La technologie de reconnaissance d’objets basée sur l’IA pourrait-elle aider à résoudre la maladie du blé ?

Un nouveau projet de l’Université de l’Illinois utilise une technologie avancée de reconnaissance d’objets pour garder les grains de blé contaminés par des toxines hors de l’approvisionnement alimentaire et pour aider les chercheurs à rendre le blé plus résistant à la fusariose de l’épi, ou maladie de la tavelure, le principal ennemi de la culture.

« La fusariose de l’épi provoque de nombreuses pertes économiques dans le blé, et la toxine associée, le déoxynivalénol (DON), peut causer des problèmes de santé humaine et animale. La maladie a été un élément dissuasif important pour les personnes qui cultivent du blé dans l’est des États-Unis, car elles pourraient faire pousser une récolte parfaitement agréable, puis l’amener à l’élévateur pour qu’elle soit amarrée ou rejetée. Cela a été douloureux pour les gens. C’est donc une grande priorité d’essayer d’augmenter la résistance et de réduire autant que possible le risque de DON « , déclare Jessica Rutkoski, professeur adjoint au Département des sciences des cultures, qui fait partie du Collège des sciences de l’agriculture, de la consommation et de l’environnement (ACES) de l’Illinois. Rutkoski est co-auteur du nouvel article du Journal des phénomènes végétaux.

Augmenter la résistance à toute maladie de culture signifie traditionnellement cultiver un grand nombre de génotypes de la culture, les infecter avec la maladie et rechercher les symptômes. Le processus, connu en sélection végétale sous le nom de phénotypage, réussit lorsqu’il identifie des génotypes résistants qui ne développent pas de symptômes, ou des symptômes moins graves. Lorsque cela se produit, les chercheurs tentent d’identifier les gènes liés à la résistance aux maladies, puis placent ces gènes dans des hybrides très performants de la culture.

C’est un processus long et répétitif, mais Rutkoski espérait qu’une étape – le phénotypage des symptômes de la maladie – pourrait être accélérée. Elle a demandé l’aide des experts en intelligence artificielle Junzhe Wu, doctorant au Département de génie agricole et biologique (ABE), et de Girish Chowdhary, professeur associé à l’ABE et au Département d’informatique (CS). ABE fait partie d’ACES et du Grainger College of Engineering, qui abrite également CS.

« Nous voulions tester si nous pouvions quantifier les dommages aux grains en utilisant de simples images de grains prises sur un téléphone portable. Normalement, nous regardons une boîte de Pétri de grains, puis nous lui donnons une note subjective. C’est un travail très abrutissant. Vous devez avoir des gens spécifiquement formé et c’est lent, difficile et subjectif. Un système qui pourrait automatiquement noter les grains pour les dommages semblait faisable parce que les symptômes sont assez clairs », dit Rutkoski.

Wu et Chowdhary ont convenu que c’était possible. Ils ont commencé avec des algorithmes similaires à ceux utilisés par les géants de la technologie pour la détection et la classification d’objets. Mais pour discerner des différences infimes entre les grains de blé malades et sains à partir d’images de téléphones portables, Wu et Chowdhary ont dû faire progresser la technologie.

« L’une des caractéristiques uniques de cette avancée est que nous avons entraîné notre réseau à détecter les noyaux endommagés avec une précision suffisante en utilisant seulement quelques images. Nous avons rendu cela possible grâce à un prétraitement méticuleux des données, à l’apprentissage par transfert et au démarrage des activités d’étiquetage. « , dit Chowdhary. « C’est une autre belle victoire pour l’apprentissage automatique et l’IA pour l’agriculture et la société. »

Il ajoute : « Ce projet s’appuie sur l’AIFARMS National AI Institute et le Center for Digital Agriculture ici dans l’Illinois pour tirer parti de la force de l’IA pour l’agriculture. »

Détecter avec succès les dommages causés par le fusarium (grains petits, ratatinés, gris ou crayeux) signifiait que la technologie pouvait également prédire la charge de toxines du grain ; plus il y a de signes extérieurs de dommages, plus la teneur en DON est élevée.

Lorsque l’équipe a testé la technologie d’apprentissage automatique seule, elle a pu mieux prédire les niveaux de DON que les évaluations sur le terrain des symptômes de la maladie, sur lesquelles les sélectionneurs s’appuient souvent au lieu du phénotypage du noyau pour économiser du temps et des ressources. Mais comparée aux humains évaluant les dommages causés par la maladie sur les grains en laboratoire, la technologie n’était précise qu’à 60 %.

Cependant, les chercheurs sont toujours encouragés, car leurs tests initiaux n’ont pas utilisé un grand nombre d’échantillons pour former le modèle. Ils ajoutent actuellement des échantillons et espèrent atteindre une plus grande précision avec des ajustements supplémentaires.

« Bien qu’une formation supplémentaire soit nécessaire pour améliorer les capacités de notre modèle, les premiers tests montrent des résultats prometteurs et démontrent la possibilité de fournir une méthode de phénotypage automatisée et objective pour les grains endommagés par le fusarium qui pourrait être largement déployée pour soutenir les efforts de sélection de résistance », a déclaré Wu.

Rutkoski dit que le but ultime est de créer un portail en ligne où les sélectionneurs comme elle pourraient télécharger des photos de grains de blé sur leur téléphone portable pour une notation automatique des dommages causés par le fusarium.

« Un outil comme celui-ci pourrait faire gagner des semaines de temps dans un laboratoire, et ce temps est critique lorsque vous essayez d’analyser les données et de préparer le prochain essai. Et finalement, plus nous pouvons apporter d’efficacité au processus, plus vite nous peut améliorer la résistance au point où la gale peut être éliminée en tant que problème », dit-elle.

Les auteurs de l’étude incluent Junzhe Wu, Arlyn Ackerman, Rupesh Gaire, Girish Chowdhary et Jessica Rutkoski.