An Explainable Hybrid CNN-ViT Framework for Ethiopian Coffee Leaf Disease Classification

Dans les hauts plateaux de l'Éthiopie, le café est plus qu'une simple culture ; c'est le cœur battant de l'économie et le moyen de subsistance de millions de personnes. Depuis des siècles, les agriculteurs s'appuient sur leurs yeux et sur des générations de connaissances locales pour repérer les signes de maladie sur leurs plants. Ils cherchent le jaunissement d'une feuille ou l'apparition d'une tache étrange, utilisant cette intuition visuelle pour décider comment protéger leur récolte. Pourtant, cette méthode traditionnelle a ses limites. Les signes précoces d'infection peuvent être subtils et facilement omis, et au moment où une maladie devient évidente à l'œil humain, elle peut déjà s'être trop propagée pour être arrêtée. Ces dernières années, les scientifiques se sont tournés vers l'informatique pour aider, leur apprenant à reconnaître des motifs dans les images que les humains pourraient négliger. Ces systèmes informatiques, connus sous le nom de modèles d'apprentissage profond (deep learning), agissent comme des yeux numériques capables de scanner des milliers de feuilles en quelques secondes, identifiant des maladies spécifiques avec une rapidité remarquable. Cependant, un obstacle majeur demeure : ces ordinateurs puissants fonctionnent souvent comme des boîtes noires. Ils donnent une réponse, mais n'expliquent pas pourquoi ils l'ont choisie, laissant les agriculteurs et les experts incertains de la possibilité de faire confiance au diagnostic.

Une équipe de chercheurs de l'Université de Gondar et de l'Université de Mekdela Amba a développé une nouvelle approche pour combler ce fossé entre la puissance brute et la compréhension humaine. Ils ont créé un système conçu spécifiquement pour diagnostiquer quatre maladies courantes de la feuille de café en Éthiopie : la Cercosporose, la Rouille orangée, le Phoma et l'état sain de la plante. Au lieu de s'appuyer sur un seul type de vision par ordinateur, ils ont construit un cadre hybride qui combine deux forces différentes. Une partie du système agit comme un microscope, zoomant pour voir les textures minuscules et les détails locaux à la surface de la feuille. L'autre partie agit comme un objectif grand angle, prenant du recul pour comprendre la forme globale et le contexte de la feuille entière. En fusionnant ces deux perspectives, le système apprend à voir la maladie plus clairement que l'une ou l'autre des méthodes seule. Crucialement, les chercheurs ont également doté ce système d'un outil qui met en évidence précisément les parties de la feuille que l'ordinateur regarde lorsqu'il prend une décision. Cette transparence permet à un agriculteur de voir le raisonnement de l'ordinateur, confirmant que la machine se concentre sur les taches de maladie réelles plutôt que sur du bruit aléatoire ou des ombres de l'arrière-plan.

Les chercheurs ont testé leur nouveau cadre sur une vaste collection de 12 000 images de haute qualité de feuilles de café recueillies dans de grands centres de recherche et des fermes à travers l'Éthiopie. Ils ont divisé cette collection en groupes, utilisant la plupart des images pour enseigner à l'ordinateur et le reste pour tester ses connaissances. Le système a été entraîné pour distinguer les quatre catégories, apprenant à faire la différence entre une feuille saine et une feuille souffrant d'infections fongiques. Lorsque la phase de test a commencé, le système hybride s'est révélé exceptionnellement précis. Il a correctement identifié l'état des feuilles dans 98,67 pour cent des cas de test. Cette performance était légèrement supérieure aux autres modèles informatiques populaires contre lesquels les chercheurs l'ont comparé, lesquels ont obtenu des scores allant de 98,06 pour cent à 98,56 pour cent. Le nouveau système était particulièrement efficace pour distinguer les feuilles saines des feuilles malades. Cependant, distinguer les deux maladies visuellement similaires, la Rouille orangée et le Phoma, est resté la tâche la plus difficile pour tous les modèles, la majorité des erreurs de classification se produisant lorsque le système confondait la Rouille orangée avec le Phoma. Malgré cette difficulté, le cadre hybride a tout de même réussi à surpasser les anciens modèles dans la classification de la Rouille orangée, démontrant l'avantage de combiner l'analyse de la texture locale avec le contexte global, même pour les cas les plus difficiles.

Au-delà des chiffres, la découverte la plus significative réside dans la manière dont le système s'explique. Les chercheurs ont utilisé une technique de visualisation pour générer des cartes thermiques (heatmaps), qui sont des superpositions colorées montrant où l'attention de l'ordinateur est focalisée sur l'image. Lorsqu'le système identifiait une maladie, ces cartes thermiques mettaient systématiquement en évidence les lésions spécifiques, les taches ou les pustules de rouille que les phytopathologistes savent être les signes de la maladie. Par exemple, lors du diagnostic d'une feuille atteinte de Phoma, l'ordinateur se concentrait précisément sur les taches nécrotiques et leurs bords. En observant une feuille saine, l'ordinateur ne montrait aucun focus de ce type, indiquant qu'il ne voyait aucun motif de maladie. Cet alignement entre le focus de l'ordinateur et les connaissances des experts humains est vital. Cela transforme le système, d'un oracle mystérieux en un partenaire de confiance. Un agriculteur ou un agent de vulgarisation agricole peut regarder l'image et la carte thermique ensemble, voyant exactement pourquoi l'ordinateur a rendu son verdict. Cette preuve visuelle renforce la confiance nécessaire à l'adoption de ces outils dans l'agriculture réelle, où la confiance est aussi importante que la précision.

L'étude reconnaît que, bien que les résultats soient solides, le travail n'est pas encore terminé. Le jeu de données utilisé pour l'entraînement provient de régions spécifiques d'Éthiopie, et le système pourrait nécessiter des tests supplémentaires dans différents environnements pour garantir qu'il fonctionne partout. De plus, le modèle hybride nécessite plus de puissance de calcul que les systèmes plus simples, ce qui pourrait rendre son exécution difficile sur des smartphones basiques sans une optimisation supplémentaire. Cependant, les chercheurs ont tracé une voie claire pour l'avenir. Ils suggèrent que les futures versions de cette technologie pourraient être compressées pour fonctionner sur des appareils mobiles, intégrées aux données météorologiques pour des prédictions encore meilleures, et étendues pour couvrir davantage de types de problèmes végétaux. En combinant la capacité de voir les détails fins avec la capacité de comprendre l'ensemble du tableau, et en rendant ce processus visible à l'utilisateur, cette recherche offre une étape prometteuse vers un avenir où la technologie soutient, plutôt qu'elle ne remplace, la sagesse des agriculteurs de café éthiopiens. L'objectif n'est pas seulement de détecter la maladie, mais de le faire d'une manière que les gens puissent comprendre, faire confiance et utiliser pour protéger leurs cultures et leurs moyens de subsistance.