Diagnostic et Optimisation de la Fertilisation Agricole par Intelligence Artificielle : Analyse des Carences Nutritionnelles à Travers l’Imagerie des Feuilles

Abstract

L'optimisation de la fertilisation agricole représente un enjeu majeur pour améliorer la productivité tout en minimisant l'impact environnemental. Ce mémoire propose une approche innovante basée sur l'intelligence artificielle et la vision par ordinateur pour diagnostiquer les carences nutritionnelles des plantes à partir de photographies des feuilles. En utilisant des algorithmes de Deep Learning, le modèle développé identifie les déficiences en nutriments essentiels (calcium, azote, phosphore) et recommande des ajustements de fertilisation adaptés. La méthodologie repose sur la constitution d'un dataset d'images de feuilles annotées présentant différentes carences nutritionnelles. Cette recherche s'inscrit dans l'agriculture de précision et vise à améliorer la gestion des intrants agricoles pour une agriculture plus durable. Les résultats démontrent l'efficacité de l'approche pour le diagnostic précoce des carences, contribuant à une fertilisation optimisée et respectueuse de l'environnement.