Ultralytics YOLO11 et la vision par ordinateur dans le phénotypage des plantes

L'agriculture est essentielle à notre approvisionnement alimentaire, et les chercheurs cherchent constamment des moyens d'optimiser les processus liés à un défi clé : le changement climatique. Avec le réchauffement climatique qui perturbe les saisons de croissance et une population mondiale en pleine augmentation, le besoin de développer des cultures capables de résister à des environnements en constante évolution est bien réel. Le phénotypage végétal est un élément clé de cette recherche.

Le phénotypage végétal consiste à étudier les propriétés des plantes telles que leur taille, leur couleur, leur croissance et leurs structures racinaires. 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 sur les cultures à reproduire afin d'augmenter la productivité agricole.

En règle générale, le phénotypage végétal implique des observations visuelles manuelles, ce qui peut être long et fastidieux. 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 appliquée au phénotypage végétal, 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, des modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent traiter d'énormes volumes de données visuelles sur les plantes capturées par des drones, des robots terrestres ou des appareils portables. Avec sa prise en charge de diverses tâches de vision par ordinateur, YOLO11 peut être utilisé pour analyser diverses propriétés des plantes dans des images et des vidéos.

Dans cet article, nous examinerons de plus près les défis du phénotypage végétal traditionnel et explorerons comment des modèles de vision par ordinateur comme YOLO11 favorisent des pratiques agricoles plus intelligentes et plus durables.

Link to this sectionQu'est-ce que le phénotypage végétal ?#

Le phénotypage végétal 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 réponses 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 végétal sont essentielles pour l'amélioration des cultures, la prévision des rendements et l'amélioration 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 pour la culture ou la sélection.

Fig 1. Un chercheur mesurant la hauteur de la plante à l'aide d'une règle.

Aujourd'hui encore, le phénotypage végétal implique généralement des méthodes manuelles. Les chercheurs ou les agriculteurs experts se rendent dans les champs, mesurent physiquement les plantes et enregistrent les données à la main. Malgré leur utilité, ces méthodes demandent beaucoup d'efforts humains. Elles peuvent également entraîner des incohérences, car différentes personnes peuvent observer et interpréter les traits des plantes de différentes manières.

Le phénotypage moderne ou phénotypage végétal à haut débit se concentre cependant sur la cohérence, la précision et la collecte de données non destructive. Les plantes sont surveillées à l'aide d'outils avancés tels que des caméras RVB (caméras couleur standard), des capteurs hyperspectraux (appareils qui capturent une large gamme d'informations couleur, même au-delà de ce que l'œil peut voir) et des systèmes LiDAR (Light Detection and Ranging) (scanners basés sur laser qui créent des cartes 3D détaillées) pour capturer des données haute résolution sans perturber physiquement les plantes.

Lorsqu'elles sont combinées à l'IA et à la vision par ordinateur, ces méthodes non invasives peuvent aider à améliorer considérablement la précision et la cohérence du phénotypage végétal.

Link to this sectionLimites du phénotypage végétal traditionnel#

Bien que fondamentales, les méthodes traditionnelles de phénotypage végétal 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 étaient fastidieuses et subjectives, en particulier dans les grands champs agricoles.
• Échantillonnage destructif : Les plantes étaient souvent endommagées ou déracinées pour étudier leurs propriétés internes. L'échantillonnage destructif rend impossible le suivi de la réaction des plantes à différents intervalles de temps.
• Difficulté à capturer les changements dynamiques : Les méthodes traditionnelles capturent souvent un seul instant dans le temps, manquant ainsi l'évolution des traits de la plante au fil du temps.

Le phénotypage végétal à haut débit se concentre sur l'automatisation du phénotypage végétal pour rendre les mesures plus précises et maintenir la cohérence. Il ouvre de nouvelles portes à l'innovation agricole et à l'agriculture intelligente.

Link to this sectionLe rôle de la vision par ordinateur dans le phénotypage végétal#

La vision par ordinateur est une technologie qui permet aux machines de voir et d'interpréter des informations visuelles du monde réel, de la même manière que les humains. Elle implique trois étapes clés : l'acquisition d'images, le traitement et l'analyse.

Premièrement, 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 d'image 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'instance. Des modèles comme YOLO11 peuvent être utilisés pour cette analyse d'image et prennent en charge ces tâches.

Fig 2. YOLO11 peut être utilisé pour détecter des légumes dans un champ.

Link to this sectionAutres technologies impliquées dans le phénotypage végétal à haut débit#

Au-delà de la vision par ordinateur, le phénotypage végétal à haut débit repose sur plusieurs technologies innovantes pour capturer des images et des vidéos détaillées des plantes. Voici quelques-uns de ces outils clés et la manière 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 essentielle à l'analyse phénotypique et sert souvent d'étape initiale dans des évaluations plus complexes.
• Imagerie hyperspectrale : Cette technologie capture une large gamme de bandes spectrales au-delà du spectre visible. Elle fournit des informations détaillées sur la composition chimique d'une plante et aide à détecter des facteurs tels que les niveaux 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 des informations sur la température de surface. Cette méthode non invasive est utile pour surveiller la santé des plantes et identifier les problèmes potentiels rapidement.
• 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 végétales complexes et comprendre comment les variations impactent la croissance et la productivité.

Fig 3. Technologies clés utilisées dans le phénotypage végétal à haut débit. Image de l'auteur.

