Localisation des points de croissance des plantes via un recuit préalable par epoch

Désherbage plus malin pour un monde affamé

Alors que la population mondiale augmente, les agriculteurs sont soumis à la pression de produire davantage en utilisant moins de produits chimiques et en protégeant l’environnement. Un défi majeur consiste à éliminer les mauvaises herbes sans nuire aux cultures utiles. Cet article présente une nouvelle stratégie d'entraînement en intelligence artificielle (IA) qui aide les machines à localiser précisément les points d’où poussent les plantes — leurs points de croissance — afin que des outils comme les désherbeurs laser ou électriques puissent cibler les mauvaises herbes avec une précision chirurgicale et épargner les cultures.

Pourquoi les points de croissance sont importants

Les mauvaises herbes volent la lumière du soleil, l’eau et les nutriments aux cultures, réduisant les rendements et menaçant la sécurité alimentaire. Les agriculteurs s’appuient souvent sur les herbicides, mais leur usage excessif pose des problèmes de santé, de pollution et favorise l’apparition de résistances. De nouvelles techniques telles que le désherbage thermique, électrique ou laser promettent un contrôle plus propre en détruisant les plantes mécaniquement ou par faisceaux d’énergie. Pour fonctionner en toute sécurité, ces systèmes doivent distinguer les cultures des mauvaises herbes puis localiser les minuscules points de croissance — souvent aux jonctions des tiges — où l’endommagement est le plus efficace. De nombreux outils de vision par ordinateur existants peuvent détecter des plantes entières, mais peinent à trouver ces cibles réduites avec la précision et la rapidité nécessaires pour une utilisation en temps réel sur le terrain.

Transformer des indices colorimétriques simples en guidage puissant

Les chercheurs partent d’une idée simple : les plantes vertes se distinguent du sol brun sur des photos couleur classiques. Une formule colorimétrique bien connue, appelée indice de végétation ExG-ExR, combine les valeurs rouge, vert et bleu de chaque pixel de sorte que les pixels végétaux apparaissent brillants et les pixels de sol sombres. Cet indice peut être calculé à partir de n’importe quelle caméra standard sans capteurs supplémentaires. Dans le nouveau système, cet indice de végétation est ajouté aux trois canaux colorimétriques habituels comme quatrième entrée pour un détecteur IA populaire connu sous le nom de YOLO-Pose. Cette vue à quatre canaux donne au modèle une image plus nette de l’emplacement des plantes, l’aidant à se concentrer sur les bonnes zones lors de la recherche des points de croissance.

Apprendre de l’idée simple vers la difficulté

Fournir simplement une information supplémentaire ne suffit pas ; le modèle doit aussi apprendre à l’utiliser. L’équipe introduit une stratégie dite de « recuit préalable par epoch » (epoch-based prior annealing, EPA), inspirée de la façon dont les humains apprennent. Au début de l’entraînement, le modèle est fortement incité à maintenir ses points de croissance prédits à l’intérieur des zones végétales, en utilisant l’indice de végétation comme guide. S’il place un point dans le sol, l’algorithme d’entraînement impose une pénalité plus lourde ; si le point se trouve dans des pixels végétaux, la pénalité est plus légère. Au fur et à mesure de l’entraînement, ce guidage est progressivement réduit selon un calendrier lisse, permettant au modèle de moins dépendre de l’indice colorimétrique grossier et de davantage se fier aux motifs visuels fins qu’il a appris. À la fin, l’IA n’est plus contrainte à viser les pixels les plus verts, qui ne correspondent pas forcément aux véritables points de croissance, mais affine elle-même leurs positions.

Valider l’idée sur des parcelles réelles

Pour tester leur approche, les auteurs ont entraîné des modèles sur deux jeux de données du monde réel contenant des milliers d’images de champs avec plusieurs espèces cultivées et de nombreux types de mauvaises herbes. Ils ont comparé des versions du modèle YOLO-Pose avec et sans le canal de végétation additionnel et la stratégie EPA. L’ajout seul de l’indice de végétation a apporté des gains modestes, mais sa combinaison avec l’EPA a conduit à des améliorations nettes de la précision de localisation des points de croissance — environ 2,4 points de pourcentage dans un score de détection standard — sans nuire à la capacité du modèle à encadrer les plantes entières. Le surcoût de calcul était minime (moins d’un demi‑pourcent du coût total), rendant la méthode adaptée aux robots agricoles aux ressources limitées. Des tests dans différentes conditions d’éclairage, niveaux d’humidité du sol et même avec différentes versions de YOLO ont montré que la stratégie est largement utile, bien qu’assez sensible à l’intensité et à la durée du guidage préalable appliqué.

Ce que cela signifie pour l’agriculture de demain

Pour les non-spécialistes, la conclusion clé est qu’un petit ajustement dans la manière d’entraîner l’IA — utiliser d’abord un indice simple basé sur la couleur puis laisser progressivement le modèle se débrouiller seul — peut rendre les machines bien meilleures pour trouver les emplacements exacts sur les plantes où l’action compte. Cette amélioration de la localisation des points de croissance pourrait aider les futurs robots de désherbage à diriger des impulsions électriques ou des faisceaux laser précisément sur les mauvaises herbes tout en épargnant les cultures, réduisant l’usage d’herbicides et l’impact environnemental. La même stratégie peut être adaptée à d’autres types de signaux végétaux et de modèles d’IA, ouvrant la voie à des systèmes de vision plus intelligents et plus fiables pour soutenir une agriculture durable et de haute précision.

Citation: Ma, C., Zhang, Z., Tian, F. et al. Plant growth point localization via epoch-based prior annealing. Sci Rep 16, 4994 (2026). https://doi.org/10.1038/s41598-026-35009-3

Mots-clés: agriculture de précision, lutte contre les mauvaises herbes, vision par ordinateur, apprentissage profond, points de croissance des plantes