La détermination des caractéristiques de ramification et de structure de plantes chez le riz, notamment le nombre de ramures et la compacité du plant, joue un rôle clé dans la formation du nombre de grains, la densité du peuplement et la productivité globale. Toutefois, les mesures en champ sont souvent entravées par des ombres, une illumination inégale et une faible efficacité des méthodes manuelles traditionnelles. De plus, les solutions automatisées existantes souffrent de coûts élevés en matériel, de complexité des procédés ou de difficultés d’application à grande échelle, ce qui limite le développement d’une acquisition haut débit de ces caractéristiques phénologiques. Récemment, une équipe du Institut de génétique et de biologie du développement de l’Académie des sciences de Chine, en collaboration avec d’autres institutions, a développé un modèle basé sur l’intelligence artificielle, nommé TillerPET, à partir d’un vaste ensemble de données d’images RGB issues de plusieurs années et de multiples sites de culture. Ce modèle permet d’extraire de manière simultanée, à partir d’images prises après la récolte, le nombre de ramures et la compacité du plant avec une précision élevée, tout en restant performant dans des conditions variées. TillerPET repose sur une architecture Transformer basée sur la recherche de points, intégrant un module d’extraction de la zone de riz fondé sur des informations de profondeur. Grâce à une méthode d’extraction de caractéristiques allégée et à une simplification significative de l’encodeur, le modèle réduit fortement sa charge de calcul tout en améliorant sa performance. Sur les données d’images RGB du riz, TillerPET atteint un coefficient de détermination (R²) de 0,941 pour le comptage des ramures, et un R² de 0,978 pour la mesure de la compacité, démontrant une précision exceptionnelle. En outre, les caractéristiques de ramification et de structure extraites par TillerPET permettent une identification fiable de différents génotypes de riz, ouvrant la voie à une classification phénologique automatisée. Les données phénologiques de ramification et de structure obtenues sur plusieurs années et sites offrent une base solide pour le développement de variétés de riz à structure optimisée, en vue d’améliorer la productivité. Ces résultats ont été publiés dans la revue The Crop Journal. Le travail a été soutenu par des projets de la Fondation nationale des sciences naturelles de Chine et de la Fondation des sciences naturelles de la province du Hubei.