Segmentation automatisée des mauvaises herbes avec étiquetage fondé sur des connaissances pour applications d’apprentissage automatique

Pourquoi un contrôle des mauvaises herbes plus intelligent est important

Les mauvaises herbes s’approprient silencieusement une part importante de la production alimentaire mondiale. Elles concurrencent les cultures, réduisent les rendements et poussent les agriculteurs à épandre davantage d’herbicides, ce qui coûte cher tant pour le portefeuille que pour l’environnement. Cette étude montre comment des drones et une analyse d’image astucieuse peuvent cartographier automatiquement les mauvaises herbes dans des parcelles de blé — sans qu’il soit nécessaire de labelliser laborieusement les plantes à la main. Ce type d’automatisation pourrait accélérer le déploiement d’outils de pulvérisation plus ciblés, réduisant l’usage de produits chimiques tout en maintenant des récoltes élevées.

Du traitement uniforme au ciblage de précision

Dans le monde entier, des parcelles sans contrôle efficace des mauvaises herbes peuvent perdre entre un cinquième et presque la totalité de leur rendement potentiel. Dans des régions comme les provinces des Prairies au Canada, les dépenses en herbicides se chiffrent déjà à plusieurs centaines de millions de dollars chaque année, et des mauvaises herbes résistantes aux herbicides se propagent. Les nouveaux outils d’« agriculture de précision » visent à pulvériser uniquement là où les mauvaises herbes sont effectivement présentes, plutôt que de traiter uniformément l’ensemble des champs. Pour cela, les machines ont d’abord besoin de cartes précises des mauvaises herbes, et les approches modernes s’appuient sur des modèles d’apprentissage automatique qui examinent chaque pixel d’une image. Le frein, c’est que ces modèles exigent d’énormes jeux de données d’entraînement soigneusement étiquetés — généralement créés par des humains traçant les contours des mauvaises herbes, image par image. Cette étude pose la question : peut-on éviter entièrement cette étape de labellisation manuelle ?

Le regard d’un drone sur le blé et les mauvaises herbes

Les chercheurs ont travaillé sur une parcelle expérimentale de blé de 2 000 mètres carrés près de Saskatoon, au Canada. Le blé était semé en rangs réguliers et des bandes de plusieurs espèces de mauvaises herbes — notamment kochia, avoine sauvage, moutarde sauvage et Galium appl. (ou fausses gaillets) — ont été intentionnellement semées entre les rangs de culture. Un drone équipé d’une caméra RGB haute résolution a survolé à 10 mètres du sol, capturant des images si détaillées que chaque pixel représentait moins d’un millimètre à la surface du champ. Ces images ont été assemblées en une unique « orthophoto », essentiellement une image cartographique précise de la parcelle, qui a servi d’entrée à un flux de travail informatique automatisé.

Transformer couleur et forme en étiquettes automatiques

Plutôt que d’entraîner un modèle profond avec des milliers d’exemples étiquetés à la main, l’équipe a construit un pipeline fondé sur des connaissances au sein d’un logiciel spécialisé d’analyse d’images. D’abord, ils ont amélioré l’image en utilisant des formules colorimétriques simples qui mettent en valeur le vert des plantes par rapport au brun du sol. Des indices tels que l’Excess Green Index et un indice colorimétrique de végétation ont été combinés pour séparer proprement la végétation du sol nu. Ensuite, le système a recherché des caractéristiques longues et fines, en forme de lignes, correspondant à la forme et à l’orientation des feuilles et des rangs de blé. En scannant l’image selon de nombreux angles et en appliquant des filtres de convolution — des fenêtres mathématiques glissantes qui mettent en évidence des structures répétitives — le flux de travail a pu localiser les rangs de culture et, par contraste, où les mauvaises herbes étaient probablement présentes entre ou au sein de ces rangs.

Des pixels aux cartes de mauvaises herbes sans dessin manuel

Une fois les rangs de culture et les zones couvertes par la végétation identifiés, le logiciel a appliqué un seuillage automatique pour classer chaque pixel dans l’une des trois catégories : culture, mauvaise herbe ou sol nu. Une segmentation en damier et des calculs de distance au rang ont aidé à affiner ces décisions, surtout dans les zones délicates où les mauvaises herbes poussaient à l’intérieur des rangs cultivés. Fait important, toutes ces étapes étaient exécutées à partir d’un ensemble fixe de règles — basées sur des connaissances agronomiques sur l’apparence du blé et des mauvaises herbes et leurs lieux de croissance — sans utiliser d’exemples d’entraînement étiquetés manuellement. L’image a été traitée en petites tuiles pour des raisons d’efficacité, puis réassemblée en une carte unique et entièrement classifiée de toute la parcelle.

Quelle est la précision d’une cartographie des mauvaises herbes sans apprentissage ?

Pour évaluer la méthode, l’équipe a comparé leur carte automatisée avec des milliers de points de contrôle aléatoires dans les images du champ, ainsi qu’avec des estimations humaines de la couverture et du comptage des mauvaises herbes. Globalement, le flux de travail a correctement étiqueté 87 % des points, et une mesure statistique d’accord connue sous le nom de kappa était de 0,81, considérée comme élevée. La détection des mauvaises herbes, spécifiquement, présentait une précision utilisateur (user accuracy) de 76 %, la plupart des erreurs survenant lorsque les canopées denses de la culture et des mauvaises herbes se chevauchaient. Néanmoins, la couverture et les comptages automatisés des mauvaises herbes suivaient de près les évaluations visuelles et les notations sur le terrain réalisées par des humains, avec des corrélations suffisamment fortes pour donner confiance que le système saisit de véritables motifs biologiques et non simplement du bruit d’image.

Quelles implications pour les fermes de demain

Ce travail démontre que des cartes de mauvaises herbes de haute qualité peuvent être produites à partir d’images de drones en utilisant des règles expertes plutôt que des jeux d’entraînement étiquetés à la main. Sur un ordinateur de bureau standard, la parcelle de 2 000 mètres carrés a été entièrement traitée en environ 20 minutes. Les cartes étiquetées obtenues peuvent directement soutenir des tâches comme l’évaluation de l’efficacité d’un herbicide, l’orientation de pulvérisateurs à débit variable, ou l’alimentation de modèles d’apprentissage automatique et profond plus avancés avec des données d’entraînement prêtes à l’emploi. Pour les agriculteurs et les chercheurs, un tel étiquetage automatisé offre une voie vers une gestion des mauvaises herbes plus rapide, moins coûteuse et plus durable, rapprochant l’agriculture de précision d’une pratique courante.

Citation: Ha, T., Aldridge, K., Johnson, E. et al. Automated weed segmentation with knowledge based labeling for machine learning applications. Sci Rep 16, 6220 (2026). https://doi.org/10.1038/s41598-026-37475-1

Mots-clés: agriculture de précision, cartographie des mauvaises herbes, imagerie par drone, étiquetage automatisé, surveillance des cultures