Modélisation bidirectionnelle de l'espace d'état pour une détection légère et robuste des épis de blé en environnements agricoles complexes

Pourquoi compter les épis de blé depuis le ciel est important

Alimenter un monde en croissance dépend de la connaissance de la capacité de production de nos champs, et un indice clé provient des épis de blé, les extrémités productrices de grains de chaque plante. Les agriculteurs et les sélectionneurs ont longtemps compté ces épis manuellement pour estimer le rendement, mais le faire sur de vastes parcelles est lent, coûteux et sujet à erreurs. Cette étude introduit un nouveau système de vision par ordinateur, Mamba-WheatNet, qui utilise des images de drones pour repérer et compter automatiquement les épis de blé en temps réel, même lorsque les champs sont encombrés, denses et éclairés par un soleil changeant.

Des yeux intelligents au-dessus de champs agricoles complexes

Les champs réels sont loin d'être ordonnés. Les épis peuvent être masqués par les feuilles, se chevaucher ou se mêler aux mauvaises herbes et à la terre nue, et leur couleur et leur forme évoluent au fil de la croissance. Les méthodes antérieures s'appuyaient sur des traits simples comme la couleur ou la texture, mais ceux-ci échouent lorsque l'éclairage ou le stade de croissance change. L'apprentissage profond a amélioré la situation en permettant aux réseaux neuronaux d'apprendre des motifs directement à partir d'un grand nombre d'images. Cependant, de nombreux modèles existants peinent encore dans des scènes encombrées et exigent souvent une puissance de calcul importante difficile à déployer sur des drones ou de petits appareils de terrain.

Un modèle plus léger qui se concentre sur l'essentiel

Mamba-WheatNet est conçu pour relever ces défis tout en restant suffisamment léger pour un usage agricole pratique. Il combine deux idées principales : des couches convolutionnelles efficaces, qui capturent bien les détails locaux, et une famille plus récente de modèles appelés espaces d'état sélectifs, meilleurs pour suivre des motifs à longue portée. Les auteurs construisent un extracteur de caractéristiques qui décompose d'abord les images en motifs multi-échelles puis les fait passer par une étape de fusion spéciale qui scrute l'ensemble de la scène. Cela aide le système à ignorer le bruit de fond, comme des feuilles qui se chevauchent ou de la terre, et à prêter une attention plus fine aux formes et nuances subtiles qui caractérisent les épis individuels.

Comment le modèle démêle des épis denses

À l'intérieur de Mamba-WheatNet, deux blocs personnalisés effectuent une grande partie du travail. Le premier, appelé Residual Depthwise Separable Block, utilise des convolutions légères séparées par canal pour capturer des détails fins sans augmenter de façon excessive le nombre de calculs. L'autre, le Bidirectional Spatial Scanning Block, parcourt les cartes de caractéristiques horizontalement et verticalement, recueillant le contexte dans les deux directions tout en mettant sélectivement en avant les canaux les plus informatifs. Ces composants sont combinés dans une unité de fusion plus large qui mélange indices locaux et globaux, facilitant la séparation des épis qui se touchent ou se chevauchent et maintenant la précision lorsque les épis sont très petits ou densément regroupés dans des images aériennes.

Mise à l'épreuve du système

Pour évaluer les performances de leur approche en conditions réalistes, les chercheurs ont entraîné et testé Mamba-WheatNet sur GWHD-2021, une grande collection publique d'images de drones de champs de blé couvrant de nombreuses variétés, dispositions de plantation et stades de croissance. Ils ont comparé leur système à plusieurs détecteurs d'objets de référence, y compris les derniers modèles YOLO et des réseaux basés sur des transformeurs. Mamba-WheatNet a obtenu une précision et un rappel supérieurs et un score global de détection légèrement meilleur tout en consommant une puissance de calcul modeste et en s'exécutant assez rapidement pour une utilisation quasi temps réel. L'équipe a également testé la capacité de transfert du modèle vers un autre jeu de données par drone, VisDrone2019, qui contient de nombreux types de petits objets dans des scènes urbaines encombrées. Là aussi, le modèle a fourni la meilleure précision parmi les détecteurs compacts testés, montrant que sa conception se généralise au-delà du blé.

Ce que cela signifie pour l'agriculture intelligente de demain

L'étude conclut que Mamba-WheatNet offre une manière pratique et précise de compter les épis de blé depuis les airs, même lorsque les champs sont visuellement complexes. En combinant soigneusement des couches légères et efficaces avec un mécanisme de balayage global, le modèle suit des motifs subtils sans surcharger le matériel généralement embarqué sur les drones ou les robots de terrain. Pour les agriculteurs, sélectionneurs et agronomes, cela pourrait signifier des estimations de rendement plus rapides et plus fiables et un meilleur suivi de la santé des cultures dans le temps, aidant à orienter l'agriculture vers une gestion plus précise et fondée sur les données.

Citation: Deng, G., Li, Z. & Gao, Z. Bidirectional state space modeling for lightweight and robust wheat head detection in complex agricultural environments. Sci Rep 16, 14895 (2026). https://doi.org/10.1038/s41598-026-45083-2

Mots-clés: détection des épis de blé, imagerie par drone, apprentissage profond, agriculture de précision, détection d'objets