Automatisation de l'évaluation de la sévérité des symptômes du Virus de la mosaïque de la pastèque sur melon par analyse d'images et apprentissage profond
Jocelyn De GoËr De Herve
1, @, Deloget Matthieu
2
, Jacques Lagnel
2
, Lucie Tamisier
2
1 : Unité Mixte de Recherche d'Épidémiologie des maladies Animales et zoonotiques, INRAE-VetAgroSup VetAgro Sup - Institut national d'enseignement supérieur et de recherche en alimentation, santé animale, sciences agronomiques et de l'environnement, Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement
2 : Génétique et Amélioration des Fruits et Légumes Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement
Le Watermelon mosaic virus (WMV) est l'un des principaux virus affectant les cucurbitacées, dont le melon. En l'absence de traitement curatif, la sélection de variétés génétiquement résistantes constitue la stratégie de lutte la plus efficace. Elle repose sur l'évaluation de la sévérité des symptômes à grande échelle, un processus aujourd'hui manuel, chronophage et subjectif. Nous présentons ici un pipeline automatisé d'évaluation par analyse d'images, visant à produire des données phénotypiques standardisées et reproductibles. Le jeu de données comprend 1 542 photographies de feuilles acquises en conditions contrôlées (fond noir, éclairage et angle fixes) et 1 000 photographies de plantes entières prises en intérieur (fond variable, angles libres). Les feuilles sont annotées selon quatre niveaux ordinaux de sévérité (0 : sain ; 3 : symptômes sévères), avec une distribution de 346/400/507/199 images par classe. Le traitement s'effectue en deux étapes : détection et localisation des feuilles par un réseau YOLO, puis classification de la sévérité par un ResNet-50. Des augmentations de données (rotations à 60°, réflexions verticales, variations de luminosité et de contraste) améliorent la généralisation du modèle. La sévérité de la plante entière est déterminée par le score maximal observé parmi ses feuilles, conformément aux pratiques phytopathologiques standard. Le système est conçu pour un usage terrain : déploiement via smartphone ou en calcul embarqué sur Raspberry Pi 5 (module caméra + AI HAT+), permettant un phénotypage in situ sans infrastructure lourde. La cible de performance est fixée à 90 % de précision en classification. Les résultats préliminaires sur la classification foliaire sont encourageants et seront détaillés sur le poster. Cet outil a vocation à accélérer l'identification de génotypes résistants au WMV et à outiller concrètement les programmes de sélection variétale.
Type :
:
Poster
Thématiques
:
Intelligence Artificielle
Mots-Clés
:
Impact environnemental ; Gestion des données
