Progrès dans l’Évaluation de la Qualité des Semences Grâce à l’intelligence artificielle et l’Imagerie 2D par Rayons X
Dans une étude publiée récemment, nous avons réalisé des avancées significatives dans la détection automatisée des défauts internes des semences en utilisant l’intelligence artificielle couplée à l’imagerie 2D par rayons X. Cette méthode innovante utilise des modèles avancés d’apprentissage profond pour analyser les images 2D par rayons X avec une précision remarquable et une optimisation du temps.
En effet, le principal verrou technologique pour l’utilisation de l’intelligence artificielle concerne l’obtention d’une très large base de données équilibrées, certaines classes étant beaucoup moins représentées que d’autres. Dans notre cas, cette difficulté était également amplifiée par l’absence de protocoles de radiographie standardisés entrainant des variations de la qualité des images obtenues.
Pour faire face à cette problématique, nous avons donc développé une stratégie basée sur l’augmentation artificielle des données (X-Robustifier) afin de répondre aux défis posés par la variabilité naturelle de la morphologie des graines, la variabilité inhérente des conditions d’imagerie par rayons X, ainsi que le faible ratio typique de graines défectueuses. Ces techniques d’augmentation de données améliorent la robustesse des modèles profonds, leur permettant de s’adapter aux variations des paramètres physiques d’imagerie tout en compensant efficacement la rareté des défauts. Certains tests ont même démontré la robustesse du modèle et sa capacité à être performant sur des semences enrobées ou dans des projections 2D générées à partir d’images de tomographie 3D.
Nos résultats montrent que ce modèle égale à minima les performances humaines en termes de temps de calcul et de taux d’erreurs, mais démontre également une grande robustesse face à des défis courants tels que le bruit physique et les variations de morphologie. La méthode, appliquée avec succès aux semences de betterave sucrière (Beta vulgaris L.) et de féverole (Vicia faba L.), s’avère être une solution efficace et évolutive pour les tests automatisés sur semences.
Ce projet, mené en collaboration avec des partenaires de l’Université d’Angers et le groupe de recherche ImHorPhen, vise à encourager de nouveaux partenariats avec des organisations partageant un intérêt pour l’application de l’intelligence artificielle à l’étude des semences et des plantes, favorisant ainsi l’innovation et la collaboration dans les domaines de la recherche et de la technologie.
