Une nouvelle méthode de comptage des feuilles des plants de tabac en plein champ basée sur l’imagerie par UAV et un PointNext amélioré

Pourquoi compter les feuilles depuis le ciel est important

Connaître le nombre de feuilles d’une culture peut sembler anecdotique, mais pour les producteurs de tabac c’est un indicateur direct de la santé des plantes et du rendement futur. Aujourd’hui, des opérateurs parcourent encore les parcelles pour dénombrer les feuilles à la main, une tâche lente, pénible et coûteuse qui ne peut pas être étendue efficacement aux plantations modernes. Cette étude montre comment drones, imagerie 3D et intelligence artificielle peuvent s’allier pour compter automatiquement les feuilles des plants de tabac en conditions réelles, offrant une méthode plus rapide et plus précise pour orienter la fertilisation, prédire les récoltes et soutenir le sélectionnement de meilleures variétés.

Des vols de drone à une vue 3D de la parcelle

Les chercheurs ont d’abord utilisé des drones comme caméras volantes. Ils ont fait voler un quadricoptère commercial au‑dessus des champs de tabac du Yunnan (Chine), prenant des photos haute résolution à plusieurs hauteurs et à des angles inclinés autour des parcelles d’intérêt. À l’aide d’un logiciel de photogrammétrie, ces images chevauchantes ont été assemblées en modèles tridimensionnels détaillés des plants. Chaque exemplaire a ensuite été extrait sous la forme d’un nuage de points 3D individuel, où chaque point représente une petite surface d’une tige, d’une feuille ou d’éléments parasites comme le sol et la végétation voisine. Cette étape transforme des images planes en une description 3D riche capable de révéler des feuilles même quand elles se recouvrent sur des photos classiques.

Apprendre à l’ordinateur à distinguer les feuilles individuelles

Pour exploiter ces nuages de points 3D, l’équipe a construit un grand jeu de données annoté avec soin. Ils ont collecté 1 000 modèles de plants individuels et étiqueté manuellement chaque point comme appartenant à des feuilles cibles, des tiges, d’autres plantes ou du bruit. À partir de ce matériel d’entraînement, ils ont adapté un réseau profond 3D moderne connu sous le nom de PointNext en une nouvelle version destinée aux cultures de plein champ, appelée SRW-PointNext. Trois améliorations clés ont été ajoutées : un module d’attention qui aide le réseau à se concentrer sur les motifs spatiaux et colorimétriques les plus informatifs ; une fonction de perte révisée qui empêche les nombreux points de feuilles de masquer des classes plus rares comme les tiges et l’arrière‑plan ; et une tête de sortie renforcée qui récupère mieux les détails fins lorsque des parties du nuage de points sont manquantes ou inégales.

Transformer des nuages segmentés en comptages de feuilles

Une fois que SRW-PointNext a appris à étiqueter chaque point 3D, le modèle a pu séparer le nuage d’un plant en ses parties feuille et non‑feuille. Mais il restait à déterminer combien de feuilles distinctes étaient présentes. Pour cela, les chercheurs ont utilisé une méthode de regroupement appelée MeanShift. En termes simples, l’algorithme recherche en trois dimensions des poches denses de points de feuille, chaque poche dense correspondant à une feuille. Le choix d’un seul paramètre de « bande passante » contrôle la manière dont l’algorithme regroupe les points : trop petit, une seule feuille se scinde en grappes artificielles et le comptage est surestimé ; trop grand, des feuilles proches sont fusionnées et le comptage est sous‑estimé. En ajustant soigneusement ce paramètre, les chercheurs ont pu regrouper les points segmentés en feuilles individuelles réalistes.

Performance de la méthode

Pour évaluer la précision, l’équipe a comparé les comptages automatiques aux décomptes manuels fastidieux pour 230 plants en plein champ. Leur chaîne de traitement — acquisition par drone, reconstruction 3D, segmentation par SRW-PointNext, puis regroupement MeanShift — a atteint une précision de comptage des feuilles d’environ 92,6 %. Le réseau amélioré a également fourni une segmentation de haute qualité : environ 92 % de précision et un IoU moyen (intersection sur union) de 76 %, surpassant plusieurs méthodes populaires pour les nuages de points 3D telles que PointNet, PointNet++, RandLA-Net et le PointNext original. Fait important, ce gain de précision s’est accompagné d’une augmentation modeste du coût de calcul, ce qui suggère que l’approche est praticable pour des relevés à grande échelle.

Ce que cela signifie pour l’agriculture de demain

Pour un non‑spécialiste, le message central est simple : en combinant drones, modélisation 3D et un modèle d’IA amélioré, les chercheurs peuvent désormais compter les feuilles de tabac en plein champ presque aussi bien que des personnes, mais beaucoup plus vite et sur des surfaces bien plus vastes. Cela fait passer le comptage des feuilles de carnets et de bottes sur le terrain à un processus automatisé et riche en données, susceptible d’alimenter des systèmes de gestion numérique des cultures. Si le travail actuel se concentre sur le tabac à un stade de croissance donné et dépend de bonnes reconstructions 3D, la même stratégie pourrait être étendue à d’autres cultures et à d’autres saisons. Avec le temps, de tels outils pourraient devenir des aides courantes pour les agriculteurs, leur permettant de surveiller la croissance, d’ajuster les intrants et de sélectionner des variétés performantes avec beaucoup moins d’efforts manuels.

Citation: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Mots-clés: phénotypage du tabac, agriculture par drone, nuages de points 3D, comptage des feuilles, apprentissage profond en agriculture