Application of artificial intelligence in plant protection
No Thumbnail Available
Date
2024
Journal Title
Journal ISSN
Volume Title
Publisher
Abbes Laghrour University,Khenchela
Abstract
This master’s dissertation presents the development and implementation of a web
application designed to detect apple leaf diseases, specifically apple scab, rust, and apple
black-rot. The application leverages state-of-the-art machine learning techniques,
particularly convolutional neural networks (CNNs), to accurately identify and classify
these common apple leaf diseases from uploaded images. The system is built with a user friendly interface that allows apple growers and agricultural professionals to easily upload
images of apple leaves and receive real-time diagnostic results.
The research involves several key stages: dataset collection, model training,
application development, and performance evaluation. A comprehensive dataset
comprising labeled images of healthy and diseased apple leaves was assembled from
various agricultural databases and field sources. The CNN model was trained and fine tuned using this dataset, achieving high accuracy in disease detection and classification.
The web application was developed using modern web technologies, ensuring accessibility
and responsiveness across different devices. Backend services were implemented to handle
image processing, model inference, and result delivery efficiently. The performance of the
application was rigorously tested under real-world conditions, demonstrating its potential
as a valuable tool for early disease detection and management in apple orchards.
This work contributes to the field of precision agriculture by providing a practical
solution for early detection of apple leaf diseases, which can significantly reduce crop
losses and improve yield quality. Future work may focus on expanding the range of
detectable diseases, enhancing the model's accuracy, and integrating additional features
such as disease severity assessment.
Résumé
Ce mémoire de master présente le développement et la mise en œuvre d'une
application web conçue pour détecter les maladies des feuilles de pommier, notamment la
tavelure, la rouille et la pourriture noire du pommier. L'application utilise des techniques
avancées d'apprentissage automatique, en particulier les réseaux neuronaux convolutifs
(CNN), pour identifier et classer avec précision ces maladies courantes des feuilles de
pommier à partir d'images téléchargées. Le système est doté d'une interface conviviale qui
permet aux producteurs de pommes et aux professionnels de l'agriculture de télécharger
facilement des images de feuilles de pommier et de recevoir des résultats diagnostiques en
temps réel. La recherche implique plusieurs étapes clés : la collecte de données,
l'entraînement du modèle, le développement de l'application et l'évaluation des
performances. Un ensemble de données complet comprenant des images étiquetées de
feuilles de pommier saines et malades a été assemblé à partir de diverses bases de données
agricoles et sources sur le terrain. Le modèle CNN a été entraîné et affiné en utilisant cet
ensemble de données, atteignant une grande précision dans la détection et la classification
des maladies. L'application web a été développée en utilisant des technologies web
modernes, garantissant l'accessibilité et la réactivité sur différents appareils. Des services
back-end ont été mis en œuvre pour gérer le traitement des images, l'inférence du modèle
et la livraison des résultats de manière efficace. Les performances de l'application ont été
rigoureusement testées dans des conditions réelles, démontrant son potentiel en tant
qu'outil précieux pour la détection précoce des maladies et la gestion dans les vergers de
pommiers. Ce travail contribue au domaine de l'agriculture de précision en fournissant une
solution pratique pour la détection précoce des maladies des feuilles de pommier, ce qui
peut réduire considérablement les pertes de récoltes et améliorer la qualité des rendements.
Les travaux futurs pourraient se concentrer sur l'élargissement de la gamme de maladies
détectables, l'amélioration de la précision du modèle et l'intégration de fonctionnalités
supplémentaires telles que l'évaluation de la gravité des maladies.