La sélection variétale est un des principaux leviers permettant d’améliorer la production agricole en quantité comme en qualité. Ainsi, combiné avec le génotypage, le phénotypage haut-débit permet d’identifier les gènes associés à des mécanismes éco-physiologiques spécifiques de réponse aux stress biotiques et abiotiques. Les observations de proxidétection, non destructives, et régulières, permettent d’accéder à certaines caractéristiques des cultures comme le nombre d’épis qui est une composante essentielle du rendement de cultures de blé, encore évaluée manuellement dans la plupart des essais.

L’UMT CAPTE a été à l’initiative du « global wheat challenge », une compétition scientifique internationale réunissant 2245 équipes et organisée par 9 partenaires dont l’INRAE et Arvalis Institut du végétal. Ce challenge proposait un jeu de données inédit de 4700 images (le Global Wheat Head Dataset [3] ) et a permis aux participants de développer des modèles d’apprentissage profond. Trois lauréats se sont distingués par les performances de leur modèles capables de compter automatiquement et précisément les épis de blé dans tout type d’images. Mis à disposition en accès libre, ces algorithmes seront mis en œuvre par l’INRAE et Arvalis dans leurs infrastructures de phénotypage dès 2021.

Contexte et enjeux

L’amélioration de la production agricole dans un contexte d’optimisation des ressources pour une agriculture durable passe par une meilleure connaissance du milieu, de son hétérogénéité et par un suivi de l’état des cultures. La sélection variétale est un des principaux leviers permettant d’améliorer cette production en quantité comme en qualité. Combiné avec le génotypage, le phénotypage haut-débit permet d’identifier les gènes associés à des mécanismes éco-physiologiques spécifiques de réponse aux stress biotiques et abiotiques en fournissant des observations de proxidétection, non destructives, et régulières. Parmi ces observations, le nombre d’épis produits par une culture de blé est une composante essentielle du rendement, encore évaluée manuellement dans la plupart des essais de sélection variétale.

Plusieurs travaux ont récemment montré le potentiel des méthodes basées sur des techniques d’apprentissage profond (« deep learning ») pour reconnaître automatiquement des épis dans des images [1,2] . Cependant, les résultats étaient évalués sur des jeux d’images limités en termes de génotypes, de conditions environnementales (zone géographique, climat, stress,…), et de conditions d’acquisition (type de caméra, orientation, illumination) et ne permettaient pas d’extrapoler efficacement ces méthodes sur de nouveaux jeux de données.

Résultats

Etienne David, doctorant, Simon Madec et Shouyang Liu, post-doctorants de l’UMT CAPTE, ont été à l’initiative du « global wheat challenge », une compétition scientifique internationale organisée de mai à août 2020 par 9 partenaires dont l’INRAE et Arvalis Institut du végétal. L’objectif de cette compétition était d’obtenir un modèle d’apprentissage profond capable de compter automatiquement les épis de blés d’une large diversité génétique dans des images à haute résolution. Elle a récompensé les trois meilleures équipes parmi 2245 qui ont proposé les modèles les plus performants grâce au mécénat d’HIPHEN (entreprise partenaire de l’UMT CAPTE) et de #DIGITAG (Institut de Convergences en Agriculture Numérique).

Ce challenge s’appuie sur le Global Wheat Head Dataset [3] qui rassemble 4700 images acquises dans des zones géographiques et avec des systèmes d’acquisition variés. Ces images ont été annotées au préalable, chaque épi étant manuellement identifié par un expert. Les participants ont étalonné leurs modèles sur les trois quart des images venant d’Europe et du Canada. L’équipe organisatrice a ensuite évalué leurs performances de manière indépendante sur le quart restant constitué d’images provenant du Japon, de la Chine et d’Australie.

Outre la forte implication des trois principaux partenaires de l’UMT CAPTE (INRAE, Arvalis et HIPHEN), l’équipe technique de l’UMR EMMAH s’est aussi mobilisée pendant la période de confinement. Au total, l’UMT a annoté 1200 images, et revu et corrigé a posteriori les annotations des 4700 images du jeu de données.

Perspectives

Le modèle proposé par l’équipe gagnante sera mis en œuvre dans la plateforme 4P (Plant Phenotyping Processing Platform) développée dans le cadre du projet Phenome pour traiter automatique les données de phénotypage au champ acquises par les installations d’INRAE.