PR-CNN: A Multiscale Attention Relation Network for Accurate Bean Leaf Disease Image Recognition

Imaginez que vous êtes un détective tentant de résoudre un mystère, mais qu'au lieu d'une scène de crime, vous examinez une feuille. Dans le monde de l'agriculture intelligente, on apprend aux ordinateurs à jouer à ce jeu de détective. Ils utilisent une branche de l'intelligence artificielle appelée « apprentissage profond » (deep learning), qui est comme un cerveau numérique apprenant en regardant des milliers d'images. Habituellement, ces cerveaux numériques sont comme des géants affamés ; ils ont besoin de manger des millions de photos pour apprendre à distinguer une feuille malade d'une feuille saine. Mais dans le monde réel, les agriculteurs n'ont souvent pas des millions de photos. Ils peuvent n'avoir que quelques clichés d'une nouvelle maladie apparaissant dans leur champ. C'est ici qu'intervient un tour de l'esprit spécial appelé « apprentissage à partir de peu d'exemples » (few-shot learning). C'est comme apprendre à un détective à reconnaître un nouveau criminel après n'avoir vu qu'un ou deux portraits-robots, plutôt que d'avoir besoin de tout un annuaire de suspects. L'objectif est de construire un système capable de repérer les maladies des plantes rapidement et avec précision, même lorsqu'il n'a pas vu cette maladie spécifique mille fois auparavant, car sauver les cultures de la maladie signifie sauver de la nourriture et de l'argent.

Rencontrez le nouveau détective en ville : un système appelé PR-CNN. Les chercheurs derrière cette étude voulaient résoudre un problème complexe : les feuilles de haricot. Les feuilles de haricot sont délicates car, lorsqu'elles tombent malades, les taches peuvent se ressembler énormément, ou elles peuvent être cachées derrière des arrière-plans encombrés comme de la terre ou d'autres plantes. L'équipe a construit un nouveau cerveau numérique conçu spécifiquement pour gérer ces mystères de feuilles de haricot. Ils ont combiné trois outils puissants en un super-enquêteur. Premièrement, ils ont utilisé un « réseau de neurones convolutifs » standard, qui est le moteur de base examinant l'image. Deuxièmement, ils ont ajouté quelque chose appelé « attention par division pyramidale » (pyramid split attention). Voyez cela comme si l'on donnait au détective un ensemble de loupes différentes. Certaines loupes zooment de près pour voir de minuscules grains, tandis que d'autres dézooment pour voir la forme entière de la feuille. Cela aide l'ordinateur à se concentrer sur les zones malades importantes et à ignorer le bruit de fond inutile. Troisièmement, ils ont utilisé un « réseau de relation » (relation network). Au lieu de simplement mémoriser l'apparence d'une feuille malade, cette partie du cerveau apprend à comparer deux images côte à côte. Elle demande : « À quel point cette nouvelle feuille ressemble-t-elle aux feuilles malades que j'ai vues auparavant ? » et donne un score basé sur cette relation.

L'équipe a testé son nouveau détective sur un ensemble de données de feuilles de haricot collectées dans une ferme du Henan, en Chine, ainsi que sur des données en libre accès. Ils disposaient au total de 11 903 échantillons, couvrant quatre types de maladies : la rouille, la mosaïque, la moisissure foliaire et la tache blanche, en plus des feuilles saines. Lorsqu'ils ont mis le PR-CNN à l'épreuve, il a obtenu des performances incroyables. Dans leur expérience principale, le système a donné la bonne réponse 99,24 % du temps. Pour mettre cela en perspective, ils l'ont comparé à certains des « géants » les plus célèbres du monde du deep learning, tels que ResNet50, DenseNet, Inception v4 et EfficientNet B7. Le nouveau système PR-CNN les a tous battus, montrant que son mélange spécial de loupes et de capacités de comparaison fonctionne mieux que les méthodes standard. Les chercheurs ont également testé le système sur quatre autres ensembles de données publics de maladies végétales, et il a gardé son sang-froid, atteignant une précision moyenne de 99,84 % sur l'ensemble.

Cependant, les auteurs veillent à ne pas prétendre qu'il s'agit de la solution finale et parfaite pour chaque problème de l'univers. Ils soulignent que leur système est actuellement un spécialiste ; il sait seulement diagnostiquer ces quatre maladies spécifiques de haricot. Si un agriculteur lui présente un nouveau type de maladie de haricot ou une maladie sur un plant de tomate, le système ne sait pas quoi faire pour l'instant. Il a également certaines limites face au chaos du monde réel. Dans une photo de laboratoire parfaite, la feuille est nette et bien éclairée, mais dans un vrai champ, les feuilles peuvent être floues, couvertes de terre ou cachées derrière d'autres plantes. L'article suggère que, bien que le système soit un grand pas en avant, il doit encore être testé dans ces conditions réelles et désordonnées. L'équipe note également que son système actuel n'analyse que des images fixes, pas des vidéos, et qu'il ne dit pas encore à l'agriculteur à quel point la maladie est grave, mais seulement ce qu'elle est.

Malgré ces limites, les résultats suggèrent fortement que cette nouvelle approche fonctionne. En combinant la capacité de voir des détails à différentes échelles avec la compétence de comparer des images, le PR-CNN montre que nous pouvons construire des outils plus intelligents et plus adaptables pour l'agriculture. Les auteurs pensent qu'à l'avenir, cette technologie pourrait être transférée sur des téléphones portables afin que les agriculteurs puissent prendre une photo d'une feuille sur le terrain et obtenir un diagnostic instantané. Pour l'instant, cependant, le PR-CNN est un détective spécialisé hautement précis qui prouve qu'avec le bon mélange d'attention et de comparaison, les ordinateurs peuvent apprendre à sauver nos récoltes même s'ils n'ont pas vu l'ennemi un million de fois auparavant.