Inspection du transfert et du succès de la pollinisation dans la détection de la floraison du café à l’aide d’un cascade R‑CNN basé sur l’intersection sur l’union en environnement visuel

Comment les fleurs du café façonnent votre tasse du matin

Chaque tasse de café commence par une brève explosion de fleurs blanches sur un arbuste tropical. Ces fleurs ne restent ouvertes que peu de temps, et le fait qu’elles reçoivent suffisamment de pollen détermine combien de cerises rouges mûres — et finalement de grains — une plante produira. Cette étude montre comment des chercheurs utilisent des caméras et l’intelligence artificielle pour observer les fleurs de café en détail, mesurer quand et dans quelle mesure la pollinisation a lieu, et aider ainsi les agriculteurs à protéger les rendements dans un climat en mutation.

Observer les fleurs plutôt que de deviner

Les études classiques sur la pollinisation reposaient souvent sur des comptages manuels des grains de pollen ou des visites de terrain, une méthode lente, subjective et facile à perturber. Pour le café, dont les fleurs évoluent rapidement de boutons serrés à fleurs pleinement ouvertes puis se fanent, ces approches manquent une grande partie de l’action. Les auteurs soutiennent que les agriculteurs et les scientifiques ont besoin d’un moyen de surveiller automatiquement la pollinisation, sur de nombreuses plantes et en temps réel, pour comprendre comment le climat, les ravageurs et les changements du paysage influent sur la productivité du café. Les systèmes basés sur la vision, utilisant des caméras fixes ou mobiles, peuvent fournir des images continues à haute résolution sans toucher les plantes, mais ils doivent être suffisamment intelligents pour repérer de petites structures comme les grains de pollen sur un fond extérieur bruité.

Apprendre aux ordinateurs à voir les fleurs de café

L’équipe a construit une chaîne de traitement de vision qu’ils appellent IoU‑AI, spécifiquement adaptée aux fleurs de café. Ils ont collecté plus d’un millier d’images haute résolution dans des plantations de Coorg, en Inde, couvrant tout le parcours depuis la formation du bouton jusqu’à l’épanouissement complet, le transfert de pollen et la nouaison réussie. Des spécialistes de la biologie végétale ont dessiné avec soin des encadrés autour de chaque partie florale importante — les anthères qui libèrent le pollen, le stigmate qui le reçoit, ainsi que les pétales et structures environnantes — créant un jeu d’entraînement détaillé pour l’ordinateur. Ces images annotées ont servi à entraîner un modèle d’apprentissage profond connu sous le nom de cascade R‑CNN, un type de détecteur d’objets qui propose des régions d’intérêt puis les affine en plusieurs étapes pour réduire à la fois les fleurs manquées et les détections fantômes.

Mesurer le contact entre le pollen et le stigmate

Ce qui distingue IoU‑AI, c’est qu’il ne se contente pas de localiser les fleurs ; il évalue aussi la probabilité de réussite de la pollinisation. Le système utilise une métrique appelée « intersection over union » — conçue à l’origine pour juger de la qualité d’un encadré prédit par rapport à un encadré dessiné par un humain — et la réinterprète comme une mesure biologique. Une région marque l’endroit où des grains de pollen sont détectés, et une autre délimite la surface réceptrice du stigmate. Leur zone de recouvrement, relative à la surface combinée des deux, sert de score quantifiant la quantité de pollen qui touche réellement la cible adéquate. En ajustant ce seuil de recouvrement, le modèle équilibre le risque de compter du bruit ou de la poussière comme du pollen et le risque de ne pas détecter de véritables événements de contact pollen‑stigmate.

Du bouton au fruit : suivre le succès de la pollinisation

En utilisant cette approche basée sur le recouvrement, les chercheurs ont pu suivre des boutons individuels à mesure qu’ils s’ouvraient en fleurs, recevaient du pollen et évoluaient vers une pollinisation réussie. Ils rapportent qu’à un seuil de recouvrement intermédiaire, le système atteint un bon compromis entre précision et sensibilité pour juger de la floraison, du transfert de pollen et du succès pollinique. Comparé à des détecteurs largement utilisés tels que SSD et YOLO, leur cascade R‑CNN combinée au filtrage basé sur l’IoU s’est révélée meilleure pour repérer des éléments délicats comme les grains de pollen et la surface étroite du stigmate. L’exactitude globale de détection des fleurs variait approximativement de la mi‑90 % à la mi‑80 % selon les stades de floraison, avec des scores de rappel et de précision également élevés, indiquant que le système est à la fois fiable et cohérent dans des conditions de terrain réalistes.

Pourquoi cela compte pour le café et au‑delà

Pour les non‑spécialistes, la conclusion est que ce travail transforme un outil général de vision par ordinateur en une sorte d’inspecteur automatisé de la pollinisation. Au lieu de se contenter de compter combien de grains de pollen apparaissent sur une image, IoU‑AI prend en compte l’endroit où ils atterrissent par rapport à la surface réceptrice de la fleur, ce qui détermine réellement si une cerise se formera. En termes pratiques, un tel système pourrait aider les producteurs à repérer tôt dans la saison des parcelles ou des variétés présentant un mauvais contact du pollen, orienter des mesures ciblées comme la pollinisation complémentaire et évaluer comment les événements météorologiques extrêmes ou le déclin des pollinisateurs affectent la santé des cultures. La même stratégie — combinaison d’imagerie détaillée et de mesures basées sur le recouvrement du contact entre structures biologiques — pourrait être adaptée à de nombreuses autres cultures à fleurs, rendant l’agriculture intelligente et pilotée par les données un objectif réaliste.

Citation: Sivasubramanian, S., Thanarajan, T., Selvanarayanan, R. et al. Inspection of pollination transfer and success in coffee flowering detection using intersection over union based cascade RCNN in a vision environment. Sci Rep 16, 11554 (2026). https://doi.org/10.1038/s41598-026-42347-9

Mots-clés: pollinisation du café, vision par ordinateur en agriculture, apprentissage profond, phénologie de la floraison, surveillance du rendement des cultures