Classification des chrysanthèmes via un transformeur de fusion d’espaces colorimétriques

Pourquoi l’origine et la couleur d’une fleur comptent vraiment

Les chrysanthèmes sont plus que de jolies fleurs pour les bouquets d’automne. En Chine, ils constituent également un remède traditionnel classique et une culture précieuse, mais leurs propriétés thérapeutiques et leur prix sur le marché dépendent fortement de la variété et du lieu de culture. Aujourd’hui, distinguer un chrysanthème médicinal d’un autre exige souvent l’œil d’un expert, des tests chimiques ou une analyse génétique — des approches lentes, coûteuses et difficiles à mettre en œuvre sur le terrain. Cette étude présente une méthode basée sur la caméra qui permet à un ordinateur de trier rapidement et avec précision les chrysanthèmes à partir d’images, en examinant la couleur d’une manière nouvelle et très détaillée.

Voir les fleurs comme le fait une caméra

La plupart des photos numériques enregistrent la couleur comme des mélanges de rouge, vert et bleu (RGB). Cela convient pour l’affichage, mais ce n’est pas toujours conforme à la perception humaine de la luminosité et des nuances subtiles, surtout lorsque l’éclairage varie. Les auteurs prennent les images RGB habituelles des têtes de fleurs de chrysanthème — en particulier l’arrière des corolles, qui porte des indices structuraux et colorimétriques riches — et les convertissent dans un second espace colorimétrique appelé LAB. Dans LAB, un canal rend compte du clair versus foncé, tandis que les deux autres décrivent les variations de teinte le long des axes rouge–vert et jaune–bleu. En travaillant simultanément dans ces deux représentations, la méthode conserve le détail fin de la photo originale tout en capturant des différences de couleur plus stables et plus proches de la perception humaine entre des fleurs similaires.

Deux vues parallèles d’une même fleur

Pour tirer le meilleur parti de ces vues complémentaires, les chercheurs conçoivent un réseau « multi‑voies » — en pratique deux voies expertes fonctionnant en parallèle. Une voie étudie la version RGB de chaque image, et l’autre analyse la version LAB. Chaque voie est construite à partir de blocs convolutionnels modernes, un type d’architecture d’apprentissage profond performant pour repérer contours, textures et formes. Les couches initiales s’intéressent aux contours des pétales et aux petits motifs texturaux, tandis que les couches plus profondes résument des structures plus larges. À plusieurs étapes, le réseau fusionne ce que chaque voie a appris en empilant leurs cartes de caractéristiques. Cela permet au modèle de pondérer les contours précis fournis par le RGB contre la structure colorimétrique plus lissée et robuste à l’éclairage du LAB, pour les combiner en une représentation interne plus riche de chaque corolle.

Laisser l’attention dénicher les détails déterminants

Une fois que les voies parallèles ont distillé les images de fleurs en cartes de caractéristiques compactes, une seconde famille de modèles prend le relais : un vision transformer. Les transformeurs ont été inventés initialement pour le langage, où ils excellent à détecter des relations à longue portée, et ils jouent désormais un rôle croissant en analyse d’images. Ici, les caractéristiques fusionnées du chrysanthème sont découpées en nombreux petits patchs et adressées au transformeur, qui utilise un mécanisme d’« attention » pour décider quels patchs sont les plus importants pour distinguer les variétés. Cette vue globale aide le réseau à relier de subtiles différences de couleur près de la base des pétales à des motifs plus externes sur la tête florale, conduisant à un jugement plus fiable du type et de l’origine de chaque fleur.

Évaluer le système

L’équipe a constitué une collection d’images substantielle : plus de 9 000 photos des faces avant et arrière de fleurs appartenant à 18 types de chrysanthèmes et 15 régions de culture, certaines variétés — comme le chrysanthème Hangbai — étant représentées dans de nombreux lieux différents. Ils ont entraîné et évalué leur modèle sur cet ensemble et l’ont comparé à des architectures d’apprentissage profond bien connues, largement utilisées en reconnaissance d’images. Les résultats sont frappants : sur les images de dos, la nouvelle méthode a atteint une précision d’environ 96–97 % sur leur jeu de données de chrysanthèmes et plus de 99 % sur une référence publique standard d’images de fleurs. Elle a surpassé plusieurs concurrents solides, incluant des réseaux purement convolutionnels et des modèles purement transformeurs, et a maintenu non seulement une haute précision mais aussi une performance stable à travers de nombreuses catégories de chrysanthèmes.

Ce que cela signifie pour les producteurs et la médecine traditionnelle

Concrètement, l’étude montre qu’un système d’analyse d’images soigneusement conçu peut égaler — et dans certains cas dépasser — la fiabilité d’approches de laboratoire plus complexes pour identifier les chrysanthèmes médicinaux. En combinant deux manières de représenter la couleur avec deux types complémentaires de réseaux neuronaux, la méthode peut repérer des indices visuels fins qui différencient des fleurs ressemblantes provenant de régions différentes. Cela pourrait faciliter des contrôles rapides de qualité sur les marchés, aider à tracer l’origine réelle des têtes florales séchées et, à terme, s’étendre à d’autres plantes médicinales dont l’identification précise de la variété est cruciale. À mesure que ces outils sortent du laboratoire pour être intégrés à des appareils portables ou des machines de tri, ils promettent de rendre l’« œil entraîné » de l’expert disponible partout où les plantes médicinales sont cultivées, commercialisées ou prescrites.

Citation: Jiang, J., Yang, X., Wang, T. et al. Chrysanthemum classification via color space fusion transformer. Sci Rep 16, 9397 (2026). https://doi.org/10.1038/s41598-026-40027-2

Mots-clés: classification des chrysanthèmes, reconnaissance d’images de plantes, fusion d’espaces colorimétriques, vision transformer, plantes médicinales