Un cadre unifié basé sur EfficientSwinB pour la reconnaissance des plantes médicinales et la classification du germoplasme de la carthame

Pourquoi une identification des plantes plus intelligente est importante

Des herbes de cuisine aux remèdes traditionnels, de nombreuses plantes qui soutiennent notre santé se ressemblent étonnamment. Les distinguer à l’œil demande des années de formation, et des erreurs peuvent affecter la qualité des médicaments, les décisions agricoles et les efforts de protection de la biodiversité. Cette étude présente un nouveau cadre d’intelligence artificielle (IA) capable de reconnaître des plantes médicinales à partir de photos ordinaires et même de différencier des variétés de carthame très proches à partir de leurs feuilles. En rendant l’identification des plantes plus rapide et plus fiable, ce travail ouvre la voie à des outils pratiques pour les pharmaciens, les agriculteurs et les conservateurs.

Des instantanés de feuilles à des réponses de confiance

Les auteurs se concentrent sur l’une des versions les plus difficiles de la reconnaissance végétale : travailler directement à partir d’images de feuilles. Les photos en extérieur de plantes médicinales sont encombrées de terre, d’ombres et d’autres plantes, tandis que beaucoup d’espèces partagent des formes et des nervures presque identiques. Les méthodes traditionnelles de vision par ordinateur nécessitaient de grands ensembles de données soigneusement sélectionnés et peinaient malgré tout face à une telle variation. Ici, les chercheurs s’appuient sur une famille moderne de modèles d’IA appelée transformeurs de vision, qui traitent une image comme une collection de petits patchs et apprennent comment ces pièces se relient entre elles. Leur objectif est de concevoir un cadre unique capable de gérer à la fois la reconnaissance large des espèces dans la nature et les distinctions fines entre variétés cultivées en laboratoire.

Un œil plus léger et plus précis pour les plantes médicinales

Pour la reconnaissance générale des plantes médicinales, l’équipe propose un modèle qu’elle nomme EfficientSwinB-SE. Il part du Swin Transformer, un transformeur de vision populaire qui analyse des fenêtres chevauchantes d’une image pour capturer à la fois les détails locaux et la scène globale. La première amélioration est une étape d’élagage : le modèle supprime automatiquement les connexions les moins utiles dans sa couche de traitement d’image initiale, allégeant ses calculs internes sans modifier la structure globale. La deuxième amélioration est un bloc squeeze-and-excitation, qui apprend au modèle à pondérer certains canaux visuels plus fortement que d’autres, un peu comme un botaniste qui prête une attention particulière à la structure des nervures ou à la texture des bords tout en ignorant les pixels d’arrière-plan distrayants.

Zoom sur les différences au sein de la famille du carthame

Reconnaître des variétés au sein d’une même culture est encore plus difficile que de distinguer différentes espèces, car les différences visuelles peuvent être extrêmement subtiles. Pour y parvenir, les auteurs étendent leur cadre à un second modèle appelé OLSF-EfficientSwinB-SE, adapté au germoplasme de carthame — les lignées génétiques utilisées en sélection. En laboratoire, ils améliorent d’abord les images de feuilles par un procédé « Optimal Leaf Structure Feature » qui met en évidence les directions des nervures et les textures fines. Ces images améliorées sont ensuite alimentées dans le même backbone transformeur élagué et attentif. Cette combinaison aide l’IA à se concentrer sur des indices structurels minuscules mais biologiquement significatifs qui distinguent une lignée de carthame d’une autre, soutenant une sélection et une gestion des ressources génétiques plus précises.

Éprouver le nouveau cadre

Les chercheurs évaluent leurs modèles sur trois jeux de données publics : des plantes médicinales indiennes photographiées dans des jardins, des plantes médicinales indonésiennes collectées à partir de sources en ligne variées, et un jeu de données de carthame contenant des dizaines de variétés imagées en conditions de laboratoire contrôlées. Dans tous les cas, EfficientSwinB-SE surpasse des modèles d’apprentissage profond bien connus, y compris des réseaux convolutionnels classiques et d’autres transformeurs. Il atteint environ 99,75 % de précision sur le jeu de données indien et 97,70 % sur le jeu de données indonésien, même sous des éclairages variés et des arrière-plans encombrés. Pour la tâche de discrimination fine sur le carthame, la variante OLSF-EfficientSwinB-SE atteint environ 91,63 % de précision, dépassant une approche antérieure basée sur un transformeur spécifiquement conçue pour cette culture.

Ce que cela signifie pour l’usage réel des plantes

En termes concrets, l’étude montre qu’il est possible de construire un « œil » IA unique et efficace capable à la fois de reconnaître une large gamme de plantes médicinales sur le terrain et de trier de manière fiable des feuilles presque identiques en laboratoire. En supprimant les calculs inutiles et en apprenant au modèle à mettre l’accent sur les indices visuels les plus informatifs, les auteurs créent des outils précis, robustes et suffisamment pratiques pour un usage quasi temps réel. De tels systèmes pourraient alimenter des applications smartphone pour l’identification des plantes médicinales, la catalogage automatisé des ressources génétiques et des plateformes agricoles intelligentes qui suivent les cultures à partir de leurs feuilles. À mesure que les mêmes idées sont étendues à davantage d’espèces et d’environnements, elles pourraient contribuer à rapprocher les connaissances traditionnelles sur les plantes et l’agriculture moderne pilotée par les données.

Citation: Khuat, P.T., Thien Van, H. A unified EfficientSwinB-based framework for medicinal plant recognition and safflower germplasm classification. Sci Rep 16, 11791 (2026). https://doi.org/10.1038/s41598-026-42449-4

Mots-clés: reconnaissance des plantes médicinales, apprentissage profond, transformeur de vision, germoplasme de carthame, identification des plantes