Identifier les maladies des plantes grâce à l’intelligence artificielle

Identifier un pathogène végétal ou un ravageur repose généralement sur des compétences spécialisées : principalement en phytopathologie ou en entomologie. Ce type de connaissances est rarement disponible auprès de l’ensemble des acteurs du monde agricole, et d’autant moins auprès du public non académique. Des outils de diagnostic des maladies des plantes existent pourtant, mais ils se heurtaient jusqu’ici à une double limite. D’un côté, ils étaient souvent conçus pour des conditions très contrôlées en laboratoire, donc peu accessibles à tous. De l’autre, ils ne couvraient généralement qu’une culture ou une région à la fois.  

Grâce à un jeu de données et un service de reconnaissance par image, deux dispositifs qui s’appuient sur des travaux récents en intelligence artificielle, il devient possible de mettre ces connaissances à portées de tous. Un agriculteur, un technicien ou un chercheur peut avec le travail réalisé, photographier une plante malade ou un dégât de ravageur depuis son smartphone, la partager en ligne sur un espace dédié de Pl@ntNet, et à terme obtenir un pré-diagnostic, sans équipement spécialisé. Que ce soit dans les tropiques ou en zone tempérée, ce service est d’ores et déjà testable par tous via la plateforme Pl@ntNet.   

Portés par le consortium Pl@ntNet et financés par le PEPR Agroécologie et Numérique dans le cadre du projet Pl@ntAgroEco, ces travaux constituent des pièces complémentaires d’une même approche. Selon Pierre Bonnet, botaniste au CIRAD et coordinateur de Pl@ntNet : « ce que nous visons, c'est la démocratisation de l'identification des pathogènes végétaux directement sur le terrain ».  

Travailler à une échelle plus large  

Là où la plupart des travaux existants se concentrent sur une culture ou une zone géographique définie, cette nouvelle méthode vise une couverture aussi large que possible, en termes de cultures, de zones géographiques et de pathogènes. Pour arriver à ce résultat, le jeu de données développé dans le cadre de ces travaux rassemble des images issues de conditions d’acquisition très variées, couvrant aussi bien les cultures tempérées que tropicales.   

« Il y a un véritable enjeu à développer les bases de données, notamment pour les plantes tropicales, avance Pierre Bonnet. En matière d’images, on doit garder à l’esprit qu’une faible portion des plantes terrestres ont déjà été photographiées à l’état sauvage. Et les données disponibles montrent que la plupart des plantes qui n’ont jamais été photographiées poussent dans des zones tropicales. » 

Harmoniser les nomenclatures pour mieux partager les données 

Le second élément qui rend l’approche encore plus originale est d’ordre méthodologique. Pour entrainer ces modèles à grande échelle, il faut agréger des données provenant de sources différentes. Or, un même pathogène peut porter des noms différents selon les communautés (monde agricole, recherche, sciences des données…).  

Sans référentiel commun, relier ces ressources reste difficile. Les chercheurs ont donc développé une méthode d’alignement automatique des noms de pathogènes sur le standard international EPPO, en s’appuyant sur l’intelligence artificielle. Ici, on parle de modèle de langage comme LLaMa et ChatGPT.

L’enjeu de cette utilisation est d’automatiser le travail d’harmonisation des nomenclatures, qui aurait autrement été colossal. Résultat : un dictionnaire commun qui permet de relier des ressources jusqu’ici incompatibles, et d'entraîner les modèles sur un spectre plus large de pathogènes.  

Mutualiser les ressources pour un impact élargi  

« Plus les modèles sont entrainés sur un grand nombre de données et de cas différents, plus les systèmes de reconnaissances deviennent performants, y compris sur les pathogènes les moins bien documentés », indique Pierre Bonnet. Au-delà de l’amélioration des performances de détection, l’enrichissement continu des modèles permet également d’élargir leur champ d’application et d’ouvrir la voie à des nouveaux usages. En plus de l’identification des pathogènes, ces technologies peuvent contribuer à l’identification de carences minérales ou à l’estimation de la sévérité des symptômes.  

Ce que sous-tend la démarche adoptée dans le cadre de ces travaux, c’est une logique de mutualisation, à la fois des données, des méthodes mais aussi des expertises. Plutôt que de multiplier ces travaux par région ou culture, le consortium Pl@ntNet développe une approche commune et extensible, pensée pour être partagée et largement diffusée. Les jeux de données et les outils produits sont rendus accessibles publiquement, avec la volonté qu’ils soient réutilisés et enrichis par l’ensemble de la communauté Pl@ntNet qui travaille sur ces questions. « Nous mutualisons ainsi les ressources et les données existantes afin d'en faire bénéficier le plus grand nombre », résume le chercheur.   

Références

Vandeputte, J., Boulard, L., Aymard, J.-M., Goëau, H., Lombard, J.-C., Bonnet, P., Joly, A. 2026. Standardizing plant damage datasets via EPPO taxonomy: A label harmonization approach using large language models. Smart Agricultural Technology. https://doi.org/10.1016/j.atech.2026.101837

Chai, A.Y.H., Jee, K.L.Z., Lee, S.H., Tay, F.S., Vandeputte, J., Goëau, H., Bonnet, P., Joly, A. 2025. Deep-Plant-Disease Dataset Is All You Need for Plant Disease Identification. Proceedings of the 33rd ACM International Conference on Multimedia (MM '25). https://doi.org/10.1145/3746027.3758192

Chai, A.Y.H., Lee, S.H., Tay, F.S., Goëau, H., Bonnet, P., Joly, A. 2025. PlantAIM: A new baseline model integrating global attention and local features for enhanced plant disease identification. Smart Agricultural Technology. https://doi.org/10.1016/j.atech.2025.100813