Intégrale floue avec optimisation par essaim de particules pour la classification des maladies des feuilles de plantes

Abstract

L’agriculture est cruciale pour la survie de l’humanité, mais elle fait face à des défis majeurs liés aux maladies des plantes, qui peuvent entraîner des pertes de récoltes significatives. La détection précoce et la prévention de la propagation des maladies sont essentielles. Pour surmonter ces défis, de nombreux chercheurs exploitent les techniques de vision par ordinateur pour analyser les images des feuilles des plantes et identifier les maladies, car la majorité des symptômes apparaissent sur les feuilles. Notre travail s’inscrit dans cette démarche en développant et en évaluant quatre modèles avancés : un modèle de réseau de neurones convolutionnel (CNN) et trois modèles hybrides combinant un CNN comme extracteur de caractéristiques avec différents classifieurs (SVM, KNN et forêt aléatoire) pour identifier 19 classes de plantes avec 15 maladies.Afin d’améliorer la précision de ces modèles, des intégrales floues (Sugeno et Choquet) ont été utilisées, avec une optimisation spécifique de la mesure floue grâce à l’algorithme d’optimisation par essaim de particules (PSO).