Diagnostiquer une plante malade avec l'IA : la méthode en 5 photos et ses limites

Des taches brunes sur les feuilles du bas des tomates à la mi-août, un duvet suspect sur les courges après une semaine de pluie, un poivron qui noircit par le bout : au potager, les mauvaises surprises arrivent souvent au moment où on a le moins le temps d'ouvrir un livre. En 2026, le réflexe est de sortir le cellulaire et de demander à une IA. Les outils sont là : Pl@ntNet a ouvert sa détection des maladies à tout le monde le 9 février 2026, Google propose Search Live, qui « voit » ce que la caméra voit, et les assistants conversationnels acceptent des photos.

Le problème, c'est que les études sont claires sur un point : ces outils reconnaissent assez bien qu'une plante va mal, mais beaucoup moins bien de quelle maladie il s'agit. Ce guide te propose une méthode en cinq photos pour mettre les chances de ton bord, un tour des outils, les erreurs les plus fréquentes et, surtout, la façon de faire confirmer le tout par des ressources québécoises fiables avant de traiter quoi que ce soit.

Les 5 photos qui donnent une vraie chance à l'IA (et à l'expert)

Les cliniques de diagnostic des universités demandent toutes la même chose : plusieurs photos, prises sous plusieurs angles, qui montrent à la fois le détail et l'ensemble. Le programme maraîcher de Cornell estime qu'il faut généralement 3 à 5 photos pour une maladie ou un problème mystère; la clinique des maladies des plantes de Virginia Tech en demande de 3 à 7. La séquence ci-dessous en garde cinq, choisies pour couvrir ce que ces guides réclament le plus souvent. Elle vaut autant pour une IA que pour un humain : si un jour tu dois envoyer ton cas à un laboratoire, tu auras déjà le bon matériel.

1. Le plant entier et son entourage. Recule pour montrer où se trouve le problème : le bas du plant, un seul côté, tout le rang. Virginia Tech veut voir la répartition des symptômes dans le jardin. Dans son exemple de tache septorienne de la tomate, Cornell montre des plants tuteurés où le problème est pire dans le bas, avec de la boue éclaboussée sur les feuilles inférieures : ce détail de contexte est déjà un indice.
2. Le dessus d'une feuille atteinte, mais pas encore détruite. Cornell insiste : choisis une partie touchée qui n'est pas complètement morte. Une feuille sèche et brune ne montre plus grand-chose de la maladie qui l'a tuée.
3. Le dessous de la même feuille. Les symptômes peuvent être différents d'une face à l'autre. Le duvet du mildiou des cucurbitacées, par exemple, se trouve sous la feuille. Virginia Tech demande explicitement les deux faces.
4. Un gros plan net du symptôme, avec un repère d'échelle. L'Université du Maryland recommande une règle, ou à défaut une pièce de monnaie, un crayon, une pile ou un doigt. Approche-toi au lieu d'utiliser le zoom numérique, qui dégrade l'image.
5. La tige, le collet ou les racines. Pour un problème de racines, un problème non parasitaire ou un vrai mystère, Cornell demande une photo des racines et du collet coupé verticalement. Si tu ne veux pas arracher le plant, photographie au moins la base de la tige et le sol autour : l'Université du Maryland conseille d'inspecter tiges, tronc, sol et feuilles.

Ajoute si possible une partie saine à côté d'une partie malade. NC State Extension demande des photos des deux, plus une vue d'ensemble, et veut savoir où les symptômes ont commencé. La comparaison aide l'humain comme la machine à voir ce qui cloche, et la question « où ça a commencé ? » oriente souvent vers la bonne famille de problèmes.

Lumière, netteté, échelle : les détails qui changent la réponse

Une IA ne peut analyser que les pixels que tu lui donnes. Une photo floue, surexposée ou teintée par un filtre lui fait voir une autre plante. Les guides de vulgarisation donnent des consignes très concrètes, faciles à appliquer avec n'importe quel cellulaire. La première est la plus négligée : essuie la lentille, qui traîne dans une poche de jeans avec de la terre sur les doigts. Prends ensuite plusieurs photos de chaque vue et garde la plus nette.

