La vision par ordinateur appliqu\u00e9e \u00e0 l\u2019agriculture transforme la mani\u00e8re dont on surveille les cultures, d\u00e9tecte les maladies, g\u00e8re les adventices et estime les rendements. Cet article pr\u00e9sente un panorama complet : r\u00e9sum\u00e9, abstract en anglais, introduction, \u00e9tat de l\u2019art (revue syst\u00e9matique des principales t\u00e2ches et m\u00e9thodes), analyse comparative des approches (algorithmes, capteurs, plateformes), d\u00e9fis actuels et pistes de recherche. Les applications couvrent la d\u00e9tection de maladies foliaires, l\u2019identification des mauvaises herbes, la surveillance par drone\/satellite, la segmentation pour le ph\u00e9notypage et l\u2019optimisation post-r\u00e9colte. Nous concluons par des recommandations pratiques pour la mise en \u0153uvre (capteurs, mod\u00e8les, m\u00e9triques) et les directions futures (f\u00e9d\u00e9ration de l\u2019apprentissage, multimodalit\u00e9, d\u00e9ploiement embarqu\u00e9). ScienceDirect+2SpringerLink+2<\/a><\/p>\n\n\n\n Computer vision for agricultural recognition enables automated monitoring and decision support across crop health, weed management, yield estimation and post-harvest sorting. This article provides (1) an executive summary, (2) an introduction to core tasks and sensors, (3) a state-of-the-art systematic review of deep-learning methods (classification, detection, segmentation, and remote sensing), (4) a comparative analysis of model families and sensing platforms, and (5) recommendations and future research directions (federated learning, multimodal fusion, on-edge inference). Recent surveys show rapid progress in deep models and UAV\/satellite integration but highlight data, domain-shift and deployment challenges. ScienceDirect+1<\/a><\/p>\n\n\n\n La pression pour produire plus, mieux et avec moins de ressources fait de l\u2019agriculture un domaine o\u00f9 l\u2019automatisation et l\u2019aide \u00e0 la d\u00e9cision sont essentielles. La vision par ordinateur (Computer Vision \u2014 CV) fournit des outils non invasifs pour extraire des informations \u00e0 partir d\u2019images \u2014 issues de cam\u00e9ras RGB, multispectrales ou hyperspectrales \u2014 embarqu\u00e9es sur des drones, v\u00e9hicules terrestres ou satellites. Les syst\u00e8mes CV en agriculture visent notamment \u00e0 : (i) d\u00e9tecter et classifier des maladies des plantes ; (ii) rep\u00e9rer et quantifier les mauvaises herbes ; (iii) estimer l\u2019\u00e9tat de croissance et le rendement ; (iv) contr\u00f4ler la qualit\u00e9 post-r\u00e9colte. Les revues r\u00e9centes montrent une acc\u00e9l\u00e9ration des travaux, en particulier depuis l\u2019adoption massive des r\u00e9seaux profonds et des plateformes UAV\/remote sensing. ScienceDirect+1<\/a><\/p>\n\n\n\n Nous synth\u00e9tisons ici les conclusions de revues et \u00e9tudes syst\u00e9miques r\u00e9centes (analyses 2020\u20132025) qui compilent travaux sur la d\u00e9tection de maladies, l\u2019objet-detection agricole, et la segmentation par deep learning. Ces revues identifient tendances, datasets publics, mod\u00e8les dominants et lacunes (donn\u00e9es, robustesse, d\u00e9ploiement). SpringerLink+1<\/a><\/p>\n\n\n\n Revues r\u00e9centes recensent des corpus : PlantVillage (maladies foliaires contr\u00f4l\u00e9es), diverses collections UAV (surveillance parcellaire), et jeux multispectraux\/hyperspectraux pour estimation nutritionnelle. Les m\u00e9triques usuelles : pr\u00e9cision, rappel, F1, mAP (detection), IoU \/ mIoU (segmentation), RMSE \/ R\u00b2 (r\u00e9gression de rendement). Les \u00e9tudes montrent que des scores \u00e9lev\u00e9s sur datasets \u00ab propres \u00bb ne garantissent pas la robustesse in situ. SpringerLink<\/a><\/p>\n\n\n\n