Rencontres du Végétal

Le phénotypage occupe une place centrale dans les programmes de sélection variétale destinés à répondre aux exigences du changement climatique, à la sécurité biologique et à la stabilité de la production. L’intelligence artificielle s’est imposée aujourd’hui comme le levier indispensable pour atteindre le haut débit, en automatisant l’extraction de caractéristiques à partir de volumes massifs d’images. La majorité des travaux a ainsi concentré ses efforts sur l’optimisation des architectures de modèles, cherchant à maximiser les performances sur un jeu de données fixes. Cependant, les jeux de données de phénotypage sont souvent hétérogènes, issus de protocoles variés et de qualités très différentes, ce qui limite la généricité et la transférabilité des modèles.
Nous proposons une approche d’intelligence artificielle centrée sur la donnée qui recentre le processus sur la qualité, la structuration et l’évolution continue des données en synergie avec les modèles. Notre contribution se structure au travers d’une pipeline unifiée conçue pour le suivi en ligne et l’amélioration permanente des jeux d’images. La Figure 1 illustre les trois étapes de ce pipeline : (i) acquisition adaptative, (ii) détection en temps réel des anomalies et (iii) mise à jour dynamique des modèles.
Dans le cadre de nos travaux pour l’Institut de Recherche en Horticulture et en Semence, nous étudions les stades précoces de développement du développement des plantes, de la graine à la plantule. Nous validons chaque étape sur les jeux de données couvrant différentes espèces d’intérêts : le pois, la tomate, le colza ou le trèfles.
L’étape d’acquisition adaptative repose sur une méthode bayésienne d’échantillonnage intelligent qui identifie les instants les plus informatifs du processus de germination des graines de trèfle. Cette stratégie est testée sur un jeu de données de germination de graines de trèfles et permet de réduire de 20 % le nombre d’images à capturer tout en maintenant la précision des mesures (Mercier et al., 2025a ; Mercier et al., 2024).
La deuxième étape, la détection d’anomalies en temps réel, exploite les séquences time lapse RGB D d’un jeu de données dédié à la tomate. Les expériences montrent que les transitions phénologiques anormales sont identifiées instantanément avec précision, offrant la possibilité d’intervenir immédiatement en cas de dysfonctionnement du développement (Mercier et al., 2025b ; Mercier et al., 2026b).
La dernière étape, la mise à jour dynamique des modèles, utilise les mêmes séquences RGB D issues de la tomate, du pois et du colza pour ajuster les modèles de deep learning sans recourir à de nouvelles annotations massives. Les résultats démontrent une ré adaptation automatique du modèle face aux variations de conditions ou de variétés, avec une réduction de 40 à 60 % du besoin d’annotation supplémentaire (Mercier et al., 2025b ; Mercier et al., 2026a).
En combinant ces trois modules, le pipeline fournit une vision cohérente du phénotypage : acquisition économique et ciblée, analyse instantanée des écarts, et adaptation continue du modèle. La plateforme a été validée sur plusieurs espèces, confirmant sa robustesse face aux variations expérimentales et sa capacité à fonctionner en temps réel pour le suivi des plantes.
Les perspectives portent sur l’intégration de modèles de fondation dans chaque étape, l’ajout de modalités multispectrales (NIR, fluorescence) pour enrichir le caractère phénotypique, le couplage du flux d’informations à des systèmes de contrôle automatisé des serres (température, humidité, éclairage) et le déploiement du pipeline à l’échelle champ afin de tester sa résilience dans des environnements hétérogènes. À plus long terme, la valorisation industrielle de cette approche data centric devrait accélérer les programmes de sélection variétale, les rendre plus précis et les renforcer face aux enjeux de durabilité.

Références
Mercier, F., et al. (2025a). Bayesian Adaptive Sampling: A Smart Approach for Affordable Germination Phenotyping. Plant Phenomics, 100067.
Mercier, F., et al. (2024). Sampling Bayesian Adaptive for Nonlinear Models: Application to Plant Phenotyping. EUSIPCO, Lyon.
Mercier, F., et al. (2025b). Deep‑learning‑ready RGB‑depth images of seedling development. Plant Methods, 21(1), 16.
Mercier, F., et al. (2026b). Online Detection of Abnormal Phenological Stage Transitions Using Conformal Prediction. Artificial Intelligence in Agriculture (soumis).
Mercier, F., et al. (2026a). Annotation‑Efficient Inter‑Species Deep Learning‑Based Plant Phenotyping Using Temporal Trajectories. EUSIPCO, Bruges.