Un producteur agricole industriel roumain est confronté à un défi opérationnel majeur : détecter précocement les maladies, les ravageurs et les carences nutritionnelles de plusieurs cultures, avant qu’ils n’affectent significativement la production. La méthode traditionnelle repose sur l’inspection visuelle manuelle des cultures par des agronomes ; une méthode lente, coûteuse et tributaire de la disponibilité des experts de terrain. Dans un contexte de production industrielle, avec de vastes superficies et des délais serrés pour les interventions phytosanitaires, la marge d’erreur est infime.
Le principal défi technique consistait à construire un système capable d'analyser des images photographiées dans diverses conditions (lumière naturelle, angles différents, qualité d'appareil photo variable) et de produire un diagnostic précis en temps réel, directement sur le terrain, sans intervention d'un expert humain.
Nenos a développé une plateforme de diagnostic des maladies des cultures, accessible via une API prête à l'emploi et intégrée à une application mobile et web. L'agriculteur ou l'agronome prend une photo de la plante atteinte, et le système fournit un diagnostic complet en moins de 30 secondes : maladie, ravageur ou carence nutritionnelle identifiée, gravité estimée et solutions recommandées.
Au cœur de la plateforme se trouve un algorithme d'apprentissage profond développé en Python, entraîné à reconnaître 68 types de maladies et de dommages sur de nombreuses cultures. Le modèle analyse l'image et identifie les caractéristiques visuelles propres à chaque maladie — décoloration, lésions, textures anormales, signes d'infestation — indépendamment de l'espèce végétale ou des conditions de culture. Outre le diagnostic, le système propose des recommandations opérationnelles basées sur l'analyse d'image : le moment optimal pour appliquer un herbicide, traiter la plante ou récolter.
La solution a été déployée sous forme d'API sur Amazon SageMaker, garantissant une évolutivité automatique et une haute disponibilité pour une utilisation simultanée sur le terrain par plusieurs opérateurs.
La mise en œuvre de cette plateforme a transformé la façon dont le producteur gère la santé de ses cultures :
- Précision de plus de 94 % dans l'identification des maladies, des ravageurs et des carences nutritionnelles sur de nombreuses cultures.
- Diagnostic complet obtenu en moins de 30 secondes après la prise de photos de la plante.
- 68 types de maladies, de ravageurs et de carences nutritionnelles couverts par un seul système.
- Éliminer la dépendance à l'égard de l'expertise humaine sur le terrain pour le diagnostic initial.
- Réduire le temps de réaction à l'apparition des maladies, avec un impact direct sur la qualité et le volume de la production.
La plateforme est construite en Python avec une pile d'apprentissage automatique spécialisée dans la vision par ordinateur : TensorFlow et Keras pour la définition et l'entraînement des réseaux neuronaux convolutifs, OpenCV pour le prétraitement des images (normalisation, redimensionnement, correction du contraste et suppression des artefacts photographiques) et Scikit-learn pour les composants de classification et d'évaluation des performances du modèle.
Le modèle de détection est un réseau neuronal convolutif (CNN) entraîné sur un ensemble de données représentatif d'images de cultures affectées, couvrant 68 classes de maladies et de dommages chez plusieurs espèces. L'entraînement a inclus une augmentation de données poussée (rotations, retournements, variations de luminosité, simulation de flou) afin de garantir sa robustesse dans les conditions réelles de prise de vue en conditions réelles, où la qualité d'image varie considérablement. La précision finale du modèle dépasse 94 %, obtenue grâce à un processus itératif d'entraînement, de validation et de réentraînement sur de vastes ensembles de données.
La solution est accessible via une API REST déployée sur Amazon SageMaker, qui gère la mise à l'échelle automatique des capacités d'analyse en fonction du volume de requêtes. L'application cliente, disponible sur mobile et sur le web, envoie l'image à l'API et affiche le diagnostic et les recommandations en moins de 30 secondes, permettant une utilisation directe sur le terrain sans connaissances techniques.
