infections chevauchantes sur une même feuille tout en évaluant l’avancement de chacune.

Une vision en deux étapes des feuilles malades

Pour y parvenir, l’étude utilise une chaîne de traitement visuel en deux volets. D’abord, une version allégée d’un réseau d’imagerie médicale populaire, baptisée Lite U Net, est entraînée pour séparer la feuille de son environnement et marquer les zones généralement malades. Cette étape élimine les branches, le ciel et le sol, garantissant que l’analyse suivante se concentre uniquement sur le tissu végétal. Ensuite, une version allégée d’un autre réseau, Lite YOLACT, affine la détection pour isoler chaque tache malade distincte comme un objet à part entière. Ces deux étapes permettent au système de reconnaître, par exemple, qu’une même feuille peut porter à la fois la tavelure et la rouille, chacune avec sa propre surface et son degré de propagation.

Transformer les taches en scores simples

Une fois chaque zone malade délimitée, la méthode mesure la part de la surface foliaire couverte par chaque infection. Les auteurs conçoivent une nouvelle échelle de gravité en neuf niveaux qui traduit ces pourcentages en stades faciles à comprendre, des petites taches initiales jusqu’à des dégâts quasi totaux. L’échelle est conçue pour traiter deux maladies simultanément, en décrivant si les deux sont légères, toutes deux avancées, ou si l’une domine nettement l’autre. Pour renforcer la confiance des utilisateurs, les chercheurs ajoutent une technique de visualisation nommée Grad CAM qui produit des cartes thermiques montrant quelles parties de la feuille le modèle a utilisées pour évaluer la gravité des infections.

Tests en vergers et en laboratoire numérique

L’équipe entraîne et teste son approche sur deux grands jeux d’images publics de feuilles de pommier et de poirier. Ces ensembles de données incluent plusieurs maladies courantes, photographiées dans des conditions de terrain réelles et annotées par des spécialistes de la santé des plantes. Après un prétraitement soigné, un équilibrage des données et un entraînement sur du matériel graphique moderne, le système combiné atteint environ 95 % de précision pour l’évaluation de la gravité multi-maladie. Il est aussi efficace en ressources : grâce à des architectures compactes et des moyens astucieux de partager les calculs, le modèle nécessite moins de calculs et de mémoire que de nombreux systèmes d’apprentissage profond standards, ce qui le rend adapté aux téléphones ou aux dispositifs edge utilisés directement sur le terrain.

Ce que cela signifie pour les cultivateurs

Concrètement, ce travail montre qu’un appareil photo peu coûteux associé à un modèle d’intelligence artificielle léger peut identifier et évaluer de manière fiable plusieurs maladies foliaires simultanément sur les pommiers et les poiriers. Plutôt que des estimations visuelles approximatives, les producteurs pourraient recevoir des évaluations numériques cohérentes indiquant quelle part de chaque feuille est infectée et à quel stade en est chaque maladie. Si la méthode nécessite encore des tests plus larges sur d’autres cultures et conditions, elle ouvre la voie à des éclaireurs numériques pratiques aidant les agriculteurs à agir plus tôt, cibler les traitements avec précision et réduire les déchets ainsi que l’utilisation de produits chimiques dans les vergers.

Citation: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

Mots-clés: détection de maladies des plantes, maladie des feuilles de pommier, maladie des feuilles de poirier, apprentissage profond agriculture, évaluation de la gravité des maladies