Identification intelligente des maladies et ravageurs des cultures et proposition de traitements précis par deep learning.
Brevet 02 : Dispositif intelligent pour l'identification des maladies et les ravageurs des cultures et proposition des traitements nécessaires en utilisant l'apprentissage profond.
Contexte et
problématique
En agriculture, les maladies phytosanitaires et les attaques de ravageurs sont des menaces majeures qui pèsent sur les rendements et la sécurité alimentaire. Les méthodes traditionnelles exigent qu'un agronome se déplace physiquement sur le terrain pour inspecter visuellement chaque feuille et identifier une infection fongique, virale ou une attaque d'insectes. Cette approche manuelle est lente, coûteuse et souvent trop tardive.
De plus, l'absence de diagnostic précoce pousse souvent les agriculteurs à pulvériser de grandes quantités de produits chimiques (pesticides, fongicides) de manière préventive ou uniforme. Cela engendre des coûts importants, contamine la nappe phréatique et détériore la santé globale des sols.
Objectif de l'invention
L'invention vise à relever ce défi en développant un contrôleur automatique d'irrigation
spécialement conçu pour les zones où l'eau est un facteur limitant. L'objectif est d'assurer
une gestion durable en apportant la bonne quantité d'eau, au bon moment, selon les besoins
spécifiques de chaque culture et les conditions climatiques.
Objectif de l'invention
L'invention a pour objectif de concevoir un système automatisé d'identification des pathologies des plantes et des ravageurs, couplé à une aide à la décision intelligente. Grâce à l'utilisation d'algorithmes d'apprentissage profond (deep learning), le dispositif supprime la nécessité d'une inspection humaine systématique, accélère le temps de réaction face aux épidémies et prescrit avec précision les traitements nécessaires, minimisant ainsi l'impact économique et environnemental.
Informations administratives card
Informations administratives
Ce brevet a été déposé et validé auprès des autorités compétentes avec les spécifications suivantes :
Date de dépôt : 20 Février 2022 (n° dépôt : 220109).
Numéro du brevet : 12426.
Déposant et titulaire : Le centre de recherche scientifique et technique sur les régions arides (crstra), basé à biskra.
Équipe d'inventeurs : Boudibi samir, khomri zine-eddine, aissaoui azeddine, menadi samir, kharfallah nacereddine, fadlaoui haroun, ben salah kamel.
Portée technologique card
Portée technologique et application
L'intitulé de ce brevet met en lumière l'intégration des technologies d'intelligence artificielle de pointe—spécifiquement le Deep learning (Apprentissage profond)—dans le domaine de la pathologie végétale.
Contrairement aux méthodes traditionnelles d'inspection visuelle, ce dispositif automatise intégralement le processus de surveillance. Il repose sur l'architecture suivante :
Capture optique : Utilisation de caméras haute résolution ou capteurs optiques pour enregistrer en continu l'état du feuillage.
Traitement par réseaux convolutifs (cnn) : Les images récoltées sont instantanément traitées par des algorithmes entraînés à classifier des milliers de symptômes sains ou pathologiques.
Aide à la décision : Une fois la maladie identifiée, le système propose le traitement adéquat (pesticides, fongicides, dosage spécifique) pour une intervention rapide.
Le processus de traitement par deep learning
Le système fonctionne selon un pipeline technologique rigoureux, structuré en 5 étapes clés de l'acquisition à l'intervention :
Acquisition optique (caméra hd)
Des modules optiques de haute définition installés sur pivot ou drones capturent en continu des images détaillées de l'état foliaire des plantes sous divers angles d'éclairage.
Prétraitement d'image
Normalisation du contraste, correction dynamique de la luminosité et filtrage du bruit numérique pour isoler et mettre en évidence les anomalies foliaires de manière robuste.
Classification par cnn (réseau neuronal profond)
Extraction automatique des caractéristiques géométriques et chromatiques pour identifier la maladie spécifique (champignons, virus, carences) grâce au réseau de neurones convolutionnels.
