En cliquant sur "Accepter tous les cookies", tu acceptes que des cookies soient stockés sur ton appareil pour améliorer la navigation sur le site, analyser son utilisation et nous aider dans nos efforts de marketing. Plus d'info
Paramètres des cookies
En cliquant sur "Accepter tous les cookies", tu acceptes que des cookies soient stockés sur ton appareil pour améliorer la navigation sur le site, analyser son utilisation et nous aider dans nos efforts de marketing. Plus d'info
Ultralytics YOLO11 et vision par ordinateur dans le phénotypage des plantes
Vois comment Ultralytics YOLO11 et la vision par ordinateur dans le phénotypage des plantes peuvent être utilisés pour automatiser des tâches telles que le comptage des feuilles, la détection de la sécheresse et la prédiction des maladies.
L'agriculture est essentielle à notre approvisionnement alimentaire, et les chercheurs cherchent toujours des moyens d'optimiser les processus liés à un défi majeur : le changement climatique. Avec le réchauffement climatique qui perturbe les saisons de croissance et l'augmentation de la population mondiale, la nécessité de développer des cultures capables de résister à des environnements en constante évolution est bien réelle. Le phénotypage des plantes est un élément clé de cette recherche.
Le phénotypage des plantes consiste à étudier les propriétés des plantes telles que la taille, la couleur, la croissance et la structure des racines. En comprenant comment les plantes réagissent à différentes conditions, nous pouvons identifier celles qui sont mieux équipées pour faire face à la sécheresse, à la chaleur ou à un sol pauvre. Ces données peuvent être utilisées pour prendre des décisions concernant les cultures à sélectionner pour stimuler la productivité agricole.
Généralement, le phénotypage des plantes implique des observations visuelles manuelles, ce qui peut prendre du temps et nécessiter beaucoup de travail. La vision par ordinateur, une branche de l'intelligence artificielle (IA), peut réinventer la façon dont nous étudions les plantes. Grâce à la vision par ordinateur dans le phénotypage des plantes, nous pouvons détecter et analyser automatiquement les plantes à partir d'images ou de vidéos, ce qui améliore considérablement la vitesse, la cohérence et la précision.
Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent traiter de vastes volumes de données visuelles sur les plantes capturées par des drones, des robots terrestres ou des appareils portatifs. Grâce à sa prise en charge de diverses tâches de vision par ordinateur, YOLO11 peut être utilisé pour analyser diverses propriétés des plantes dans les images et les vidéos.
Dans cet article, nous allons examiner de plus près les défis du phénotypage traditionnel des plantes et explorer comment les modèles de vision par ordinateur comme YOLO11 favorisent des pratiques agricoles plus intelligentes et plus durables.
Qu'est-ce que le phénotypage des plantes ?
Le phénotypage des plantes est le processus d'observation et d'analyse des caractéristiques physiques et biochimiques d'une plante. En recueillant des données telles que la hauteur de la plante, la surface foliaire, le taux de croissance et les réactions au stress, nous pouvons obtenir des informations précieuses sur la façon dont les plantes poussent et réagissent à divers environnements.
Les données recueillies grâce au phénotypage des plantes sont vitales pour l'amélioration des cultures, la prévision des rendements et le renforcement de la résilience climatique. Ces points de données aident également les agriculteurs et les experts agricoles à sélectionner les variétés de plantes les plus performantes en vue d'une culture ou d'une sélection ultérieure.
Fig 1. Un chercheur mesure la hauteur de la plante à l'aide d'une règle.
Aujourd'hui encore, le phénotypage des plantes fait généralement appel à des méthodes manuelles. Des chercheurs ou des agriculteurs experts se rendent dans les champs, mesurent physiquement les plantes et enregistrent les données à la main. Malgré leur valeur, ces méthodes nécessitent beaucoup d'efforts humains. Elles peuvent également entraîner des incohérences, car différentes personnes peuvent observer et interpréter les traits des plantes différemment.
Le phénotypage moderne ou phénotypage végétal à haut débit se concentre toutefois sur la cohérence, la précision et la collecte de données non destructives. Les plantes sont surveillées à l'aide d'outils avancés tels que des caméras RVB (caméras couleur standard), des capteurs hyperspectraux (dispositifs qui capturent une large gamme d'informations sur les couleurs, même au-delà de ce que l'œil peut voir) et des systèmes LiDAR (Light Detection and Ranging) (scanners à base de laser qui créent des cartes 3D détaillées) pour capturer des données à haute résolution sans perturber physiquement les plantes.
Associées à l'IA et à la vision par ordinateur, ces méthodes non invasives peuvent contribuer à améliorer considérablement la précision et la cohérence du phénotypage des plantes.
Limites du phénotypage traditionnel des plantes
Bien que fondamentales, les méthodes traditionnelles de phénotypage des plantes présentent plusieurs limites et défis. Voici quelques-uns de leurs principaux inconvénients :
Méthodes manuelles : Les méthodes traditionnelles reposaient sur l'effort humain et des outils physiques tels que des règles et des pieds à coulisse étaient utilisés. Elles prenaient beaucoup de temps et étaient subjectives, surtout dans les grands champs agricoles.
