Titre de projet: Développement d'un système de détection précoce de maladies des plantes à l'aide de l'apprentissage profond et de capteurs IoT sur des images multisources

Project Abstract

Ce travail présente le développement d’un système intégré combinant l’apprentissage profond et des capteurs IoT pour la détection précoce des maladies des plantes à partir d’images multisources. L’approche propose une architecture hybride qui exploite à la fois des images visibles et des données issues de capteurs (température, humidité, lumière, teneur en CO2 et indices de transpiration) collectées en temps réel dans des environnements agricoles variés. Le module de vision exploite des réseaux convolutionnels profonds avancés (ResNet, DenseNet et EfficientNet) pré-entraînés sur des jeux de données agricoles augmentés par des techniques de augmentation sophistiquées (mixup, cutout, adversarial training) afin d’améliorer la robustesse aux variations d’éclairage et aux conditions atmosphériques. Un fusionnement multimodal des caractéristiques est effectué via une architecture attentionnelle qui pondère dynamiquement les contributions des flux d’images et des capteurs physiques, permettant une détection plus fiable des signes précoces de maladies telles que le mildiou, la brûlure bactérienne et la nécrose virale sur diverses cultures. Le système IoT contribue à la collecte décentralisée et sécurisée des données à grande échelle, assurant une faible latence et une haute résilience grâce à des protocoles léger tels que MQTT et des mécanismes de edge computing pour prétraiter les données avant leur transmission vers le cloud. Le pipeline de traitement intègre une étape de segmentation pour localiser les zones lésées suivie d’un module de classification multi-classes et de recalibrage en présence de bruit de capteur. Une attention particulière est portée à la détection précoce en dehors des symptômes visibles, en exploitant des signaux physiologiques précurseurs capturés par les capteurs environnementaux et des marqueurs visuels subtils dans les images multisources. Pour évaluer les performances, l’étude s’appuie sur un corpus hybride constitué d’images multisources collectées sur plusieurs sites agricoles, complété par des jeux de données publics et synthétiques. Les métriques de performance incluent la précision, le rappel, la F-mesure et l’AUC, avec une évaluation par culture et par pathogène afin d’analyser la généralisabilité inter-racines et inter-saison. Des expériences comparatives confrontent le modèle proposé à des baselines monocanaux et fusionnels simples, démontrant des gains significatifs dans la détection précoce et la réduction des faux positifs. En termes d’implémentation, le système est conçu avec une architecture modulaire et scalable, déployable sur des plateformes edge et cloud. Des considérations de sécurité et de confidentialité des données agricoles sont intégrées via le chiffrement et des mécanismes d’accès basés sur les rôles. Enfin, l’étude explore les implications pratiques pour les agriculteurs et les décideurs, y compris les scénarios d’alerte en temps réel, les recommandations de traitement et les implications économiques liées à l’adoption de solutions intelligentes pour la protection des cultures.

Project Overview

What This Project Is About

---

A plain-language overview of how a computer-based system can help farmers by spotting common plant diseases early. The project combines simple image analysis with data from sensors to check plant health and flag problems before symptoms become visible to the naked eye.

---

---

The Problem It Addresses

---

Farmers often detect diseases late, which can spread quickly and reduce crop yield. Traditional methods rely on experts or manual checks that are time-consuming and not scalable. The project aims to provide an automated, scalable approach that supports timely decisions and reduces crop losses.

---

---

Objectives of the Project

---

1. Identify common diseases affecting a chosen crop using images from multiple sources.
2. Combine image data with sensor readings (e.g., moisture, temperature) to improve accuracy.
3. Build a simple model that can run on affordable hardware or edge devices.
4. Create an easy-to-use interface for farmers to view alerts and insights.
5. Evaluate the system in realistic farming scenarios.

---

---

What You Will Do Step by Step

---

Step 1: Collect labeled plant images and sensor data from field or open datasets.

Step 2: Preprocess data to clean images and align sensor readings with timestamps.

Step 3: Train a lightweight deep-learning model to recognize diseases from images.

Step 4: Fuse image results with sensor data to improve predictions.

Step 5: Test the system on a small farm or simulated environment.

---

---

Expected Outcome

The project should deliver a functioning prototype that can detect diseases early, with a user-friendly dashboard and a short evaluation showing improved detection speed and accuracy compared to image-only approaches.