L’évaluation de la qualité physique d'un échantillon de graines repose sur le comptage visuel de défauts (grains noirs, brisés, immatures, piqûres d'insectes, champignons, corps étrangers…), chacun pondéré différemment selon les standards de la filière agricole.

Réalisée manuellement, cette étape de tri est lente, subjective et peu reproductible. Elle limite l’analyse de grands volumes et peut générer des litiges entre acheteurs et vendeurs. Les solutions de vision par ordinateur existantes restent limitées (3 à 5 classes d’anomalies) faute de bases d’images suffisamment riches et annotées.

La technologie proposée s’appuie sur une base de données unique développée sur la filière café, répertoriant plus de 6 100 images et 24 600 grains annotés couvrant 16 classes de défauts et des origines multiples (Brésil, Éthiopie, Colombie, Honduras, Pérou, Inde, Rwanda). Un dispositif d’imagerie dédié, associant bras robotisé et éclairage contrôlé, automatise l’acquisition des images et le transfert d’annotations entre vues.
Un démonstrateur basé sur un réseau YOLOv11 atteint 97,4 % de détection des défauts (performance industrielle), avec une bonne fiabilité sur les classes majeures. L’intégration de données de spectroscopie infrarouge proche (NIRS) ouvre aussi des perspectives de traçabilité de l’origine. Les tests s’étendent à d’autres graines (ex : houblon) ouvrant la voie à un meilleurs contrôle qualité que les approches classiques.