Échantillonnage destructif : Les plantes ont souvent été endommagées ou déracinées pour étudier les propriétés internes des plantes. L'échantillonnage destructif rend impossible le suivi de la réaction des plantes à différents intervalles de temps.
Difficulté à saisir les changements dynamiques: Les méthodes traditionnelles capturent souvent un seul moment dans le temps, manquant ainsi l'évolution des traits des plantes au fil du temps.
Le phénotypage des plantes à haut débit se concentre sur l'automatisation du phénotypage des plantes pour rendre les mesures plus précises et garder les choses cohérentes. Il ouvre de nouvelles portes à l'innovation agricole et à l'agriculture intelligente.
Le rôle de la vision par ordinateur dans le phénotypage des plantes
La vision par ordinateur est une technologie qui permet aux machines de voir et d'interpréter les informations visuelles du monde réel, comme le font les humains. Elle comporte trois étapes clés : l'acquisition, le traitement et l'analyse des images.
Tout d'abord, l'acquisition d'images consiste à capturer des données visuelles à l'aide de divers capteurs, tels que des caméras et des drones. Ensuite, le traitement des images améliore la qualité et la clarté des images à l'aide de techniques telles que la réduction du bruit et la correction des couleurs. Enfin, l'analyse d'image extrait des informations significatives des images traitées à l'aide de différentes tâches de vision par ordinateur comme la détection d'objets et la segmentation d'instances. Des modèles comme YOLO11 peuvent être utilisés pour cette analyse d'image et prendre en charge de telles tâches.
Fig 2. YOLO11 peut être utilisé pour détecter des légumes dans un champ.
Autres technologies impliquées dans le phénotypage à haut débit des plantes
Au-delà de la vision par ordinateur, le phénotypage des plantes à haut débit s'appuie sur plusieurs technologies innovantes pour capturer des images et des vidéos détaillées des plantes. Voici quelques-uns de ces outils clés et la façon dont ils améliorent la collecte de données :
Imagerie RVB: Les caméras RVB standard sont couramment utilisées pour capturer des images de plantes. L'imagerie RVB est au cœur de l'analyse phénotypique et sert souvent d'étape initiale à des évaluations plus complexes.
Imagerie hyperspectrale : Cette technologie capture un large éventail de bandes spectrales au-delà du spectre visible. Elle fournit des informations détaillées sur la composition chimique d'une plante et permet de détecter des facteurs tels que le taux de chlorophylle, la teneur en eau et les carences en nutriments.
Imagerie thermique : Les caméras thermiques mesurent le rayonnement infrarouge émis par les plantes, offrant ainsi un aperçu de la température de surface. Cette méthode non invasive est utile pour surveiller la santé des plantes et identifier rapidement les problèmes potentiels.
Imagerie 3D: Les caméras de profondeur et la technologie LiDAR créent des modèles tridimensionnels des plantes. L'imagerie 3D est essentielle pour analyser les structures complexes des plantes et comprendre comment les variations ont un impact sur la croissance et la productivité.
Fig 3. Principales technologies utilisées pour le phénotypage à haut débit des plantes. Image par l'auteur.
Applications d'Ultralytics YOLO11 dans le phénotypage des plantes
Les modèles de vision par ordinateur sont progressivement utilisés dans le phénotypage des plantes pour un large éventail de tâches. Du comptage des feuilles à l'analyse morphologique détaillée, ces technologies transforment la façon dont nous comprenons et gérons la santé des plantes. Passons en revue quelques applications du monde réel dans lesquelles des modèles comme YOLO11 peuvent aider au phénotypage des plantes.
Comptage de feuilles et estimation de la sécheresse à l'aide de YOLO11
Lorsque des modèles de vision comme YOLO11 sont intégrés à des drones (véhicules aériens sans pilote), ils peuvent être utilisés pour analyser différentes caractéristiques des plantes en temps réel. La capacité de YOLO11à détecter de petites caractéristiques dans les images aériennes à haute résolution, comme les extrémités des feuilles, aide les chercheurs et les agriculteurs à suivre les stades de développement des plantes avec plus de précision que les méthodes manuelles traditionnelles.
Par exemple, la prise en charge de la détection d'objets par YOLO11peut être utilisée pour identifier les différences entre les plants de riz tolérants et sensibles à la sécheresse en comptant le nombre de feuilles visibles. Les indices visuels tels que le nombre de feuilles sont souvent en corrélation avec des caractéristiques plus profondes, telles que la biomasse et la résilience de la plante.
Détection des fleurs avec YOLO11
La détection et le comptage des fleurs sont des aspects intéressants du phénotypage des plantes, notamment en ce qui concerne les cultures où la quantité de fleurs est étroitement liée au potentiel de rendement. YOLO11 peut notamment être utilisé pour détecter diverses structures florales. En automatisant le processus de détection des fleurs, les agriculteurs et les chercheurs peuvent prendre plus rapidement des décisions fondées sur des données relatives au calendrier de pollinisation, à l'allocation des ressources et à la santé générale des cultures.
