HYBRID DEEP ENSEMBLE LEARNING WITH GEOMETRIC FEATURE ANALYSIS FOR ROBUST CASSAVA DISEASE CLASSIFICATION UNDER CLASS IMBALANCE

Les maladies du manioc menacent gravement la sécurité alimentaire en Afrique subsaharienne et dans les régions tropicales. Bien que la phytopathologie basée sur l’IA permette une reconnaissance automatisée des maladies, les modèles d’apprentissage profond existants souffrent de déséquilibre de classe, d’une faible généralisation et d’une interprétabilité limitée dans des conditions d’imagerie hétérogènes. Cette étude propose un cadre ensembliste hybride intégrant une analyse des caractéristiques géométriques pour pallier ces limites. La chaîne de traitement combine une augmentation des classes minoritaires, l’apprentissage par transfert utilisant ResNet18, EfficientNet et MobileNetV2, des stratégies ensemblistes probabilistes (vote souple, vote dur, empilement, blending) et une évaluation sensible à l’incertitude. L’analyse géométrique dans l’espace latent via l’ACP et t-SNE améliore l’interprétabilité, tandis que l’estimation de confiance basée sur l’entropie évalue la fiabilité prédictive. Les résultats expérimentaux démontrent que l’ensemble par empilement (Stacking) atteint une précision globale de 100%, avec une précision, un rappel et un F1-score moyennés macro de 100%, tandis que le vote probabiliste et le vote dur atteignent respectivement 99% et 94%de précision. Le meta-apprentissage avec blending a obtenu de faibles performances (68% de précision), soulignant l’importance du choix de la stratégie d’ensemble. Le vote probabiliste, le vote dur et le stacking surpassent systématiquement le blending, produisant une faible entropie prédictive et une haute confiance. L’analyse géométrique confirme une forte séparabilité des classes dans l’espace latent, validant le pouvoir discriminant des représentations apprises. L’approche proposée offre une solution computationnellement efficace, interprétable et statistiquement robuste pour l’agriculture de précision et la surveillance intelligente des maladies des cultures dans des conditions réalistes de déséquilibre.