Computer Vision for Multi-Category African Plum (Safou) Defect Detection Vision par ordinateur pour la détection des défauts multicatégoriels des prunes africaines (Safou)

The African plum (Dacryodes edulis, Safou) is a nutritionally and economically significant crop across West and Central Africa, yet it suffers from post-harvest losses of 40-50% due largely to the absence of standardised quality assessment systems. This thesis investigates the application of state-of-the-art computer vision architectures to the automated multi-category classification of Safou fruit quality, leveraging an expert-annotated dataset of 4,507 images across six quality grades : Unaffected, Bruised, Cracked, Rotten, Spotted, and Unripe, collected across three agro-ecological regions of Cameroon. A comprehensive benchmark is conducted over twelve architecture families, spanning classical CNNs and modern attention-based models, all trained via ImageNet transfer learning and evaluated using accuracy, weighted and macro F1 scores, and per-class confusion matrix analysis. Results show that most models achieve accuracies in the range of 65%-71%, with ResNet-50, DenseNet121 and EfficientNet-B0 as top performers at 71.01%, 70.27% and 70.71% respectively, while ViT-B/16 and ConvNeXt Tiny lag behind at 60.65% and 62.28%, reflecting their higher data requirements. Consistently across all architectures, Unaffected and Unripe achieve the highest recall, while Bruised remains the most challenging class due to its visual overlap with adjacent defect categories. These findings underscore the intrinsic difficulty of fine-grained Safou classification and motivate future work on dataset expansion, data augmentation, and class imbalance mitigation, constituting the first systematic multi-architecture benchmark for this commercially important African crop. La prune africaine (Dacryodes edulis), communément appelée Safou, constitue une culture d'une importance nutritionnelle et économique majeure en Afrique de l'Ouest et en Afrique centrale. Toutefois, elle est confrontée à des pertes post-récolte estimées entre 40 % et 50 %, principalement en raison de l'absence de systèmes normalisés d'évaluation de la qualité. Ce mémoire étudie l'application d'architectures de vision par ordinateur de pointe à la classification automatisée multicatégorielle de la qualité des fruits de Safou, en s'appuyant sur un jeu de données annoté par des experts comprenant 4 507 images réparties en six catégories de qualité : Sain, Meurtri, Fissuré, Pourri, Tacheté et Non mûr. Ces données ont été collectées dans trois régions agroécologiques du Cameroun.Une évaluation comparative approfondie est réalisée sur douze familles d'architectures, couvrant à la fois les réseaux de neurones convolutifs (CNN) classiques et les modèles modernes fondés sur les mécanismes d'attention. Tous les modèles ont été entraînés à l'aide de l'apprentissage par transfert à partir d'ImageNet et évalués au moyen de plusieurs indicateurs de performance, notamment l'exactitude (accuracy), les scores F1 pondéré et macro, ainsi que l'analyse des matrices de confusion par classe.Les résultats montrent que la majorité des modèles atteignent une exactitude comprise entre 65 % et 71 %, les meilleures performances étant obtenues par ResNet-50 (71,01 %), EfficientNet-B0 (70,71 %) et DenseNet121 (70,27 %). À l'inverse, ViT-B/16 et ConvNeXt Tiny affichent des performances plus modestes, avec des exactitudes respectives de 60,65 % et 62,28 %, ce qui reflète leurs besoins plus importants en données d'entraînement. De manière cohérente pour l'ensemble des architectures évaluées, les catégories Sain et Non mûr présentent les meilleurs taux de rappel, tandis que la catégorie Meurtri demeure la plus difficile à classifier en raison de sa forte similarité visuelle avec les catégories de défauts voisines.Ces résultats mettent en évidence la difficulté intrinsèque de la classification fine des défauts du Safou et soulignent la nécessité de travaux futurs portant sur l'enrichissement du jeu de données, l'amélioration des techniques d'augmentation de données ainsi que la réduction du déséquilibre entre les classes. Cette étude constitue, à notre connaissance, la première évaluation comparative systématique de multiples architectures de vision par ordinateur appliquées à la classification multicatégorielle de la qualité du Safou, une culture africaine d'une importance commerciale considérable.