REHAIL ,AyoubBOUCHETATA, DjihadBENOUDINA ,Lazhar2025-11-132025-11-132025http://dspace.univ-skikda.dz:4000/handle/123456789/5406La détection précoce des maladies de la pomme de terre, notamment le mildiou (Phytophthora infestans) et l'alternariose (Alternaria solani), représente un défi majeur en agriculture en raison de la rapidité de propagation et des impacts dévastateurs sur les rendements. Cette étude propose une approche innovante basée sur les réseaux de neurones convolutifs (CNN) pour classer automatiquement les états de santé des plants à partir d'images foliaires. En exploitant une base de données d'images annotées, nous avons développé et comparé plusieurs architectures profondes, incluant des modèles CNN personnalisés et des architectures pré-entraînées comme VGG16 et ResNet, évaluées à l'aide de métriques telles que l'accuracy, le F1-score, la précision et le rappel. Les résultats expérimentaux démontrent la supériorité des approches par apprentissage profond, avec notre modèle CNN personnalisé atteignant une précision de 98.7%, un F1-score de 0.98 et une AUC de 0.99, surpassant significativement les méthodes traditionnelles. Ces performances soulignent le potentiel des systèmes basés sur le deep learning pour fournir aux agriculteurs un outil de diagnostic rapide et fiable, contribuant ainsi à une gestion phytosanitaire plus efficace et durable.frThesis