La pureté des semences est un facteur clé déterminant la récolte et les revenus des agriculteurs, et la technologie d’identification rapide et précise des variétés est au cœur de la garantie de cette pureté. Cette étude propose une méthode de détection non destructive des graines de maïs basée sur la fusion de l’imagerie à lumière blanche LED et du modèle YOLOv8. Les expériences confirment que cette méthode combine rapidité, efficacité, haute précision et non-destructivité. Grâce à la mise en place d’un système d’imagerie à réflexion optimisé à lumière blanche LED, 12 008 images de graines de 4 variétés de maïs ont été collectées et annotées. Les expériences comparatives montrent que les principaux indicateurs du modèle YOLOv8m surpassent nettement ceux du modèle léger YOLOv8s, résolvant efficacement le problème de la précision insuffisante de la reconnaissance des variétés morphologiquement similaires. Le modèle atteint une précision moyenne (AP), un rappel (Recall, R) et un score F1 de 99,8% pour les 4 variétés, avec une valeur mAP@0.5 de 99,4%. Lors des tests en temps réel, le traitement d’une image par YOLOv8m prend 68,6 ms, répondant aux exigences d’un système de tri des semences à faible latence. L’étude révèle également l’influence de la taille du jeu de données sur les performances du modèle, confirmant la grande stabilité de YOLOv8m sur des ensembles de données de différentes tailles. Cette recherche offre une solution technique précise et pratique dans le domaine de la reconnaissance des variétés de semences.

graines de maïs;reconnaissance des variétés;apprentissage profond;YOLOv8