Avancées dans l'évaluation des maladies du blé

Les maladies des plantes peuvent nuire aux cultures et réduire la production alimentaire. Les agriculteurs utilisent souvent des pesticides et cultivent des plantes spéciales résistantes aux maladies. Cependant, certains organismes pathogènes peuvent s'adapter à ces méthodes, ce qui représente une menace constante pour l'approvisionnement alimentaire. Les plantes résistantes possèdent généralement un ou plusieurs gènes qui les aident à lutter contre les maladies. Parfois, la maladie peut surmonter cette résistance rapidement, entraînant des cycles de succès et d'échec en agriculture.

Des gènes de résistance majeurs et mineurs sont utilisés dans l'élevage des plantes. Les gènes de résistance majeurs peuvent être facilement identifiés et mesurés dans des environnements contrôlés. Une fois qu'un gène de résistance majeur est trouvé, il peut être ajouté aux variétés de cultures avec la certitude qu'il fonctionnera. D'un autre côté, la résistance mineure ou quantitative implique plusieurs gènes qui offrent une certaine protection, mais pas aussi forte que les gènes majeurs. Alors que la résistance majeure peut échouer rapidement, la résistance quantitative tend à durer plus longtemps car elle s'adapte plus lentement aux pathogènes changeants.

Évaluer la résistance quantitative nécessite une observation attentive de la santé des plantes dans un cadre naturel, en tenant compte de divers facteurs comme l'âge des plantes, la météo et d'autres maladies. Cela rend l'étude de ces traits en laboratoire difficile. De plus, pour vraiment comprendre combien de malades sont présents et comment les plantes les tolèrent, les agriculteurs doivent observer les plantes au fil du temps et dans différentes conditions.

Un des plus grands défis dans l'étude de la résistance des plantes est le manque de données précises sur les symptômes des maladies. De plus grandes expériences testant plusieurs types de plantes peuvent améliorer les efforts de sélection, mais sont complexes à cause de nombreuses influences environnementales. Des études précédentes ont montré que les facteurs environnementaux peuvent grandement affecter la performance des plantes, soulignant le besoin de meilleures méthodes d'évaluation qui peuvent gérer de grandes quantités de données.

Cet article se concentrera sur une maladie grave affectant le blé appelée Septoria Tritici Blotch (STB). Cette maladie est causée par un champignon et est particulièrement dommageable en Europe. L'objectif est de créer un moyen d'évaluer rapidement et avec précision le STB dans des conditions naturelles tout en reconnaissant les infections d'autres maladies. Les chercheurs visent à mesurer deux facteurs importants : le pourcentage de la surface foliaire couverte par des lésions STB et la densité des structures reproductrices qui affectent combien de dommages la maladie peut causer.

#Acquisition des données

Pour mieux comprendre le STB, une étude a été menée en utilisant différentes variétés de blé exposées à divers traitements. Cela incluait une infection volontaire avec différentes souches du champignon pathogène. La sélection des variétés de blé visait à inclure une gamme de traits, de la forme des feuilles à la résistance aux maladies.

Un des principaux défis pour obtenir des images claires des plantes était d'équilibrer la surface couverte avec la qualité des images. Les plus petites structures d'intérêt, comme les structures reproductrices STB, sont très petites. Pour les capturer clairement, un équipement haute résolution a été utilisé. Un puissant appareil photo et un objectif macro ont permis aux chercheurs de photographier les feuilles de près pour obtenir de bons détails sans perdre la vaste surface nécessaire pour l'étude.

Des images ont été prises à la fois en plein soleil et à l'ombre pour voir comment ces différentes conditions d'éclairage affecteraient les données. Après avoir capturé les feuilles sur le terrain, elles ont été traitées davantage avec un scanner à plat pour faciliter l'analyse.

#Création du jeu de données de Deep Learning

Chaque photo prise a été divisée en sections plus petites pour créer un jeu de données pour former des outils d'analyse. Seules les images montrant un certain degré de maladie ont été gardées, tandis que les feuilles totalement saines ou mortes ont été jetées. Les images restantes ont été étiquetées pour différentes catégories, comme les zones affectées par STB ou d'autres types de dégâts sur les feuilles. Cette étiquetage était essentiel pour former le système à reconnaître différents types de dégâts à l'avenir.

Cependant, quelques problèmes ont surgi avec le processus d'étiquetage à cause de symptômes qui se chevauchent, où un type de dommage pourrait recouvrir un autre. Pour assurer l'exactitude du jeu de données, les étiquettes ont été soigneusement révisées et ajustées au besoin. Des étiquettes basées sur des points ont été assignées pour les petites structures reproductrices de STB afin de les rendre plus faciles à reconnaître dans les images futures.

La qualité des données a également été évaluée, avec plusieurs personnes examinant les mêmes images pour voir à quel point leurs constatations étaient cohérentes. De cette façon, les inexactitudes dans l'étiquetage pouvaient être identifiées et ajustées.