Link to this sectionApplications de Ultralytics YOLO11 dans le phénotypage végétal#

Les modèles de vision par ordinateur sont progressivement utilisés dans le phénotypage végétal 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 concrètes dans lesquelles des modèles comme YOLO11 peuvent aider au phénotypage végétal.

Link to this sectionComptage des feuilles et estimation de la sécheresse à l'aide de YOLO11#

Lorsque des modèles de vision comme YOLO11 sont intégrés à des UAV (véhicules aériens sans pilote), ils peuvent être utilisés pour analyser différentes caractéristiques des plantes en temps réel. La capacité de YOLO11 à détecter de petites caractéristiques dans des images aériennes haute résolution, comme les extrémités des feuilles, aide les chercheurs et les agriculteurs à suivre les stades de développement des plantes plus précisément que les méthodes manuelles traditionnelles.

Par exemple, la prise en charge par YOLO11 de la détection d'objets peut être utilisée pour identifier les différences entre les plants de riz tolérants à la sécheresse et ceux sensibles à la sécheresse en comptant le nombre de feuilles visibles. Les indices visuels comme le comptage des feuilles sont souvent corrélés avec des traits plus profonds, tels que la biomasse végétale et la résilience.

Link to this sectionDétection des fleurs avec YOLO11#

La détection et le comptage des fleurs sont des aspects intéressants du phénotypage végétal, en particulier pour les cultures où la quantité de fleurs est étroitement liée au potentiel de rendement. En particulier, YOLO11 peut être utilisé pour détecter diverses structures florales. En automatisant le processus de détection des fleurs, les agriculteurs et les chercheurs peuvent prendre des décisions plus rapides et fondées sur des données concernant le moment de la pollinisation, l'allocation des ressources et la santé globale des cultures.

Link to this sectionDétection des maladies des plantes avec l'IA et YOLO11#

La détection des maladies des plantes est un élément crucial du suivi de la santé des cultures. À l'aide des capacités de classification d'images de YOLO11, les images des cultures peuvent être classées pour identifier les premiers signes de maladie. YOLO11 peut également être intégré dans des appareils tels que des drones, des applications mobiles ou des robots de terrain pour une détection automatisée des maladies. Cela permet aux agriculteurs d'agir en temps opportun contre les épidémies, réduisant ainsi les pertes de rendement et minimisant l'utilisation de pesticides.

Par exemple, YOLO11 peut être entraîné sur mesure pour classer des images de feuilles de vigne pouvant présenter des signes de 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, une décoloration légère et des symptômes graves. En reconnaissant des motifs visuels distincts comme les changements de couleur et la décoloration des nervures, YOLO11 aide les viticulteurs à détecter les infections tôt 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.

Link to this sectionAvantages de l'utilisation de YOLO11 pour le phénotypage végétal#

Voici quelques avantages de l'utilisation de modèles de vision par ordinateur comme YOLO11 par rapport aux méthodes traditionnelles de phénotypage végétal :

• Évolutivité et rentabilité : L'automatisation des processus avec YOLO11 peut réduire le besoin de main-d'œuvre manuelle, ce qui en fait une solution évolutive et rentable pour les opérations agricoles à grande échelle.
• Alertes en temps réel : L'intégration des informations recueillies à l'aide de YOLO11 avec des systèmes automatisés permet d'envoyer des notifications instantanées sur les problèmes potentiels, facilitant ainsi 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.

Link to this sectionDéfis de la vision par ordinateur dans le phénotypage végétal#

Bien que la vision par ordinateur offre de nombreux avantages en matière de phénotypage végétal, il est important de garder à l'esprit les limites liées à la mise en œuvre de ces systèmes. Voici quelques préoccupations clés :

• Exigences en matière de jeux de données : L'entraînement des modèles nécessite des jeux de données volumineux, diversifiés et bien étiquetés, dont la collecte peut être difficile et longue, en particulier pour les cultures rares ou dans des conditions uniques.
• Problèmes de confidentialité : À mesure que les drones et les caméras intelligentes deviennent plus courants dans les champs, des questions se posent sur qui possède les données, comment elles sont stockées et si elles sont utilisées sans consentement approprié.
• Conditions environnementales : Les changements de luminosité, de météo et l'encombrement de l'arrière-plan peuvent affecter la précision de l'analyse visuelle dans des environnements agricoles imprévisibles.

Link to this sectionVers le phénotypage végétal à haut débit#

L'avenir du phénotypage végétal se tourne vers des systèmes intelligents et interconnectés qui travaillent ensemble pour offrir une image plus claire de la santé et de la croissance des cultures. Une tendance passionnante est l'utilisation simultanée de plusieurs capteurs. En combinant les données provenant de diverses sources, nous pouvons obtenir une compréhension beaucoup plus riche et plus précise de ce qui arrive à une plante.

Les tendances du marché montrent également un intérêt croissant pour les méthodes avancées de phénotypage végétal. Le marché mondial du phénotypage végétal représente 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 végétal.

Link to this sectionPoints clés#

La vision par ordinateur dans le phénotypage végétal aide à automatiser la mesure et l'analyse des plantes. Les modèles d'IA de vision comme YOLO11 peuvent réduire le travail manuel, obtenir de meilleurs résultats et faciliter la surveillance des cultures à grande échelle. Le passage des méthodes traditionnelles aux systèmes intelligents axés sur 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 avec 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 fournir les soins nécessaires.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur les innovations en matière d'IA. Découvre les dernières avancées dans des domaines comme l'IA dans la fabrication et la vision par ordinateur dans la santé sur nos pages de solutions. Consulte nos options de licence et commence avec la vision par ordinateur dès aujourd'hui !