Bas\u00e9 sur revues syst\u00e9matiques et \u00e9tudes r\u00e9centes :<\/p>\n\n\n\n La vision par ordinateur r\u00e9volutionne la reconnaissance agricole : depuis la d\u00e9tection pr\u00e9coce de maladies jusqu\u2019\u00e0 la robotique de r\u00e9colte. Les avanc\u00e9es en deep learning et la disponibilit\u00e9 croissante d\u2019images UAV\/satellites ont permis de franchir d\u2019importantes \u00e9tapes, mais la transition vers des solutions op\u00e9rationnelles robustes exige encore des efforts sur la qualit\u00e9 et la diversit\u00e9 des donn\u00e9es, la r\u00e9sistance au domain shift et le d\u00e9ploiement embarqu\u00e9. Les pistes les plus prometteuses incluent la fusion multimodale, l\u2019apprentissage f\u00e9d\u00e9r\u00e9 et l\u2019adaptation domaine-to-domaine \u2014 autant d\u2019axes o\u00f9 la recherche et l\u2019industrie convergent actuellement. ScienceDirect+1<\/a><\/p>\n\n\n\n R\u00e9sum\u00e9 (fran\u00e7ais) La vision par ordinateur appliqu\u00e9e \u00e0 l\u2019agriculture transforme la mani\u00e8re dont on surveille les cultures, d\u00e9tecte les maladies, g\u00e8re les adventices et estime les rendements. Cet article pr\u00e9sente un panorama complet : r\u00e9sum\u00e9, abstract en anglais, introduction, \u00e9tat de l\u2019art (revue syst\u00e9matique des principales t\u00e2ches et m\u00e9thodes), analyse comparative des approches (algorithmes, capteurs, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":2048,"menu_order":4,"comment_status":"closed","ping_status":"closed","template":"","doc_tag":[],"class_list":["post-2303","docs","type-docs","status-publish","hentry","no-post-thumbnail"],"acf":[],"_links":{"self":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2303","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs"}],"about":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/types\/docs"}],"author":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/comments?post=2303"}],"version-history":[{"count":2,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2303\/revisions"}],"predecessor-version":[{"id":6598,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2303\/revisions\/6598"}],"up":[{"embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/docs\/2048"}],"wp:attachment":[{"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/media?parent=2303"}],"wp:term":[{"taxonomy":"doc_tag","embeddable":true,"href":"https:\/\/sahelib.atatec-design.com\/index.php\/wp-json\/wp\/v2\/doc_tag?post=2303"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Abstract (English)<\/h2>\n\n\n\n
\n\n\n\n1. Introduction<\/h1>\n\n\n\n
\n\n\n\n2. \u00c9tat de l\u2019art (revue syst\u00e9matique synth\u00e9tique)<\/h1>\n\n\n\n
2.1 M\u00e9thodologie de la revue<\/h3>\n\n\n\n
2.2 Principales t\u00e2ches et m\u00e9thodes<\/h3>\n\n\n\n
\n
2.3 Datasets, m\u00e9triques, benchmarks<\/h3>\n\n\n\n
\n\n\n\n3. Analyse comparative (approches, capteurs, plateformes)<\/h1>\n\n\n\n
3.1 Comparaison des familles de mod\u00e8les<\/h3>\n\n\n\n
\n
3.2 Capteurs et leur r\u00f4le<\/h3>\n\n\n\n
\n
3.3 Plateformes de collecte<\/h3>\n\n\n\n
\n
3.4 Performances et contraintes (vitesse vs pr\u00e9cision)<\/h3>\n\n\n\n
\n
\n\n\n\n4. D\u00e9fis, lacunes et bonnes pratiques<\/h1>\n\n\n\n
4.1 D\u00e9fis majeurs<\/h3>\n\n\n\n
\n
4.2 Bonnes pratiques recommand\u00e9es<\/h3>\n\n\n\n
\n
\n\n\n\n5. Revue syst\u00e9matique \u2014 synth\u00e8se des tendances (points saillants)<\/h1>\n\n\n\n
\n
\n\n\n\n6. Recommandations techniques (pour un projet de reconnaissance agricole)<\/h1>\n\n\n\n
\n
\n
\n\n\n\n7. Perspectives et directions de recherche<\/h1>\n\n\n\n
\n
\n\n\n\n8. Conclusion<\/h1>\n\n\n\n
\n\n\n\nR\u00e9f\u00e9rences s\u00e9lectionn\u00e9es (revues et sources cl\u00e9s consult\u00e9es)<\/h2>\n\n\n\n
\n