La mesure précise de la fraction verte (GF), un trait photosynthétique essentiel dans les cultures, repose généralement sur l’analyse d’images RVB utilisant des algorithmes de segmentation pour identifier les pixels verts au sein de la culture. Les méthodes traditionnelles ont des limites de précision en raison des variations environnementales, tandis que les techniques avancées d’apprentissage en profondeur, comme le modèle SegVeg, montrent des améliorations mais n’exploitent pas pleinement les derniers modèles de transformateur de vision.
Un défi important dans l’application de ces techniques de pointe est le manque d’ensembles de données complets et annotés pour le phénotypage des plantes. Bien que la génération d’images synthétiques offre une solution partielle, combler l’écart de réalisme entre les images synthétiques et réelles reste un domaine crucial pour les recherches futures visant à améliorer la précision de l’estimation GF.
En juillet 2023, Phénomique des plantes a publié un article de recherche intitulé « Améliorer l’estimation de la fraction verte dans les cultures de riz et de blé : une approche de segmentation sémantique d’apprentissage profond auto-supervisée « .
Dans cette étude, l’objectif était d’améliorer un pipeline de phénotypage végétal auto-supervisé pour la segmentation sémantique des images RVB du riz et du blé, en tenant compte de leurs arrière-plans contrastés.
La méthodologie comportait trois étapes principales :
Les résultats ont montré que l’adaptation de domaine via CycleGAN comblait efficacement le fossé entre les images simulées et réelles, comme en témoigne l’amélioration du réalisme des textures des plantes et des fonds de sol, et une diminution de la distance euclidienne entre les images sim2real et réelles.
La segmentation à l’échelle des pixels a démontré que U-Net et SegFormer ont surpassé DeepLabV3+, SegFormer, en particulier lorsqu’il est formé sur l’ensemble de données sim2real, présentant le score F1 et la précision les plus élevés. Cette tendance était constante pour les cultures de riz et de blé.
L’ensemble de données sim2real a permis les meilleures performances en matière d’estimation GF, montrant des résultats proches entre les ensembles de données simulés et réels, en particulier pour le blé. L’étude a également utilisé le modèle le plus performant, SegFormer, formé sur l’ensemble de données sim2real, pour explorer la dynamique du GF, capturant efficacement les stades de croissance du riz et du blé, indiquant ainsi une estimation précise du GF.
L’étude a également identifié des facteurs critiques affectant l’incertitude de l’estimation, tels qu’une luminosité non uniforme dans les images et la présence de feuilles sénescentes. La nature auto-supervisée du pipeline, ne nécessitant aucune étiquette humaine pour la formation, a été soulignée comme un gain de temps important dans l’annotation d’images.
Dans l’ensemble, la recherche a démontré que SegFormer formé sur l’ensemble de données sim2real surpassait les autres modèles, soulignant l’efficacité de l’approche auto-supervisée dans la segmentation sémantique pour le phénotypage des plantes.
Le succès de cette méthode ouvre la voie à de nouvelles recherches visant à améliorer le réalisme des images simulées et à appliquer des modèles d’adaptation de domaine plus sophistiqués pour une estimation précise du GF tout au long du cycle de croissance des cultures.
Plus d’information:
Yangmingrui Gao et al, Améliorer l’estimation de la fraction verte dans les cultures de riz et de blé : une approche de segmentation sémantique d’apprentissage profond auto-supervisée, Phénomique des plantes (2023). DOI : 10.34133/plantphenomics.0064