Détection de la morphologie des coraux en imagerie sous-marine utilisant YOLOv12 avec fusion d’un encodeur CNN et transformeur

Pourquoi les formes des coraux nous importent tous

Les récifs coralliens ne sont pas que de jolis décors sous-marins ; leurs formes déterminent en grande partie leur capacité à protéger les côtes, à abriter la vie marine et à soutenir la pêche et le tourisme. Suivre l’évolution de ces formes coralliennes au fil du temps est essentiel pour comprendre la santé des récifs dans un océan qui se réchauffe et se pollue. Cette étude présente une nouvelle méthode pour repérer automatiquement différentes formes de croissance corallienne dans des photos sous-marines, aidant les scientifiques à suivre l’état des récifs plus rapidement et de manière plus fiable.

Les défis de la vision sous l’eau

La surveillance des récifs coralliens a longtemps reposé sur des plongeurs qui annotent les photos à la main, un processus lent, coûteux et soumis au jugement individuel. Les images sous-marines sont difficiles à interpréter pour les ordinateurs car la lumière est absorbée et diffusée, les couleurs se décalent et les particules en suspension masquent les détails fins. Différentes formes de croissance corallienne, comme les structures branchues, en dôme ou en plaques plates, peuvent paraître confusément similaires dans une eau trouble. Les outils d’intelligence artificielle antérieurs peinent souvent dans ces conditions : ils manquent de petites colonies, confondent des formes voisines ou sont trop lents pour une utilisation en temps réel sur des robots de prospection.

Un œil numérique plus intelligent pour les récifs

Les chercheurs s’appuient sur une famille populaire de détecteurs d’objets rapides connue sous le nom de YOLO, en utilisant la version la plus récente, YOLOv12, comme base. Ils y ajoutent deux composants complémentaires : un type de réseau performant pour repérer les textures et contours locaux, et un autre efficace pour saisir la structure globale de la scène. Le premier, un réseau de neurones convolutionnel, capte des détails visuels fins comme de minuscules branches coralliennes et les motifs de surface. Le second, appelé encodeur transformeur, analyse l’image dans son ensemble pour comprendre l’agencement des colonies et leur distinction par rapport aux roches, au sable ou aux algues. Un module de fusion spécial combine ensuite ces signaux locaux et globaux afin que le système reconnaisse les différences subtiles entre les formes coralliennes.

Comment le système apprend les formes coralliennes

Pour entraîner et tester leur modèle, l’équipe utilise une collection d’images sous-marines disponible publiquement qui inclut plusieurs morphologies coralliennes clés : branchue, massive et tabulaire. Les images sont redimensionnées et améliorées, et diverses transformations de couleur et géométriques sont appliquées afin que le modèle voie de nombreuses variantes d’une même scène, reproduisant les changements réels de profondeur, d’éclairage et de clarté de l’eau. À l’intérieur du détecteur, les caractéristiques sont traitées à plusieurs échelles pour repérer à la fois les petites pointes coralliennes et les grandes colonies. L’information fusionnée est ensuite transmise à une étape de détection qui produit des boîtes englobantes autour des colonies coralliennes et attribue à chacune une catégorie de forme de croissance.

Ce que montrent les résultats

Le modèle fusionné, appelé YOLOv12-CT, est évalué face à un ensemble de systèmes de détection bien connus, y compris des versions antérieures de YOLO, des détecteurs classiques d’apprentissage profond et des architectures récentes basées sur des transformeurs. Sur des mesures standard de performance — nombre de colonies détectées, précision des étiquetages et exactitude des contours — la nouvelle méthode se place en tête. Elle atteint une moyenne élevée de précision moyenne (mAP) aux seuils d’évaluation habituels, surpassant tous les modèles de comparaison tout en maintenant des temps de traitement adaptés à une utilisation quasi temps réel. Le système se révèle particulièrement performant pour reconnaître les coraux plats en forme de plaques, et améliore sensiblement la détection des formes branchues plus complexes, généralement les plus difficiles à distinguer dans une eau trouble.

Ce que cela signifie pour la protection des récifs

En identifiant de façon plus précise et plus efficace les modes de croissance des coraux, cette approche facilite le suivi de la structure des récifs, de la biodiversité et de la résilience au fil du temps. La méthode présente encore des limites, telles que des déséquilibres dans les données d’entraînement et le surcoût computationnel lié aux modules transformeurs, et ses performances peuvent varier dans des environnements sous-marins très rudes ou peu familiers. Néanmoins, l’étude montre que combiner des indices de texture détaillés avec une vue d’ensemble de la scène peut fournir aux scientifiques marins un nouvel outil puissant pour la surveillance automatisée à grande échelle des coraux, soutenant de meilleures décisions en matière de conservation et de restauration.

Citation: Nandal, P., Siwach, M. & Upadhyay, G.M. Coral morphology detection in underwater imagery using YOLOv12 with CNN and transformer encoder fusion. Sci Rep 16, 15426 (2026). https://doi.org/10.1038/s41598-026-42591-z

Mots-clés: morphologie corallienne, imagerie sous-marine, apprentissage profond, détection d’objets, surveillance des récifs