Diagnostic de gravité & cartographie
Évaluation de la propagation spatiale de l'infection sur la feuille et calcul du ratio de tissu infecté pour cartographier précisément le degré de gravité de la zone surveillée.
Aide à la décision (prescription)
Génération automatique de la prescription de traitement (nature du fongicide ou traitement biologique, dosage optimal, et localisation gps) pour une intervention ultra-ciblée.
Connectivité & transmission
Les images haute résolution capturées sur le terrain sont transmises via une liaison locale haut débit 4g/5g ou un réseau longue portée lorawan vers la station de traitement edge ai. Après classification et diagnostic instantanés par le processeur neuronal (npu), les résultats synthétiques et les demandes de traitement sont envoyés de manière sécurisée vers le serveur central cloud de siptech via gprs/gsm.
Section header
Schéma du système
Architecture technique
du système
Visualisez comment les données circulent en temps réel,
depuis les capteurs sur le terrain jusqu'aux interfaces de décision.
Diagram container
Box 1: acquisition optique
Dispositif d'acquisition optique (01)
Capture en continu des images foliaires haute résolution et des paramètres climatiques de la parcelle.
Sensors grid inside node
11Caméra hd
12Zoom optique
13Luminosité
14Humidité air
15Indice uv
16Capt. Spectral
Flow connector down
Horizontal group: treatment and control
Box 2: treatment (edge ai)
Station de traitement ia (edge ai npu) (02)
Prétraitement d'image en temps réel, classification par réseau cnn & diagnostic automatique.
Connector right (or down on mobile)
Box 3: control (actuator)
Dispositif de traitement ciblé (actionneur) (03)
Électrovanne de précision et buse de pulvérisation ciblée commandée par ia.
Flow connector down
Box 4: server central cloud
Serveur central cloud & base de connaissances ia (04)
Rétro-alimentation, mise à jour des poids du modèle cnn et tableau de bord décisionnel.
Split connector (desktop only)
Mobile-only vertical flow connectors
Bottom users row
Farmer card
Agriculteur
Interface mobile (smartphone)
Mobile-only vertical flow connectors
Manager card
Gestionnaire
Interface web (ordinateur)
Faqs
Faqs
Notre système s'appuie sur des réseaux de neurones profonds convolutionnels (cnn) hautement optimisés, entraînés sur des bases de données massives d'images foliaires. Il extrait automatiquement les signatures visuelles complexes (taches, nécroses, altérations de couleur) et les croise avec des descripteurs microclimatiques locaux pour livrer un diagnostic agronomique d'une précision remarquable.
La base de connaissances couvre une large typologie de menaces : affections cryptogamiques (mildiou, oïdium, rouille), viroses foliaires, infestations d'acariens ou d'insectes ravageurs, ainsi que des marqueurs de stress abiotique comme les carences en nutriments ou le stress thermique.
Non, le cœur du traitement neuronal (inférence cnn) s'effectue localement au sein de la station edge ai équipée d'un co-processeur npu. Les analyses s'exécutent en temps réel sur le terrain. Les rapports synthétiques et les diagnostics sont ensuite mis en cache puis transmis au serveur central dès qu'une connexion réseau (gsm ou lora) est disponible.
Dès que la pathologie et son degré de sévérité spatiale sont identifiés, un moteur de décision croise ces informations avec les guides phytosanitaires intégrés. Il calcule le dosage optimal de intrants requis et transmet automatiquement une cartographie de prescription gps aux actionneurs (pivots équipés d'électrovannes de précision ou drones de pulvérisation) pour n'appliquer le traitement que sur les foyers d'infection actifs.
Nos modules optiques de terrain sont logés dans des châssis renforcés certifiés ip67 dotés d'écrans thermiques. Les capteurs intègrent des mécanismes d'autonettoyage passif et des optiques traitées anti-poussière spécialement adaptées pour supporter l'érosion éolienne et la chaleur des régions arides et sahariennes.
