allawi6966/leaftech

un modele de detection la maladie d'une feuille ⸻ 🌿 LeafScan Détection intelligente des maladies des plantes par Deep Learning ██╗ ███████╗ █████╗ ███████╗███████╗ ██████╗ █████╗ ███╗ ██╗ ██║ ██╔════╝██╔══██╗██╔════╝██╔════╝██╔════╝██╔══██╗████╗ ██║ ██║ █████╗ ███████║█████╗ ███████╗██║ ███████║██╔██╗ ██║ ██║ ██╔══╝ ██╔══██║██╔══╝ ╚════██║██║ ██╔══██║██║╚██╗██║ ███████╗███████╗██║ ██║██║ ███████║╚██████╗██║ ██║██║ ╚████║ ╚══════╝╚══════╝╚═╝ ╚═╝╚═╝ ╚══════╝ ╚═════╝╚═╝ ╚═╝╚═╝ ╚═══╝ Projet réalisé par l’équipe LeafTech — ENIT · Projet IoT & Intelligence Artificielle ⸻ 🌍 Contexte & Problématique La détection des maladies végétales est un enjeu majeur en agriculture. Un diagnostic tardif peut entraîner la propagation rapide d’une pathologie et des pertes importantes de récolte. LeafScan permet à l’utilisateur de photographier une feuille et d’obtenir en moins d’une seconde : • ✅ Le nom de la maladie détectée • 📊 Le niveau de confiance • 🌱 Les recommandations de traitement ⸻ 💡 Architecture du système 📷 Photo de feuille │ ▼ 🧠 Modèle CNN (PyTorch) │ ▼ 🌐 API Flask │ ▼ 🖥 Interface Web ⸻ 🧠 Modèle CNN Classes détectées Classe Maladie Symptômes 🟢 Healthy Feuille saine Couleur uniforme 🟡 Powdery Oïdium Taches blanches 🔴 Rust Rouille Pustules orangées Architecture • 4 blocs convolutifs : • Conv2d • BatchNorm • ReLU • MaxPool • 3 couches Fully Connected • Dropout pour éviter l’overfitting Performances Métrique Valeur Validation Accuracy 96.7% Test Accuracy 96.2% Paramètres 8.8 M Inférence Le modèle est chargé une seule fois au démarrage pour garantir un temps de réponse rapide. ⸻ 🖥 Interface Web Fonctionnalités : • Upload ou capture caméra • Appel API via fetch() • Affichage du diagnostic • Barres de probabilité animées • Recommandations agronomiques Structure : index.html script.js config.js style.css .env ⸻ 📊 Matrice de confusion Prédit → Healthy Powdery Rust Réel ↓ Healthy 312 8 2 Powdery 5 298 7 Rust 3 …