Selon la banque mondiale, par rapport aux autres secteurs, la croissance de l’agriculture a plus d’effets sur l’augmentation des revenus des populations. Une étude publiée en 2016 stipule que 65% des travailleurs pauvres dépendent de l’agriculture pour vivre. Ainsi, une action efficace orchestrée par les pays en voie de développement visant à développer ce secteur pourrait mettre fin à l’extrême pauvreté et permettre une meilleure croissance économique dans ces pays. Selon les statistiques de la banque mondiale pour l’année 2020, le secteur de l’agriculture correspond à 20.2% du PIB en Mauritanie.

Par ailleurs, selon une étude publiée en 2021 par l’équipe FIDA Mauritanie, les projections globales des investissements nécessaires dans le secteur agricole s’élèveraient à 1.37 milliards de dollars d’ici 2030 dont 450 millions de dollars pour la culture des céréales, 804 millions de dollars pour la culture des légumes et 14 millions de dollars pour la culture des fruits. Particulièrement, l’agriculture du riz paddy aurait besoin de 107 millions de dollars d’investissement en 2030, pour atteindre 407 millions de dollars en 2100.

Sachant que le riz est un aliment ultra présent dans l’alimentation des mauritaniens, des mesures efficaces pour améliorer la qualité de l’agriculture du riz sont de grande nécessité. Cependant, les maladies des cultures de riz peuvent réduire considérablement son rendement et sa qualité, ce qui constitue un grand défi pour son approvisionnement.  Toutefois, sans une identification correcte de la maladie et de l’agent pathogène, les mesures de lutte contre les maladies peuvent être une perte de temps et de moyens financiers. Un bon diagnostic des maladies est donc vital. En alliant connaissances d’experts et technologies avancées tels que l’intelligence artificielle et/ou les systèmes IoT, la performance et l’efficacité de ces diagnostics pourraient être considérablement améliorées.

Les infections non détectées sur les feuilles de riz peuvent entraîner un retard important dans le développement de la récolte et ainsi diminuer la production. Diverses maladies peuvent être à la base de ces infections dont les trois principales sont : la brûlure bactérienne, la pyriculariose et les lésions brunes.

Grâce à une approche novatrice basée sur un modèle de Deep Learning et l’utilisation de drones, nous avons mis en place un système de détection automatisée pour ce genre de maladies.