La photo ne dit pas tout. L'Université du Maryland demande aux jardiniers qui écrivent à son service Ask Extension de fournir le contexte : un herbicide appliqué à proximité, des travaux récents, la durée du problème, la météo (forte pluie, sécheresse) et l'emplacement (bas de pente, ombre, plein soleil). Une IA n'a que ce que tu lui donnes; écris donc ce contexte dans ta question. Nomme la culture et la variété si tu la connais, depuis quand tu vois les symptômes, comment tu arroses et ce qui a changé dernièrement. Ces quelques lignes valent souvent plus qu'une sixième photo.

Quels outils d'IA essayer, et pour quoi faire

Tous les outils ne font pas le même travail, et c'est la première source de confusion. Certains sont faits pour identifier une plante (lui donner un nom), d'autres essaient de diagnostiquer ce qui la rend malade. Une appli qui reconnaît très bien une espèce n'a jamais été testée pour autant sur les maladies. Le tableau résume ce que la recherche permet d'affirmer en octobre 2026.

Pour Pl@ntNet, la nouveauté est réelle, mais la couverture reste limitée pour nos potagers : l'outil a été pensé d'abord pour les agriculteurs et pour les cultures clés de la France, comme le colza, le café et la vigne. Le mode d'emploi et les limites sont détaillés dans notre article sur la fonction maladies de Pl@ntNet. Du côté de Google, Search Live est offert dans l'appli Google depuis le 26 mars 2026 partout où le Mode IA existe, et Gemini Live avec caméra est gratuit sur Android et iOS depuis mai 2025; on explique la différence entre les deux, et la question du français au Canada, dans notre guide de Search Live au jardin.

Pour les assistants conversationnels, il faut être honnête : aucune étude publiée ne dit lequel de ChatGPT, Gemini, Claude ou Copilot reconnaît le mieux une maladie de plante sur une photo. On a rassemblé ce que disent vraiment les bancs d'essai, et une façon de tester toi-même, dans notre article sur les tests des assistants IA. Enfin, si tu cherches surtout à mettre un nom sur une plante (une mauvaise herbe qui envahit tes rangs, par exemple), le test de l'Université du Maryland décortiqué dans notre article sur les applis d'identification et notre tour d'horizon des applications gratuites pour identifier les plantes te seront plus utiles.

Pourquoi l'IA se trompe sur les maladies de plantes

Les chercheurs ont commencé à mesurer la performance des grands modèles multimodaux, ceux qui « lisent » les images, sur les maladies des plantes. Le portrait est cohérent d'une étude à l'autre. Dans LeafBench, un banc d'essai publié en février 2026 avec près de 14 000 questions sur 97 classes de maladies foliaires, les modèles dépassent 90 % quand il s'agit de distinguer une feuille saine d'une feuille malade. Mais l'identification fine du pathogène et de l'espèce reste sous 65 %, et les meilleurs modèles fermés testés (GPT-4o, Gemini 2.5 Pro) plafonnent à 72 %. Dans AgroBench, présenté à la conférence ICCV 2025, GPT-4o identifiait correctement la maladie dans 64,2 % des cas, avec des questions à choix multiples où le hasard donnait 21,8 %. Les auteurs attribuent la majorité des erreurs (51,9 %) à un manque de connaissances, avant les erreurs de perception (32,7 %).

