QUALISPECTRA

Algorithmes avancés de Machine Learning pour l’analyse d’images hyperspectrales appliquées au contrôle de qualité des produits agro-alimentaires

Contexte

Assurer la sécurité alimentaire des consommateurs est un enjeu crucial pour l’industrie agroalimentaire. Une authentification et un contrôle de qualité optimal des produits sont nécessaires. Ces contrôles peuvent cependant prendre diverses formes (contaminants, composition, homogénéité, …) et le développement de méthodes généralisables à diverses applications et à différents contextes est donc nécessaire.

Les techniques d’imagerie hyperspectrale ont le potentiel de répondre à ce besoin en permettant une observation objective, non destructive et rapide des échantillons. Adaptables à une gamme de produits et processus de natures très diverses, ces techniques capturent une représentation spatiale d’une scène ou surface, tout en la divisant en parties individuelles (pixels) pour lesquels des informations spectroscopiques sont acquises. Ces images contiennent dès lors deux types d’information : Une information spectrale unique pour chaque pixel (dimension spectrale) et une information spatiale associée à la disposition des pixels les uns par rapport aux autres. Afin de traiter de telles quantités de données et de prendre en compte ces deux types d'informations, il est nécessaire de se tourner vers des algorithmes d'intelligence artificielle.

Objectifs

Le projet QUALISPECTRA vise à développer des algorithmes avancés de machine learning (ML) et de deep learning (DL) pour l’analyse d’images hyperspectrales, dans le but d’améliorer la sécurité alimentaire et d’optimiser les processus industriels. Ces algorithmes exploitent les informations spectrales et spatiales fournies par l’imagerie hyperspectrale, une dimension souvent négligée dans les approches actuelles, pour offrir des analyses plus complètes et précises.

Déroulement

Deux problématiques principales ont été étudiées durant ce projet :

Détection de la fusariose sur épis de froment (également étudiée dans le cadre des projets Phenet et Phenweat), permettant une identification précise de cette maladie fongique.
Quantification de l’homogénéité des mélanges de semoules (échantillons provenant du projet ValCerWal), garantissant la qualité et l’uniformité des produits.

Lors de ce projet, de nombreux échanges entre les partenaires ont été réalisés afin de fournir des données, développer et comparer des algorithmes et méthodes, valider et interpréter les résultats.

Les algorithmes finalement développés répondent ainsi à deux enjeux majeurs pour le secteur agroalimentaire. Les méthodologies proposées peuvent également être étendues à d'autres produits et secteurs industriels, offrant des solutions transversales adaptées à de nombreuses problématiques. Un axe prioritaire du projet fut d’ailleurs la rapidité des algorithmes, afin de garantir des prises de décision en temps réel et de répondre aux besoins croissants de contrôles rapides, non destructifs et efficaces.

Résultats obtenus

Concernant la détection de la fusariose, une chaîne de traitement de données a été développée par le CETIC afin d’analyser des images hyperspectrales proche infrarouge acquises sur le terrain. Les images analysées concernent un essai de froment inoculé avec de la fusariose. Au cours de l’essai, une autre maladie fongique s’est également développée, le piétin échaudage, causant elle aussi des symptômes sur les épis de froment. La méthode développée dans le projet Qualispectra a pour but de détecter la présence de maladie et différencier la fusariose du piétin échaudage. A cette fin, la plateforme en ligne SegLab a été conçue par le CETIC pour réaliser l’annotation des images, la visualisation des spectres et l’exploration des données. Ensuite, l’approche utilisée pour le traitement des images combine un découpage de l’image hyperspectrale en « jetons » spatiaux de 8x8 pixels avec une méthode de deep learning basée sur un modèle de type encodeur-décodeur. Cette méthode, baptisée SpectralTokenMapNet, produit une carte de probabilités pour la détection de la fusariose et du piétin échaudage. La méthode SpectralTokenMapNet a montré des performances nettement supérieures à la méthode chimiométrique classique PLS-DA. En effet, le F1-score pour la détection de la fusariose avec SpectralTokenMapNet est de 0,28 contre 0,01 pour la PLS-DA. De même, le F1-score pour la détection du piétin échaudage avec SpectralTokenMapNet est de 0,34 contre 0,08 pour la PLS-DA. Ces valeurs de F1-score restent néanmoins assez faibles, mais montrent clairement l’amélioration de performances que les méthodes de deep learning peuvent apporter pour la détection des maladies.

Des résultats prometteurs ont également été obtenus pour l’évaluation de l’homogénéité des produits. L’homogénéité, définie comme la distribution uniforme des composants ou d’un paramètre au sein d’un produit, nécessite l’exploitation des informations spatiales à l’échelle locale et globale de l’image. Plusieurs algorithmes ont ainsi été développés et testés dans cet objectif. L’algorithme le plus performant a ensuite été évalué sur différents types d’échantillons : des images générées artificiellement, des mélanges de semoules de blé dur et de froment présentant différentes proportions et différents temps de mélange (correspondant à des degrés d’homogénéité variables), ainsi que des composts de grignons d’olive à différents stades de compostage. Bien que les performances de l’algorithme ne puissent pas être évaluées à l’aide de métriques de référence, l’homogénéité réelle des échantillons n’étant pas directement quantifiable, les scores obtenus suivent les tendances attendues et confirment ainsi la pertinence de l’approche développée. En effet, dans le cas des images artificielles, celles présentant d’importants regroupements de pixels de même valeur se voient attribuer de faibles scores d’homogénéité, tandis que celles caractérisées par une distribution aléatoire des valeurs de pixels obtiennent des scores élevés. De manière similaire, les échantillons de semoules non mélangées présentent de faibles scores d’homogénéité, qui augmentent progressivement avec la durée du mélange. Une tendance comparable a également été observée pour les échantillons de compost en fonction du temps de compostage, ainsi que pour des images acquises à différents stades de mélange manuel des constituants du compost. Ces résultats mettent en évidence la robustesse et la capacité de généralisation de l’algorithme développé à différents types de produits et de configurations. Ils ouvrent ainsi des perspectives intéressantes pour de nombreuses applications industrielles, tant en matière d’optimisation des procédés (notamment la détermination du temps de mélange optimal) que de contrôle qualité (vérification de l’uniformité des caractéristiques des produits). Cette approche pourrait notamment trouver des applications dans les secteurs agroalimentaire, pharmaceutique ou encore celui des matériaux de construction.