Détection Précoce des Insectes Ravageurs dans les Cultures de Citronniers à l’aide de Réseaux Neuronaux Convolutifs (CNNs)

Abstract

La culture des agrumes joue un rôle majeur dans l’économie agricole des régions méditerranéennes, mais elle est fortement affectée par les attaques d’insectes ravageurs, rendant la détection précoce indispensable pour une gestion phytosanitaire durable. Ce travail propose une approche de surveillance intelligente basée sur l’apprentissage profond, utilisant des réseaux de neurones convolutifs (CNN) pour la classification automatique des insectes ravageurs des agrumes à partir d’images. Quatre architectures pré-entraînées sur ImageNet ont été étudiées et comparées : MobileNetV3-Small, ResNet-18, DenseNet-121 et EfficientNet-B0. La méthodologie repose sur l’apprentissage par transfert afin d’adapter ces modèles à un jeu d’images spécifique. Les performances ont été évaluées selon la précision de classification, le temps d’inférence et l’aptitude à l’intégration sur des systèmes embarqués. Les résultats montrent que les architectures légères, notamment MobileNetV3-Small et ResNet18, offrent un compromis optimal entre précision et rapidité, les rendant adaptées à la surveillance en temps réel. Cette étude confirme le potentiel des CNN pour le développement de systèmes autonomes de détection et d’alerte précoce, contribuant à une agriculture plus durable et intelligente.