Détection des maladies des plantes grâce à l'intelligence artificielle et à YOLO11
La détection des maladies des plantes est un élément crucial de la surveillance de la santé des cultures. Grâce aux capacités de classification d'images de YOLO11, les images de cultures peuvent être classées pour identifier les signes précoces de maladie. YOLO11 peut également être intégré à des appareils tels que des drones, des applications mobiles ou des robots de terrain pour une détection automatisée des maladies. Les agriculteurs peuvent ainsi agir à temps contre les épidémies, ce qui permet de réduire les pertes de rendement et de minimiser l'utilisation de pesticides.
Par exemple, YOLO11 peut être entraîné sur mesure pour classer des images de feuilles de vigne qui peuvent présenter des signes de la maladie de l'enroulement de la vigne. Le modèle apprend à partir d'exemples étiquetés couvrant différents stades de la maladie, tels que les feuilles saines, la décoloration légère et les symptômes graves. En reconnaissant des modèles visuels distincts tels que les changements de couleur et la décoloration des nervures, YOLO11 aide les viticulteurs à détecter les infections à un stade précoce et à prendre des décisions plus éclairées sur les traitements.
Fig 4. Exemples de la façon dont la maladie de l'enroulement de la vigne se présente.
Avantages de l'utilisation de YOLO11 pour le phénotypage des plantes
Voici quelques avantages de l'utilisation de modèles de vision par ordinateur comme YOLO11 par rapport aux méthodes traditionnelles de phénotypage des plantes :
Évolutivité et rentabilité : L'automatisation des processus avec YOLO11 peut réduire le besoin de travail manuel, ce qui en fait une solution évolutive et rentable pour les exploitations agricoles à grande échelle.
Alertes en temps réel : L'intégration des informations recueillies à l'aide de YOLO11 aux systèmes automatisés permet de recevoir des notifications instantanées sur les problèmes potentiels, ce qui favorise une prise de décision rapide.
Pratiques agricoles durables: En réduisant les interventions manuelles et l'utilisation de produits chimiques, la vision par ordinateur contribue à une agriculture plus respectueuse de l'environnement et plus durable.
Les défis de la vision par ordinateur dans le phénotypage des plantes
Bien que la vision par ordinateur offre de nombreux avantages en matière de phénotypage des plantes, il est important de garder à l'esprit les limites liées à la mise en œuvre de ces systèmes. En voici quelques-unes :
Exigences en matière de jeux de données : Les modèles de formation nécessitent des ensembles de données importants, diversifiés et bien étiquetés, qui peuvent être difficiles et longs à collecter, en particulier pour les cultures rares ou les conditions uniques.
Préoccupations en matière de protection de la vie privée : À mesure que les drones et les caméras intelligentes se multiplient dans les champs, des questions se posent pour savoir à qui appartiennent les données, comment elles sont stockées et si elles sont utilisées sans le consentement approprié.
Conditions environnementales : Les changements d'éclairage, les conditions météorologiques et l'encombrement de l'arrière-plan peuvent affecter la précision de l'analyse visuelle dans les environnements agricoles imprévisibles.
Vers un phénotypage des plantes à haut débit
L'avenir du phénotypage des plantes s'oriente vers des systèmes intelligents et interconnectés qui fonctionnent ensemble pour donner une image plus claire de la santé et de la croissance des cultures. Une tendance intéressante est l'utilisation de plusieurs capteurs à la fois. En combinant des données provenant de diverses sources, nous pouvons obtenir une compréhension beaucoup plus riche et précise de ce qui se passe dans une plante.
Les tendances du marché témoignent également d'un intérêt croissant pour les méthodes avancées de phénotypage des plantes. Le marché mondial du phénotypage des plantes est d'environ 311,73 millions de dollars cette année (2025) et devrait atteindre 520,80 millions de dollars d'ici 2030.
Fig 5. La valeur marchande du phénotypage des plantes.
Principaux enseignements
La vision par ordinateur dans le domaine du phénotypage des plantes permet d'automatiser la mesure et l'analyse des plantes. Les modèles d'IA par vision comme YOLO11 peuvent réduire le travail manuel, obtenir de meilleurs résultats et faciliter le suivi des cultures à grande échelle. Le passage des méthodes traditionnelles à des systèmes intelligents, pilotés par la technologie, est une étape importante pour relever les défis mondiaux tels que le changement climatique, les pénuries alimentaires et l'agriculture durable.
À l'avenir, l'intégration de la vision par ordinateur à d'autres technologies comme l'IA, la robotique et les capteurs intelligents rendra l'agriculture encore plus intelligente et efficace. À mesure que l'IA progresse, nous nous rapprochons d'un avenir où nous pourrons surveiller les plantes de manière transparente, affiner leur croissance et leur apporter les soins nécessaires.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
