Vers des systèmes autonomes de gestion des adventices dans les cultures de canne à sucre et une évaluation de la maturité technologique

Lutter contre les adventices sans inonder les champs de produits chimiques

Les adventices sont les invités indésirables de l'agriculture, volant l'eau, la lumière et les nutriments aux cultures. Dans la canne à sucre, une culture clé pour le sucre et la bioénergie, ces parasites peuvent réduire les rendements d'un tiers et pousser les agriculteurs à pulvériser de grandes quantités d'herbicides sur l'ensemble des parcelles. Cet article examine si l'intelligence artificielle moderne peut donner aux tracteurs des « yeux » — des caméras intelligentes qui repèrent en temps réel les mauvaises herbes poussant parmi la canne — de sorte que les produits chimiques ne soient appliqués que là où ils sont réellement nécessaires.

Pourquoi les champs de canne à sucre sont particulièrement complexes

Beaucoup de systèmes d'IA récents savent déjà distinguer les cultures des adventices lorsque les plantes se détachent nettement sur un sol nu ou lorsque les images sont prises depuis le dessus. Mais les champs de canne posent un casse-tête plus difficile. La canne à sucre est une graminée haute et pérenne ; ses feuilles et ses tiges ressemblent beaucoup à celles de nombreuses adventices graminées, et les deux forment un tapis dense et emmêlé de verdure. Au lieu de scènes simples vert-sur-marron, la caméra voit du vert-sur-vert, avec des feuilles qui se chevauchent, une lumière changeante, de la poussière, de la boue et de la pluie. Les études antérieures utilisaient majoritairement des images de drones ou des parcelles expérimentales propres où les adventices étaient visuellement séparées de la culture. Les auteurs soutiennent que cela ne reflète pas la réalité désordonnée que rencontrent les agriculteurs et qu'un benchmark plus réaliste est nécessaire.

Un nouveau portrait réaliste des adventices dans la canne

Pour combler cette lacune, l'équipe a constitué un nouveau jeu de données à partir de champs de canne en Louisiane en utilisant une caméra au niveau du sol tenue à hauteur de poitrine, simulant un capteur monté sur un tracteur ou un pulvérisateur. Ils ont collecté plus de deux mille images haute résolution et les ont regroupées en trois types de scènes : canne uniquement, adventices uniquement, et scènes mixtes où les deux coexistent. Pour un sous-ensemble des images mixtes les plus difficiles, des experts en adventices ont dessiné des rectangles autour des parcelles infestées pour que les modèles puissent apprendre où, et pas seulement si, des adventices sont présentes. De façon cruciale, les images reflètent des conditions réalistes : de nombreux petits rejets, des adventices imbriquées avec la canne, et de larges nappes d'adventices dont les limites visuelles sont souvent floues même pour des annotateurs humains.

Ce que l’IA d’aujourd’hui peut et ne peut pas faire

Les chercheurs ont ensuite testé des modèles de pointe d'apprentissage profond sur trois tâches. D'abord, pour la classification simple au niveau de la scène — décider si une image montre de la canne, des adventices ou les deux — les réseaux modernes ont très bien performé, les meilleurs modèles basés sur des transformers atteignant environ 99 % de précision. Cela signifie qu'à grands traits, l'IA peut dire de manière fiable si des adventices sont présentes dans une image de champ de canne. Ensuite, ils ont étudié la détection d'objets, où les modèles doivent tracer des boîtes autour des touffes d'adventices individuelles. Ici, les performances ont chuté nettement : leur meilleur détecteur, un réseau convolutionnel moderne nommé RTMDeT avec une architecture ConvNeXt et une fonction de perte consciente de la géométrie, a atteint un score AP50 de 44,2, loin de ce qui serait nécessaire pour une pulvérisation automatisée en toute confiance. Ils ont aussi constaté qu'augmenter simplement la résolution des images ou mêler caractéristiques de transformers et de convolutions n'a pas aidé et a parfois empiré la détection.

Se focaliser sur la forme des adventices, pas seulement sur les pixels verts

La troisième tâche était la segmentation : délimiter précisément les pixels d'adventices à l'intérieur de chaque région détectée. L'équipe a comparé trois stratégies sans entraîner de modèle spécifiquement pour ce travail : un simple indice couleur qui met l'accent sur la verdure, un modèle généraliste « segment anything », et une méthode faiblement supervisée qui apprend à partir d'indices grossiers. Chacune avait ses forces et ses faiblesses. Les méthodes basées sur la couleur donnaient des contours nets quand les adventices se détachaient, mais échouaient lorsque les plantes de fond présentaient des teintes similaires. Le modèle de segmentation général capturait bien la structure mais manquait parfois les feuilles fines ou saisissait de gros morceaux d'arrière-plan. La méthode faiblement supervisée retrouvait souvent plus d'adventices dans les scènes vert-sur-vert difficiles mais avait tendance à sur-marquer le sol et d'autres zones non adventices. Associés aux scores modestes en détection, ces résultats soulignent la difficulté persistante pour l'IA de séparer la canne des adventices ressemblantes dans des conditions de champ réelles.

Sommes-nous proches de pulvérisateurs plus intelligents ?

Du point de vue de l'agriculteur, le bilan est mitigé. La bonne nouvelle est que l'IA peut déjà décider, avec une précision quasi parfaite, si une scène de canne contient des adventices, et certains détecteurs sont suffisamment rapides pour fonctionner sur des machines sur le terrain. La mauvaise nouvelle est que les systèmes actuels peinent encore à localiser exactement chaque adventice lorsque les plantes sont emmêlées et visuellement similaires — c'est précisément dans ces cas que la pulvérisation ciblée est la plus utile. Les auteurs concluent que, bien que leur nouveau jeu de données et leur analyse constituent des étapes importantes vers le contrôle autonome des adventices dans la canne, des systèmes fiables et prêts pour le terrain nécessiteront de meilleures données d'entraînement, des méthodes plus intelligentes pour gérer les frontières végétales ambiguës, et des modèles qui équilibrent précision et vitesse sur du matériel embarqué limité. En bref, nous sommes plus proches qu'avant — mais pas encore au point où un tracteur pourrait prendre en charge en toute sécurité le désherbage à lui seul.

Citation: Papa, J.P., Manesco, J.R.R., Schoder, M. et al. Toward autonomous weed management systems in sugarcane crops and an assessment of technological readiness. npj Artif. Intell. 2, 40 (2026). https://doi.org/10.1038/s44387-026-00096-0

Mots-clés: agriculture de précision, détection des mauvaises herbes, canne à sucre, vision par ordinateur, pulvérisation autonome