Le riz est crucial pour la sécurité alimentaire mondiale, car il assure la subsistance de la moitié de la population mondiale. Sa production, particulièrement influencée par des facteurs environnementaux pendant la phase épiaison-floraison, affecte des caractères de croissance cruciaux. Les méthodes de phénotypage traditionnelles sont inefficaces pour les analyses à grande échelle, nécessitant des solutions de surveillance avancées et précises.
Les progrès récents dans la vision par ordinateur et l’apprentissage automatique, en particulier l’apprentissage profond, ont amélioré le phénotypage des plantes, avec des méthodes telles que l’algorithme de transformation des caractéristiques invariantes à l’échelle (SIFT) et les réseaux neuronaux convolutifs facilitant l’analyse des panicules de riz. Cependant, ces techniques se heurtent à des limites pour capturer la croissance dynamique des panicules de riz au fil du temps. Pour combler cette lacune, il faut combiner des caméras de terrain avec un apprentissage profond pour une surveillance détaillée en temps réel.
En juin 2023, Phénomique des plantes a publié un article de recherche intitulé « Analyse des effets de l’azote sur le développement des panicules de riz par détection de panicules et suivi de séries chronologiques« .
Dans cette étude, les chercheurs ont développé un pipeline utilisant les modèles YOLO v5, ResNet50 et DeepSORT pour extraire automatiquement les traits détaillés des panicules à partir d’images de séries chronologiques. Cette méthode a été testée pour sa capacité à détecter des différences subtiles dans le développement des panicules sous différents traitements à l’azote. Les résultats ont montré une grande précision dans le comptage des panicules (R2 = 0,96, RMSE = 1,73) et une estimation précise de la date d’épiaison (erreur absolue de 0,25 jour).
De plus, la méthode a facilité l’analyse de la durée de floraison et des périodes de floraison individuelles des panicules. Cette analyse a révélé qu’une augmentation de l’azote entraîne un plus grand nombre de panicules, des durées de floraison plus longues et une initiation plus précoce de la floraison. Le modèle de détection des panicules, évalué par rapport à différents traitements à l’azote, a maintenu une précision constante au fil des années, indiquant son universalité pour différentes variétés de riz. Il a également détecté efficacement des panicules de formes, de couleurs et de textures variées.
Pour la classification des panicules, le modèle basé sur ResNet 50 fait la distinction entre les panicules à floraison vigoureuse et non vigoureuse avec une grande précision. Cette étude a facilité l’analyse du processus de floraison du riz et l’identification de la date d’épiaison, en s’alignant étroitement sur les comptages manuels et les observations sur le terrain.
De plus, la méthode a identifié efficacement les changements de floraison sensibles dus à des facteurs environnementaux tels que la température et l’humidité. Le suivi des panicules individuelles a révélé qu’une application plus élevée d’azote entraînait une initiation plus précoce de la floraison et des périodes de floraison plus longues.
Le modèle a montré des performances robustes dans le suivi des panicules de riz, avec environ 70 % des panicules suivies entièrement et en continu malgré les changements environnementaux. L’étude a également mis en évidence l’effet de l’azote sur l’épiaison et la floraison du riz, indiquant des impacts potentiels sur le remplissage des grains. Il a été observé que l’application d’azote augmente le nombre de panicules mais affecte également l’initiation et la durée du remplissage des grains.
En conclusion, le pipeline proposé démontre une approche non destructive, précise et efficace pour obtenir des traits paniculaires. Il ouvre de nouvelles voies pour analyser les phénotypes du riz sous différents traitements azotés et conditions environnementales, contribuant ainsi à faire progresser la recherche agronomique et les pratiques culturales.
Plus d’information:
Qinyang Zhou et al, Analyse des effets de l’azote sur le développement des panicules de riz par détection de panicule et suivi de séries chronologiques, Phénomique des plantes (2023). DOI : 10.34133/plantphenomics.0048