AgriSmart
Comment l'IA peut-elle aider les agriculteurs à repérer les maladies des plantes et à obtenir des conseils fiables ?
En partenariat avec
Pour le ministère de l’Agriculture de Guinée
Projet académique mené avec la startup INNOVUP, pour le ministère de l’Agriculture de Guinée. Une plateforme d’agriculture intelligente : un chatbot IA qui conseille l’agriculteur et diagnostique une maladie à partir d’une photo, des capteurs connectés sur le terrain, une application web et une application mobile Flutter. J’ai participé à la conception de l’IA, à la partie embarquée et à l’application mobile.
- Mon rôle
- Participation à la conception de l'IA, à la partie embarquée et à l'application mobile Flutter
- Durée
- 5 mois (janv. – mai 2026)
- Plateformes
- IA, Web, IoT
- Stack
- LangGraph
- Python
- Flutter
- ESP32-CAM
- PyTorch
- RAG
- Spring Boot
- Angular
- Raspberry Pi
- MQTT / MQTTS
- FastAPI
- MongoDB
- FAISS
- ONNX
- TensorFlow
- LangChain
- Groq API
- MCP (Model Context Protocol)
- Machine learning
- Computer vision
- WebSocket
- Prompt engineering
Situation
38classes de maladies végétales reconnues par le modèle ResNet9
Un agriculteur repère souvent une maladie trop tard, et n’a pas toujours un expert sous la main. AgriSmart lui donne un conseiller disponible à tout moment, branché sur les données de ses parcelles.
Projet académique en équipe, mené avec la startup INNOVUP et réalisé pour le ministère de l’Agriculture de Guinée, de janvier à mai 2026. Mon rôle : participer à la conception de l’IA, à la partie embarquée et à l’application mobile Flutter.
Produit
- Diagnostic par photo : on envoie l’image d’une feuille au chatbot, il identifie la maladie et propose traitements et prévention.
- Un chatbot qui connaît la ferme : il répond à partir d’une base de connaissances agricoles et des données réelles des parcelles.
- Capteurs en direct et alertes d’anomalies poussées en temps réel.
- Web (Angular) et mobile (Flutter), avec un mode vocal et une marketplace pour les produits.
Système
Le projet étant mené avec un partenaire, l’architecture détaillée reste confidentielle. Voici la stack.
- IA : Python, LangGraph, LangChain, LLM via Groq, RAG (FAISS), PyTorch, ONNX, TensorFlow.
- Backend : Spring Boot et Spring Cloud, FastAPI, Flask, MongoDB.
- Web et mobile : Angular, Flutter.
- Embarqué : ESP32, Raspberry Pi, MQTT.
Modèle & données
- Chatbot multi-agents construit avec LangGraph, qui s’appuie sur un LLM et sur une recherche dans une base de connaissances agricoles (RAG).
- Vision par ordinateur : un modèle ResNet9 reconnaît 38 maladies végétales à partir d’une photo.
- IA embarquée : une première analyse se fait directement sur les capteurs, sur le terrain.