Ces chiffres sont obtenus dans des conditions qui avantagent la machine : des choix de réponses imposés. Les auteurs de LeafBench expliquent les avoir imposés justement parce que la génération libre est « sujette aux hallucinations ». Or, quand tu poses une question ouverte à un assistant (« c'est quoi, cette maladie ? »), tu te places précisément dans la situation la plus risquée : l'IA peut inventer un nom plausible et l'énoncer avec assurance. Une autre étude, sur des images de champs, montre que la fiabilité d'un modèle dépend de sa calibration, c'est-à-dire de l'accord entre sa confiance affichée et sa justesse réelle : un des modèles testés surévaluait le risque critique de 3,5 à 14,4 points.

Deux autres limites pèsent lourd au jardin. D'abord, beaucoup de modèles apprennent sur des photos de laboratoire (une feuille centrée sur fond uni) et généralisent mal aux photos prises sur le terrain, avec de la terre, du soleil et des feuilles qui se chevauchent. Ensuite, les modèles évalués dans ces études sont plus anciens que les versions grand public d'octobre 2026, et ils étaient interrogés par API, pas dans une conversation comme la tienne : leurs chiffres ne se transposent pas directement. Une piste encourageante, par contre : l'étude PlantInquiryVQA (avril 2026) observe que les modèles décrivent correctement les symptômes, mais peinent à poser le bon diagnostic, et qu'un questionnement guidé, étape par étape, améliore le résultat et réduit les hallucinations. En pratique, demande d'abord à l'IA de décrire ce qu'elle voit, puis de proposer deux ou trois hypothèses et de dire ce qui permettrait de les départager.

Les services de vulgarisation résument tout ça en une phrase. Les Master Gardeners de NC State Extension écrivent « Don't trust and definitely verify! » (ne fais pas confiance, et vérifie toujours), en rappelant que l'IA peut halluciner et donner des conseils mal adaptés à la région. UF/IFAS, en Floride, prévient que les réponses des robots conversationnels ne viennent pas forcément d'experts qualifiés et peuvent être inexactes ou trompeuses.

Les confusions classiques du potager québécois

Certaines maladies se ressemblent tellement que même un œil exercé hésite au début. C'est le cas de trois taches foliaires de la tomate : la tache septorienne, l'alternariose (brûlure alternarienne) et la tache bactérienne. L'Extension de l'Université du Minnesota écrit qu'aux tout premiers stades, elles sont difficiles à distinguer. Les trois commencent sur les feuilles du bas, contaminées par les éclaboussures de sol, et la bonne nouvelle, c'est que les mesures de gestion sont les mêmes pour les trois. Au Québec, le Réseau d'avertissements phytosanitaires du MAPAQ signale ces maladies ensemble dans les champs, principalement sur le vieux feuillage.

Le Réseau décrit des différences utiles pour juger la réponse d'une IA. L'alternariose donne des taches arrondies, brun foncé à noires, de tailles variables, avec des motifs concentriques « en nœuds de bois » et un jaunissement autour. La tache septorienne apparaît d'abord sur les vieilles feuilles, en petites taches circulaires d'environ 6 mm au pourtour brun et au centre nécrosé, parsemé de petits points noirs (les pycnides). La moisissure grise, elle, forme des lésions en forme de flamme couvertes d'un duvet gris. C'est pour voir ces points noirs que le gros plan net de la photo n° 4 est si important.

Chez les cucurbitacées, UF/IFAS distingue le blanc, qui forme des taches circulaires blanches et poudreuses, généralement sur le dessus des feuilles, du mildiou, qui forme des taches anguleuses limitées par les nervures, avec un duvet blanchâtre à gris sous la feuille. Avec le mildiou, le jaunissement peut apparaître avant même que le champignon soit visible. D'où l'importance de photographier le dessous des feuilles, sans lunettes de soleil.

