LKNet révolutionne le dénombrement précis des épis de riz en champ grâce à une IA avancée

Le modèle LKNet, développé par l’équipe de Song Chen au Chinese Academy of Agricultural Sciences, marque une avancée significative dans le comptage précis des épis de riz dans des conditions de champ variées. En intégrant des blocs de convolution à grand noyau (LKconv) et une fonction de perte optimisée, ce modèle surpasse les méthodes existantes en matière de robustesse, d’exactitude et d’efficacité, notamment face aux défis posés par le chevauchement des épis, les variations morphologiques selon les stades de développement, ainsi que les biais d’annotation. Contrairement aux approches traditionnelles — détection, estimation de densité ou localisation — qui peinent dans des canopées denses ou sont sensibles aux interférences du fond, LKNet repose sur un cadre point-based amélioré à partir de P2PNet. Il introduit une adaptation dynamique du champ réceptif et une fonction de perte plus souple, permettant une meilleure localisation des épis même dans des scènes complexes. Cette architecture a été testée sur des images capturées par drones (UAV) et plusieurs jeux de données agricoles, confirmant ses performances supérieures dans des contextes réels. Sur le jeu de données SHTech PartA, hautement dense, LKNet atteint un erreur absolue moyenne (MAE) de 48,6 et une erreur quadratique moyenne (RMSE) de 77,9, surpassant à la fois P2PNet et le modèle détection PSDNN_CHat. Sur PartB, il atteint des performances équivalentes aux états de l’art. En évaluation transversale, LKNet excelle dans le comptage des épis de riz, avec un RMSE de 1,76 et un coefficient de détermination R² de 0,965 — une performance particulièrement remarquable par rapport à des modèles conçus pour des cibles plus grandes comme les épis de maïs. Sur un jeu de données de canopée de riz capturé à 7 mètres d’altitude, le modèle maintient une haute précision pour trois types d’épis — compacts, intermédiaires et ouverts — avec des R² dépassant 0,98. Une légère baisse de précision est observée aux stades avancés de croissance, due à une augmentation de l’occlusion et à une plus grande variabilité morphologique, mais les résultats restent très satisfaisants. Des études d’ablation confirment que l’intégration du noyau LKconv améliore significativement la performance : le RMSE passe de 2,821 à 0,846, tandis que le nombre de paramètres est réduit de près de 50 %. Parmi les différentes architectures de noyaux, le module à grands noyaux en série avec mécanisme d’attention obtient la meilleure précision (R² = 0,993). Les cartes d’activation des classes montrent que LKNet se concentre plus efficacement sur les épis, avec une meilleure suppression du bruit de fond par rapport à P2PNet. Cette capacité à localiser précisément les cibles dans des environnements complexes souligne son potentiel pour des applications agricoles critiques : estimation de rendement, phénotypage en amélioration des variétés, et suivi de croissance à grande échelle. En somme, LKNet représente une avancée majeure dans l’analyse par vision par ordinateur des cultures, offrant une solution haut débit, fiable et adaptable pour le comptage des épis de riz. Grâce à son architecture innovante et à sa fonction de perte optimisée, il s’impose comme un outil essentiel pour la phénotypage agricole et l’agriculture de précision.