Détecter l’aflatoxine B1 dans le maïs à l’échelle du pixel grâce à l’apprentissage auto-supervisé

La contamination du maïs par l’aflatoxine B1 constitue un enjeu important pour la sécurité alimentaire. Produite principalement par certaines espèces de moisissures du genre Aspergillus, cette mycotoxine peut apparaître avant ou après la récolte et représente un risque pour la santé humaine et animale.

Une étude récente explore une méthode fondée sur l’imagerie spectrale et l’apprentissage auto-supervisé afin de détecter la présence d’aflatoxine B1 directement à l’échelle du pixel. Cette approche pourrait contribuer à rendre le contrôle des récoltes plus rapide, plus précis et moins dépendant des analyses de laboratoire traditionnelles.

Une détection plus fine de la contamination

Les méthodes classiques de mesure de l’aflatoxine B1 reposent généralement sur le prélèvement d’échantillons, suivi d’analyses chimiques ou immunologiques. Bien qu’elles soient fiables, elles peuvent être longues, coûteuses et difficiles à généraliser à l’ensemble d’un lot de grains.

L’imagerie spectrale apporte une réponse complémentaire. Elle enregistre, pour chaque pixel d’une image, des informations liées à la manière dont le grain absorbe ou réfléchit différentes longueurs d’onde. Ces signatures spectrales peuvent révéler des variations invisibles à l’œil nu, notamment celles associées à la contamination fongique ou aux modifications de la structure du grain.

L’analyse pixel par pixel permet ainsi de ne plus considérer uniquement le grain comme une unité homogène. Elle offre la possibilité de localiser les zones potentiellement contaminées et d’obtenir une cartographie plus détaillée de la distribution de l’aflatoxine B1.

Le rôle de l’apprentissage auto-supervisé

L’un des principaux défis de l’intelligence artificielle appliquée à l’agroalimentaire réside dans la constitution de bases de données suffisamment importantes et correctement annotées. Or, l’annotation précise de chaque pixel nécessite des analyses de référence longues et coûteuses.

L’apprentissage auto-supervisé vise à réduire cette dépendance aux données étiquetées. Le modèle commence par apprendre la structure générale des données spectrales à partir d’exemples non annotés. Il peut ensuite être ajusté pour réaliser une tâche spécifique, comme l’identification des pixels associés à une concentration élevée d’aflatoxine B1.

Cette stratégie permet notamment de mieux exploiter les images disponibles, même lorsque les annotations sont limitées. Elle peut également améliorer la capacité du modèle à reconnaître des profils spectraux complexes et à s’adapter à la variabilité des échantillons de maïs.

Vers une cartographie de l’aflatoxine B1

L’objectif de la méthode étudiée est de produire une détection localisée de la contamination. Au lieu de fournir uniquement une estimation moyenne pour un échantillon, le système analyse les pixels de l’image afin de distinguer les zones présentant des caractéristiques compatibles avec la présence d’aflatoxine B1.

Une telle cartographie pourrait apporter plusieurs avantages :

• identifier les zones les plus susceptibles d’être contaminées ;
• améliorer le tri des grains après récolte ;
• réduire le nombre d’analyses chimiques nécessaires ;
• faciliter le contrôle rapide de lots importants ;
• mieux comprendre la répartition spatiale de la contamination.

La précision réelle d’un tel dispositif dépend toutefois de plusieurs facteurs, notamment la qualité des images, la diversité des variétés analysées, les conditions d’éclairage, l’humidité des grains et la fiabilité des mesures utilisées pour entraîner le modèle.

Un intérêt pour le contrôle qualité agricole

Une technologie capable d’évaluer rapidement la contamination du maïs pourrait être utile à différents niveaux de la chaîne de production. Les laboratoires, les silos, les organismes de contrôle et les transformateurs pourraient s’en servir comme outil de présélection ou de surveillance.

L’imagerie spectrale ne remplace pas nécessairement les méthodes de référence. Elle pourrait plutôt être utilisée en complément, afin de repérer rapidement les échantillons nécessitant une analyse approfondie. Cette combinaison entre dépistage automatisé et validation en laboratoire permettrait d’optimiser les ressources tout en renforçant la sécurité des produits.

Des validations encore nécessaires

Avant une utilisation à grande échelle, les modèles devront être évalués sur des échantillons variés et dans des conditions proches de celles rencontrées sur le terrain. Leur robustesse devra notamment être vérifiée face aux différences de variété, de provenance géographique, de maturité, de stockage et de niveau de contamination.

Il sera également important de comparer les prédictions pixel par pixel avec des mesures quantitatives obtenues par des méthodes analytiques reconnues. Cette étape permettra de déterminer les limites de détection, la fiabilité des cartes produites et la capacité du système à éviter les faux positifs ou les faux négatifs.

Une piste prometteuse pour l’agriculture de précision

L’association de l’imagerie spectrale et de l’apprentissage auto-supervisé ouvre une perspective intéressante pour la surveillance non destructive des mycotoxines. En fournissant des informations détaillées sur la localisation de la contamination, la méthode pourrait compléter les dispositifs actuels de contrôle du maïs.

Cette approche s’inscrit plus largement dans le développement d’outils d’agriculture de précision capables d’exploiter de grandes quantités de données tout en limitant les opérations manuelles. Des travaux supplémentaires seront nécessaires pour confirmer ses performances, mais la détection pixel par pixel de l’aflatoxine B1 constitue une avancée potentielle vers un contrôle plus rapide et plus ciblé de la qualité des céréales.