Rencontres du Végétal

Contexte
La luzerne porte-graine fait face à des infestations de nombreux insectes ravageurs tels que des charançons du feuillage (phytonome, négril, apion, sitone), des ravageurs des inflorescences (tychius, tordeuse) ou encore des punaises mirides. La détection de ces insectes dans les champs est importante pour adapter et raisonner les pratiques culturales. Actuellement, la surveillance de ces nuisibles repose sur un échantillonnage et un comptage manuels (à l’aide d’un filet fauchoir), une méthode chronophage et nécessitant une certaine habitude pour réduire les risques d’erreurs.
Objectifs
Pour pallier ces contraintes, la FNAMS et l'université d'Angers travaillent ensemble depuis 2023 au développement d'un outil de comptage automatique des insectes ravageurs de la luzerne porte-graine.
Démarche et méthodes
Ce travail s'appuie sur l'imagerie couplée à l'intelligence artificielle. L'approche comprend plusieurs étapes successives : 1) collecte de données sur le terrain, 2) annotation d'images échantillons, 3) développement du modèle d'apprentissage profond, 4) évaluation de la qualité prédictive et 5) déploiement de l'outil fini via une application smartphone.
Le processus a débuté par une phase de collecte de données sur le terrain. L'échantillonnage a été effectué dans des champs de luzerne porte-graine à l'aide d'un filet fauchoir. Chaque échantillon prélevé au filet a ensuite été transféré dans un bac jaune, dans lequel les insectes capturés ont été photographiés puis comptés. Ces images, prises dans des conditions réelles sur le terrain, constituent la base d'un ensemble de données représentatif (479 images de 2023 à 2025), qui a ensuite été soumise à une annotation manuelle rigoureuse afin d'identifier et de localiser sur photo les différentes espèces nuisibles.
Ces annotations ont par la suite été utilisées pour entraîner un modèle d'apprentissage profond basé sur un réseau neuronal convolutif (CNN), conçu pour détecter, classer et compter automatiquement les insectes. Des techniques d'augmentation des données ont été appliquées afin d'accroître sa robustesse face aux variations d'éclairage, de position et de qualité d'image. Le modèle a ensuite été évalué à l'aide d'un ensemble d'images indépendant afin de valider ses performances.
Résultats obtenus ou attendus
Sur un jeu de données test de 67 photos de 2025 n’ayant pas servi à l’entrainement du modèle de comptage automatique, les résultats de prédiction des insectes sur photo sont robustes : R² = 0,81 ; précision à ± 5 insectes = 87% ; précision à ± 10 insectes = 95%. Le modèle est donc capable de prédire de manière assez satisfaisante le nombre d’insectes dénombrés sur les photos prises au champ, même s’il peut encore être amélioré. Le principal biais restant à corriger afin d’obtenir un outil prédictif fiable est la précision du résultat issu d’un comptage sur photo par rapport au comptage réel obtenu sur le terrain. En effet, dans le jeu de données disponible il est observé qu’en moyenne le comptage sur photo sous-estime d’environ un facteur 4 le nombre d’insectes réellement observés sur le terrain. Cette sous-estimation provient de plusieurs éléments parfois combinés : délai trop important entre le comptage de terrain et la prise de photo servant au comptage, présence de nombreux débris de végétation sur la photo perturbant le comptage, insectes superposés rendant difficile le comptage. Afin de réduire une partie de ces biais, le nombre de coups de filet fauchoir servant à l’échantillonnage a été réduit en 2025, en comparaison de 2023 et 2024. Cette mise à jour a permis de réduire une partie de l’erreur de prédiction (de 84% à 66%).
Perspectives
Une fois les problèmes identifiés résolus, une interface mobile sera développée pour permettre le déploiement opérationnel de la solution, offrant aux utilisateurs la possibilité de télécharger des images prises au champ et d'obtenir un comptage automatisé instantané, facilitant ainsi son intégration dans les pratiques agricoles.