Enfin, deux « maladies » très fréquentes n'en sont pas. La pourriture apicale de la tomate et du poivron est une carence localisée en calcium dans le fruit, qui ne veut pas forcément dire que le sol en manque : le calcium voyage avec l'eau, et un arrosage irrégulier nuit à son transport, selon Clemson Extension. La prévention passe par un sol uniformément humide (paillis, goutte-à-goutte) et une analyse de sol avant de planter. Le piège, pour une IA, c'est que la lésion peut ensuite être colonisée par des moisissures : le Réseau d'avertissements note qu'avec l'humidité, divers pathogènes secondaires viennent coloniser ces fruits. Au Québec, la pourriture apicale et l'insolation des fruits sont d'ailleurs signalées en même temps, par temps chaud et en période de stress hydrique. Plus largement, le laboratoire du MAPAQ diagnostique aussi des problèmes non parasitaires liés au climat ou aux pratiques culturales : une photo seule ne suffit pas toujours à trancher entre une maladie et un stress.

Contre-vérifier au Québec : IRIIS, Jardin botanique et laboratoire du MAPAQ

Une réponse d'IA est une hypothèse, pas un diagnostic. Le premier réflexe est de la comparer à des photos validées. IRIIS phytoprotection, développé par le MAPAQ et le CRAAQ, est une banque d'images et d'information sur les ennemis des cultures, dont une grande partie des photos vient de la collection du laboratoire du MAPAQ. On peut y chercher par culture, par symptôme ou par organisme. L'outil vise d'abord les conseillers agricoles, couvre les plantes cultivées plutôt que les jardins amateurs et rappelle qu'« il est recommandé de toujours référer à un expert pour obtenir un véritable diagnostic ». Notre guide pour vérifier un diagnostic avec IRIIS phytoprotection explique comment t'en servir pas à pas.

Pour l'avis d'un humain, le service de renseignements horticoles du Jardin botanique de Montréal (Espace pour la vie) est gratuit : identification, diagnostic de problèmes et conseils d'entretien écologique. Il répond à plus de 8 000 demandes par année, avec un délai pouvant atteindre trois semaines selon la saison. Il ne fait pas d'analyses de laboratoire, et en envoyant ta demande, tu l'autorises à publier ta question et tes photos avec ton prénom, une partie de ton nom et ta ville.

Quand l'enjeu est plus sérieux (une culture importante, un problème qui revient chaque année), le Laboratoire d'expertise et de diagnostic en phytoprotection du MAPAQ est ouvert à « toute personne » qui veut identifier un problème dans sa culture, même s'il sert surtout les producteurs et les conseillers. On remplit un formulaire en ligne, puis on envoie des images par courriel ou des échantillons par la poste. Une première réponse arrive en 24 à 48 heures, et les résultats, généralement entre 24 heures et deux semaines. La grille 2026 ne prévoit pas de tarif distinct pour les particuliers, et les taxes n'y sont pas précisées.

Entre les deux, il y a souvent quelqu'un dans ta région qui a déjà vu ton problème. La Fédération des sociétés d'horticulture et d'écologie du Québec (FSHEQ) publie un répertoire de ses sociétés membres classées par région (les Laurentides, par exemple). Une photo bien faite, montrée à des jardiniers d'expérience du coin, complète bien une réponse d'IA.

La routine complète, du cellulaire au diagnostic confirmé

Mis bout à bout, voici la façon de faire qu'on te suggère la prochaine fois qu'une plante a l'air mal en point. Elle t'évite surtout de traiter à l'aveugle un problème qui n'est peut-être même pas une maladie.

1. Observe avant de photographier : où ça a commencé, quelles feuilles sont touchées, quelle météo il a fait.
2. Prends les cinq photos (plant entier, dessus, dessous, gros plan avec échelle, tige ou racines), sans filtre ni lunettes de soleil.
3. Écris le contexte : culture, variété, durée, arrosage, météo, produits appliqués à proximité.
4. Demande à l'IA de décrire ce qu'elle voit, puis de proposer deux ou trois hypothèses et les indices qui les distinguent.
5. Compare ces hypothèses aux fiches et aux photos validées d'IRIIS phytoprotection.
6. En cas de doute, envoie tes photos au Jardin botanique ou à une société d'horticulture; pour un enjeu sérieux, au laboratoire du MAPAQ.
7. Ne traite qu'une fois le problème confirmé, et commence par les mesures culturales quand elles s'appliquent (un arrosage régulier et du paillis contre la pourriture apicale, par exemple).

