Rencontres du Végétal

Contexte
Les problématiques actuelles du phénotypage végétal nécessitent une lecture intégrée du végétal, combinant des informations morphologiques, physiologiques et biochimiques issues d’imageries multimodales (RGB, hyperspectrale, thermique). Toutefois, leur exploitation conjointe reste limitée par l’hétérogénéité des conditions d’acquisition et la fragmentation des approches analytiques.
Pour répondre à ces enjeux, Farm3 s’appuie sur trois piliers complémentaires : agronomie, mécatronique et intelligence artificielle. Cette structuration permet d’aborder le végétal de bout en bout, du capteur à la caractérisation quantitative des traits du végétal.
Dans ce cadre, PAuL (Plant Automated Learning) est développé comme un système d’intelligence artificielle multi-agent intégrant physiologie, morphologie et environnement pour produire une représentation unifiée de l’état du végétal.
Objectif
PAuL vise à développer un modèle d’intelligence artificielle multi-agent capable de relier différents types de connaissances sur les plantes en intégrant conjointement les dimensions morphologiques, physiologiques et environnementales issues de données d’imagerie multimodale.
L’objectif est de dépasser les approches spécifiques à une tâche pour construire un cadre généralisable. Cela permet de mutualiser les connaissances et d’assurer une robustesse face à des environnements allant de conditions contrôlées aux conditions de production au champ.
Cette représentation unifiée constitue le socle permettant d’adresser un ensemble de problématiques agronomiques hétérogènes, notamment :
• l’estimation des activités physiologiques (photosynthèse, conductance stomatique, transpiration) chez le fraisier,
• la détection de la maturité du melon,
• la prédiction non destructive de la teneur en composés bioactifs chez des plantes aromatiques.
Démarche et méthodes
Les données sont acquises via des dispositifs d’imagerie multimodale synchronisés, permettant de capturer simultanément les dimensions structurelles et fonctionnelles du végétal. Un traitement en amont assure la normalisation des acquisitions ainsi que la segmentation des zones d’intérêt, garantissant la cohérence des entrées utilisées par les modèles d’apprentissage.
Dans ce cadre, les modalités d’imagerie sont interprétées selon leur complémentarité: les données issues de l’imagerie RGB sont principalement associées à la caractérisation morphologique du végétal (architecture, structure, géométrie du couvert) [1], tandis que les modalités thermique et hyperspectrale sont davantage liées aux dynamiques physiologiques (activité photosynthétique, état hydrique, conductance stomatique) [2].
L’apprentissage au sein de PAuL repose sur l’exploitation de jeux de données annotés, construits en fonction de problématiques agronomiques ciblées, afin d’apprendre des correspondances entre signatures multimodales et variables agronomiques mesurées.
Au-delà d’une formulation classique en termes de régression ou de classification, PAuL adopte une approche conditionnée par la tâche, dans laquelle la sélection et la combinaison des modalités d’entrée sont directement guidées par la nature des phénomènes étudiés.
Dans ce cadre :
• les dynamiques physiologiques (photosynthèse, conductance stomatique, transpiration) chez le fraisier sont modélisées à partir d’une fusion de données hyperspectrales et d’imagerie RGB,
• la détection de la maturité du melon repose principalement sur des données RGB,
• la prédiction non destructive de la teneur en composés bioactifs chez des plantes aromatiques s’appuie sur des données hyperspectrales.
Cette variabilité dans l’utilisation des modalités illustre la capacité de PAuL à adapter ses entrées et ses représentations aux exigences spécifiques de chaque tâche, tout en conservant un cadre d’apprentissage unifié.
Résultats obtenus
PAuL montre des performances consistantes sur des tâches hétérogènes de phénotypage végétal, avec des niveaux d’erreur dépendant de la nature des variables cibles.
Sur le fraisier, les flux physiologiques (photosynthèse, conductance stomatique, transpiration) sont estimés avec des corrélations élevées par rapport aux mesures de référence (R² = 0,70–0,90).
Sur le melon, la maturité est discriminée en conditions de production avec une précision de 85–95 %, malgré une forte variabilité des conditions d’acquisition.
Sur les plantes aromatiques, la teneur en composés bioactifs est prédite avec des coefficients de détermination compris entre R² = 0,71–0,85 selon les composés considérés.
Perspectives
PAuL vise la généralisation inter-espèces via l’apprentissage de représentations transférables entre cultures. Un second axe concerne la distillation de connaissances pour le transfert entre environnements (chambres de culture, serres, plein champ). Le cadre pourra être étendu par l’ajout de nouvelles modalités et fonctionnalités selon les besoins agronomiques.
Références
[1] Leiva, Fernanda, et al. "Phenotyping Fusarium head blight through seed morphology characteristics using RGB imaging." Frontiers in Plant Science 13 (2022): 1010249.
[2] Sarić, Rijad, et al. "Applications of hyperspectral imaging in plant phenotyping." Trends in plant science 27.3 (2022): 301-315.