#Techniques de traitement d'images

L'objectif principal du processus d'Analyse d'images était de détecter des caractéristiques clés et de segmenter les images pour l'interprétation. Deux modèles principaux ont été utilisés pour cela : un axé sur la segmentation sémantique pour comprendre quelles parties de l'image correspondaient à quelles catégories, et un autre pour détecter des caractéristiques spécifiques comme les structures reproductrices STB.

Dans le processus de segmentation, un type de modèle spécifique appelé SegFormer a été utilisé. Cela a permis une meilleure compréhension des différentes parties de la plante et des maladies, même lorsque les conditions d'éclairage changeaient. L'approche a permis d'analyser des images prises à diverses résolutions sans perdre en précision.

Pour la détection de points clés, un autre modèle appelé YOLO a été utilisé. Ce type de modèle aide à identifier des objets spécifiques dans les images, comme les structures reproductrices STB, en analysant leur apparence dans les images.

Les deux modèles ont vu leurs performances testées pour s'assurer qu'ils pouvaient bien fonctionner sous des conditions variées, comme des ombres ou des images floues. Une partie importante de la formation consistait à utiliser des jeux de données existants d'autres sources d'images pour améliorer la capacité des modèles à analyser la santé des plantes avec précision.

#Évaluation des performances

L'évaluation des différents modèles d'analyse a montré des niveaux de performance variés en fonction de la complexité des tâches d'imagerie. Le modèle de segmentation a réussi à reconnaître différentes catégories de plantes, mais certaines discrepancies ont été notées dans la détection de petites caractéristiques à cause de leur nature subtile et de tailles différentes.

Bien que les deux modèles aient montré de bons résultats, il était clair que certaines classes comme « dommage causé par des insectes » avaient une performance inférieure par rapport à des catégories plus abondantes comme « feuille ». Il y avait un écart notable dans la façon dont les modèles pouvaient identifier des caractéristiques moins courantes à cause de la représentation déséquilibrée des données.

De plus, l'analyse a indiqué que bien que des images haute résolution pouvaient donner de meilleurs résultats pour les petites caractéristiques, des défis demeuraient pour identifier de manière constante les structures reproductrices du champignon STB. Des conditions comme un éclairage direct et des problèmes de mise au point avaient tendance à affecter négativement les performances.

#Généralisation des résultats

Pour s'assurer que les modèles pouvaient être utilisés efficacement, leur capacité à travailler avec des jeux de données provenant de différentes sources a été testée. Les résultats ont montré que les modèles pouvaient toujours fonctionner raisonnablement bien même lorsque les images étaient capturées en utilisant différentes techniques comme des scanners à plat.

De plus, des modèles entraînés dans des environnements contrôlés ont été appliqués aux images de terrain pour évaluer leur performance. Bien que de nombreuses zones aient montré des résultats prometteurs, divers défis ont été notés, comme un éclairage variable et des objets flous déformant les résultats. Dans certains cas, le modèle a pu identifier avec précision des symptômes de STB, tandis que dans d'autres cas, il a eu des difficultés, en particulier dans des régions avec des conditions d'éclairage complexes.

#Développements futurs

L'objectif ultime de cette approche est de développer une méthode d'évaluation rapide et efficace pour le STB et d'autres maladies similaires directement sur le terrain. Cela aiderait à éliminer le besoin de manipulations chronophages de feuilles individuelles tout en garantissant des pratiques non invasives.

Pour atteindre cet objectif, les modèles doivent être adaptés pour analyser les images collectées dans des conditions naturelles, en tenant compte de différentes influences comme les ombres et l'ombrage des plantes environnantes. Développer un système qui peut sélectionner automatiquement des zones appropriées pour l'analyse sera également crucial.

À mesure que de plus en plus de données sont collectées à partir des conditions de terrain, non seulement pour le STB mais aussi pour d'autres maladies des plantes, les modèles peuvent continuer à s'améliorer. Cela peut inclure la création de jeux de données plus étendus qui intègrent différents types d'interactions entre les plantes et influences environnementales.

#Conclusion

Les méthodes décrites ici représentent un pas en avant significatif dans la lutte contre les maladies des plantes dans le blé. En utilisant des techniques d'imagerie avancées et des approches basées sur les données, les chercheurs visent à développer des outils qui peuvent évaluer avec précision le STB et d'autres maladies. Cela fournira un soutien précieux aux éleveurs et aux agriculteurs, les aidant à renforcer la résilience des cultures face aux maladies.

En fin de compte, le but est de créer un système automatisé qui puisse évaluer la santé des plantes de manière non invasive dans des conditions de terrain. En améliorant les capacités d'analyse, nous pouvons garantir une meilleure sécurité alimentaire et durabilité en agriculture pour l'avenir.