Dans les cultures céréalières, le nombre de nouvelles feuilles produites par chaque plante permet d’étudier les événements périodiques qui constituent le cycle de vie biologique de la culture. La méthode conventionnelle de détermination du nombre de feuilles implique un comptage manuel, qui est lent, laborieux et généralement associé à de grandes incertitudes en raison de la petite taille des échantillons impliqués. Il est donc difficile d’obtenir des estimations précises de certains traits en comptant manuellement les feuilles.
Les méthodes conventionnelles ont cependant été améliorées grâce à la technologie. L’apprentissage en profondeur a permis l’utilisation d’algorithmes de détection et de segmentation d’objets pour estimer le nombre de plantes (et de feuilles sur ces plantes) dans une zone. Il existe cependant un obstacle à l’utilisation de ces algorithmes. Ils comptent les extrémités des feuilles, qui apparaissent minuscules sur les images, ce qui s’avère difficile à détecter. Par conséquent, les méthodes d’apprentissage en profondeur échouent souvent à fonctionner dans des conditions réelles de terrain.
Dans le but de résoudre ce problème, une équipe de recherche multinationale a développé une méthode de comptage auto-supervisée des extrémités des feuilles basée sur des techniques d’apprentissage en profondeur, qui a permis de compter les feuilles de blé avec une grande précision. L’étude a été dirigée par le professeur Shouyang Liu de l’Université agricole de Nanjing et a été publiée en ligne dans Phénomique végétale le 20 mars 2023.
Parlant de leur travail, le professeur Liu déclare : « Nous avons développé une méthode à haut débit pour compter le nombre de feuilles sur les plants de blé en détectant les extrémités des feuilles dans des images RVB (rouge-vert-bleu). La plateforme de phénotypage numérique des plantes (D3P) a été utilisé pour simuler un ensemble de données vaste et diversifié d’images RVB et d’étiquettes de feuilles correspondantes de semis de blé. Plus de 150 000 images ont été générées, avec plus de 2 millions d’étiquettes.
Les chercheurs ont utilisé l’adaptation de domaine, dans laquelle un réseau neuronal formé sur un ensemble de données « source » est appliqué à un ensemble de données « test », également appelé ensemble de données « cible ». Ceci a été réalisé grâce à des techniques d’apprentissage en profondeur qui imitent les processus neuronaux utilisés par le cerveau humain et utilisent des algorithmes inspirés par sa structure et sa fonction.
Ensuite, les chercheurs ont collecté 2 763 images RVB de champs de blé juvéniles à partir de 11 sites répartis dans cinq pays. Diverses mesures ont été utilisées pour créer un ensemble de données source robuste et fiable – différents types de caméras, différents angles d’imagerie et des images avec divers fonds de sol/conditions d’éclairage ont été utilisés. Outre la capture d’images sur le terrain, l’équipe a également généré des images de blé simulées, qui ont été automatiquement annotées à l’aide du D3P. L’adaptation de domaine a été utilisée pour améliorer le réalisme de ces images, qui ont ensuite été utilisées pour former les modèles d’apprentissage en profondeur.
Six combinaisons de modèles d’apprentissage en profondeur et de techniques d’adaptation de domaine ont été utilisées dans cette étude ; le modèle Faster-RCNN avec la technique d’adaptation CycleGAN a démontré les meilleures performances. Cela était évident à partir de son coefficient de détermination élevé (R2 = 0,94) – une mesure qui détermine la qualité de l’ajustement d’un modèle – et de l’erreur quadratique moyenne optimale (RMSE = 8,7) – une façon standard de mesurer l’erreur d’un modèle dans prédire des données quantitatives.
De plus, parmi les trois facteurs évalués pour la performance des modèles de comptage de feuilles, la condition de lumière s’est avérée de la plus haute importance. D’autre part, la texture des feuilles et la luminosité du sol se sont avérées moins importantes pour la performance, mais la combinaison de ces trois facteurs a amélioré de manière significative le réalisme des images. Les résultats ont également révélé qu’une résolution spatiale supérieure à 0,6 mm par pixel était nécessaire pour assurer une identification précise des extrémités des feuilles.
Expliquant les implications de leur étude, le professeur Liu a déclaré : « La méthode d’apprentissage en profondeur proposée qui en résulte semble très attrayante car elle élimine la tâche d’étiquetage manuel fastidieuse, coûteuse et parfois inexacte en simulant des images pour lesquelles les étiquettes sont générées automatiquement. Les images ont été également rendu plus réaliste en utilisant des techniques d’adaptation de domaine. »
L’équipe de recherche a fait des réseaux formés disponible ici faciliter la poursuite des recherches dans ce domaine.
Plus d’information:
Yinglun Li et al, Phénotypage végétal auto-supervisé en combinant l’adaptation de domaine avec des simulations de modèles végétaux 3D : application au comptage des feuilles de blé au stade de semis, Phénomique végétale (2023). DOI : 10.34133/plantphenomics.0041