Un réseau neuronal convolutif compact pour la gestion des maladies des plantes et la classification des fruits

Une étude dans le Journal international des sciences et de l’ingénierie computationnelles, introduit une nouvelle architecture d’apprentissage en profondeur appelée LightNet, conçue pour surmonter les défis de la formation de modèles d’apprentissage en profondeur et révolutionner le secteur agricole. L’étude se concentre sur la gestion des maladies des plantes et la classification des fruits et aborde les demandes de ressources de calcul normalement élevées qui ont entravé la mise en œuvre de modèles d’apprentissage en profondeur sur des dispositifs à ressources limitées pour l’identification des maladies dans les images de feuilles et de fruits.

L’apprentissage en profondeur, une technique puissante de l’intelligence artificielle, a gagné en popularité dans diverses applications. Cependant, sa nature gourmande en ressources l’a rendu inadapté aux appareils dont la puissance de calcul et la capacité de stockage sont limitées. De plus, il existe une pénurie d’approches efficaces pour résoudre les problèmes agricoles du monde réel en utilisant l’apprentissage en profondeur.

Edna C. Too du Département d’informatique de l’Université de Chuka au Kenya a développé LightNet, un réseau neuronal convolutif compact (CNN) qui utilise deux stratégies innovantes, les connexions par saut et l’élagage. Cela augmente considérablement l’efficacité en permettant un flux d’informations plus fluide à travers le réseau tout en réduisant les connexions et les paramètres inutiles. Cette approche permet au système de surpasser des outils apparemment plus puissants. Par exemple, il est deux fois moins volumineux, deux fois plus efficace et trois fois plus rapide que DenseNet.

Les chercheurs ont évalué LightNet à l’aide de deux ensembles de données du monde réel : PlantsVillage, qui se concentre sur la détection des maladies des plantes, et Fruits-360, qui implique la classification et le classement des fruits. Les résultats de l’évaluation démontrent à quel point le système fonctionne bien pour les tâches de détection des maladies des plantes et de classification des fruits. Le potentiel est immense.

En fournissant une solution efficace et précise pour l’apprentissage en profondeur dans ces applications du monde réel, LightNet offre aux producteurs et aux fournisseurs un moyen d’être mieux équipés pour contrer les problèmes majeurs du secteur. Comme il nécessite un dispositif à faibles ressources, il est possible qu’il soit utilisé sur le terrain, pour ainsi dire, à un coût inférieur à celui d’autres systèmes plus gourmands en ressources, améliorant ainsi la gestion des cultures et la sécurité alimentaire.