Analyse comparative des architectures de réseaux neuronaux convolutifs pour la reconnaissance des maladies des plantes de tomates

Abstract

La tomate constitue l’une des cultures les plus importantes au niveau mondial, tant sur le plan nutritionnel qu’économique. Cependant, elle demeure vulnérable à de nombreuses maladies fongiques, bactériennes et virales qui affectent la qualité et le rendement du produit. Ce travail vise à comparer plusieurs architectures de réseaux neuronaux convolutifs (CNN) pour la classification des maladies des feuilles de tomate, en s’appuyant sur la base de données PlantVillage. Trois modèles principaux ont été étudiés : MobileNetV3-Large, MobileNetV3-Small et EfficientNet-B0. L’évaluation a porté sur la précision, la rapidité d’exécution, l’efficacité computationnelle et la capacité de généralisation en conditions proches du terrain. Les résultats obtenus montrent que le modèle MobileNetV3-Small offre le meilleur compromis entre précision et légèreté, avec une exactitude d’environ 81 %, ce qui le rend particulièrement adapté aux dispositifs embarqués à faibles ressources, tels que l’ESP32 et le Raspberry Pi. Ces performances ouvrent la voie au développement de solutions intelligentes destinées à la détection précoce des maladies, contribuant ainsi à renforcer la productivité agricole et à soutenir la transition numérique du secteur.