L'IA est un bon point de départ pour formuler une hypothèse et apprendre le vocabulaire des symptômes, et elle s'améliore. Mais dans les bancs d'essai sur des modèles généralistes non ajustés, les résultats plafonnent encore autour de 64 à 72 % de bonnes réponses sur la maladie exacte, et ce, avec des choix de réponses imposés (seul un modèle ajusté sur un jeu de photos précis a fait beaucoup mieux, dans des conditions de laboratoire). Pour aller plus loin, commence par le mode d'emploi de Pl@ntNet maladies, puis jette un œil à notre sélection d'outils technologiques accessibles pour le potager.

Sources

• How to Take a Photo for Crop Diagnostics, Cornell Cooperative Extension, 2021.
• Guidance for Submitting a Good Digital Sample to the Plant Disease Clinic, Virginia Tech Plant Disease Clinic, s. d..
• Tips for Submitting Photos to Ask Extension, University of Maryland Extension, 2026.
• Taking Photos for Disease Diagnosis & Insect Identification, NC State Extension, 2021.
• Release notes, Pl@ntNet, 2026.
• Quand une plante dépérit, encore faut-il savoir pourquoi… Maladies & Ravageurs, Pl@ntNet, 2026.
• Search Live is expanding globally, Google, 2026.
• Gemini gets more personal, proactive and powerful, Google, 2025.
• Lentille, Google, 2026.
• Snap It or Scrap It: Putting Plant ID Apps to the Test, University of Maryland Extension, 2025.
• LeafNet: A Large-Scale Dataset and Comprehensive Benchmark for Foundational Vision-Language Understanding of Plant Diseases, arXiv, 2026.
• AgroBench: Vision-Language Model Benchmark in Agriculture, arXiv / ICCV, 2025.
• Thinking Like a Botanist: Challenging Multimodal Language Models with Intent-Driven Chain-of-Inquiry, arXiv, 2026.
• Fusing Perceptual Vision Experts with Multimodal LLMs for Explainable Plant Disease Diagnosis…, arXiv, 2026.
• Rethinking Plant Disease Diagnosis: Bridging the Academic–Practical Gap…, arXiv, 2025.
• AI and Gardening: Proceed with Caution!, NC State Extension Master Gardener Volunteers of Buncombe County, 2025.
• Gardening Meets AI, UF/IFAS Extension Gardening Solutions, 2025.
• Tomato leaf spot diseases, University of Minnesota Extension, 2018.
• Solanacées, Avertissement N° 3, MAPAQ – Réseau d'avertissements phytosanitaires, 2015.
• Solanacées, Avertissement N° 13, MAPAQ – Réseau d'avertissements phytosanitaires, 2018.
• Powdery Mildew vs Downy Mildew, UF/IFAS Extension Gardening Solutions, 2024.
• Gardening Myths: Fix Blossom End Rot with Calcium Sprays, Clemson Cooperative Extension, 2020.
• Solanacées, Avertissement N° 11, MAPAQ – Réseau d'avertissements phytosanitaires, 2017.
• Solanacées, Avertissement N° 9, MAPAQ – Réseau d'avertissements phytosanitaires, 2019.
• À propos, IRIIS phytoprotection (CRAAQ), 2026.
• Conditions d'utilisation, CRAAQ, 2026.
• Conditions d'utilisation du service de renseignements horticoles, Espace pour la vie, 2026.
• Laboratoire d'expertise et de diagnostic en phytoprotection, Gouvernement du Québec, 2026.
• LEDP – Services et tarification 2026, MAPAQ / Agri-Réseau, 2026.
• Sociétés membres, Fédération des sociétés d'horticulture et d'écologie du Québec, 2026.