Légende : Segmentation sur vigne dans le cadre du PEPR Agroecologie et numérique (https://www.pepr-agroeconum.fr/les-projets-finances/ressources-genetiques/infrastructures/agroecophen
- Imorphen : des plantes sous le regard de l’IA
L’équipe Imorphen (Imagerie pour l’Horticulture et le Phénotype), dirigée par David Rousseau, développe des outils d’analyse d’images pour mieux comprendre la résistance des plantes aux stress environnementaux. Son terrain d’application : des vergers d’arbres fruitiers suivis en parallèle sur cinq pays européens dans le cadre du réseau européen Phenet, qui relie des sites expérimentaux en Espagne, Italie, France, Suisse, Belgique et Pologne. Ces sites cultivent les mêmes variétés, permettant d’étudier comment le climat, les sols et les maladies influencent leur développement.
Le phénotypage — mesure des caractéristiques physiques et physiologiques des plantes — est au cœur de cette démarche. Il permet d’identifier les variétés les plus résistantes au stress hydrique et aux maladies, tout en limitant le recours aux pesticides. Les résultats alimentent directement les offices de sélection variétale, qui enregistrent de nouvelles variétés dans les catalogues officiels.
« Nous testons des variétés qui consomment moins d’eau et résistent mieux aux maladies, afin de proposer des solutions durables aux agriculteurs » (David Rousseau, chercheur et responsable de l’équipe Imorphen).
2. Jean Zay au service du phénotypage végétal
Pour entraîner ses modèles d’intelligence artificielle et traiter les volumes massifs de données issues des capteurs de terrain, Imorphen s’appuie sur Jean Zay, le supercalculateur de l’IDRIS (Institut du Développement et des Ressources en Informatique Scientifique). Cette infrastructure nationale de calcul intensif est essentielle pour exécuter les pipelines d’apprentissage profond sur des ensembles d’images agricoles de grande envergure, notamment dans le cadre d’expériences exigeant de nombreuses exécutions d’entraînement.
Les travaux récents de l’équipe, publiés dans l’article scientifique Unlocking Zero-Shot Plant Segmentation with Pl@ntNet Intelligence (arXiv, octobre 2025), illustrent concrètement l’usage de Jean Zay : pour évaluer leurs méthodes de segmentation zéro-shot sur quatre jeux de données distincts, les chercheurs ont dû réaliser jusqu’à 100 exécutions d’entraînement indépendantes par taille de jeu de données, pour calculer des intervalles de confiance robustes. Ces calculs intensifs ont été rendus possibles grâce à l’allocation obtenue auprès du GENCI (allocation 2024-AD010115553).
3. Des modèles fondés sur PlantNet pour réduire l’annotation manuelle
L’un des verrous scientifiques centraux en vision par ordinateur agricole est le coût exorbitant de l’annotation manuelle des images. Obtenir des masques de segmentation précis pour chaque plante, chaque feuille, chaque maladie visible nécessite des heures de travail expert. L’équipe Imorphen s’attaque à ce problème en exploitant des modèles déjà entraînés, en particulier Pl@ntNet, une base de données collaborative recensant plus de 50 000 espèces végétales. Une étude récente, Unlocking Zero-Shot Plant Segmentation with PlantNet Intelligence, montre comment ces modèles peuvent être adaptés pour de nouvelles tâches sans réentraînement coûteux.
« L’enjeu est de démocratiser ces technologies pour qu’elles soient utilisables par les acteurs du terrain, sans nécessiter des infrastructures lourdes. » (David Rousseau)
4. Des outils tournés vers le terrain
Imorphen développe des solutions concrètes pour le terrain. Le système Phénomobile embarqué sur des véhicules vise à reconstruire en trois dimensions la structure des arbres et de leur feuillage. En parallèle, l’équipe travaille sur des modèles comme Depth Anything Model, capables de simuler des données 3D à partir d’images 2D simples, réduisant ainsi la dépendance aux capteurs lidars énergivores.
L’enjeu à moyen terme est de rendre ces technologies accessibles sans infrastructure lourde. L’équipe envisage le déploiement de services cloud permettant à des acteurs du terrain d’accéder à ces outils à distance, tout en poursuivant la réduction de l’empreinte énergétique des modèles.
5. Un écosystème de recherche pour des applications concrètes
Les résultats d’Imorphen sont directement utilisés par les instituts de sélection variétale pour enregistrer de nouvelles variétés de plantes. Ces variétés doivent notamment être distinctes de celles existantes (critère de brevetabilité) ; présenter une valeur agronomique (meilleure résistance, qualité gustative) ; répondre à des critères environnementaux (moins d’eau, moins de pesticides).
Bien que le projet ne travaille pas directement avec les agriculteurs, ses conclusions influencent les choix de variétés disponibles sur le marché, favorisant une agriculture plus résiliente et durable.
Les prochaines étapes incluent l’extension des méthodes à d’autres cultures horticoles, et l’intégration de modèles langage-image pour une reconnaissance encore plus fine des espèces et des pathologies.
Au bout de la chaîne : des variétés végétales enregistrées dans les catalogues officiels, plus résistantes, moins gourmandes en eau et en intrants — une contribution concrète à l’agriculture durable de demain.
AI Factory France offrira un levier supplémentaire pour accélérer et étendre des démarches de ce type dans le secteur agricole #Agriculture
Pour aller plus loin
Site de l’IRHS : https://www.irhs.fr
Projet Phénet : https://www.phenet-infra.eu
Pl@ntNet : https://identify.plantnet.org
Article scientifique : arXiv:2510.12579 — Unlocking Zero-Shot Plant Segmentation with Pl@ntNet Intelligence - https://arxiv.org/abs/2510.12579