L’IA pourrait indiquer aux cultivateurs de cannabis quand récolter

Pendant des générations, les cultivateurs de cannabis ont compté sur une combinaison d’expérience, d’observation et de patience pour déterminer le moment parfait de récolte. Un coup d’œil sur les trichomes, un examen attentif de la densité des fleurs et des années de connaissances en culture ont traditionnellement guidé l’une des décisions les plus importantes de la production de cannabis. Mais qu’est-ce que si l’intelligence artificielle pouvait détecter des signes subtils de maturité que l’œil humain ne peut simplement pas voir ?

Des recherches émergentes suggèrent que la technologie d’imagerie avancée associée à des algorithmes d’apprentissage automatique pourrait éventuellement aider les cultivateurs à identifier la fenêtre de récolte idéale avec une précision remarquable. Au lieu de dépendre uniquement de signaux visuels, ces systèmes analysent des changements biochimiques et structurels cachés dans les fleurs, offrant potentiellement une méthode plus objective pour maximiser la rétention de cannabinoïdes et la cohérence du produit. Bien que la technologie soit encore en cours de développement, les résultats offrent un aperçu fascinant de la manière dont l’IA pourrait devenir un autre outil précieux dans la culture moderne du cannabis. Plongeons dans l’étude et ce qu’elle pourrait signifier pour l’avenir de la technologie de récolte de cannabis.

Pourquoi le moment de la récolte est important dans le cannabis

Le moment de la récolte a un impact profond sur la qualité du cannabis médicinal et commercial. Récolter trop tôt, et les concentrations de cannabinoïdes peuvent ne pas avoir pleinement développé. D’un autre côté, si les cultivateurs attendent trop longtemps les cannabinoïdes peuvent commencer à décliner tandis que les fleurs continuent de vieillir. Le résultat peut influencer la puissance, l’apparence, la cohérence et, en fin de compte, la valeur du produit final.

En raison de cet équilibre délicat, les cultivateurs expérimentés surveillent souvent les trichomes, les minuscules glandes de résine qui recouvrent les fleurs de cannabis. À mesure que les glandes mûrissent, elles passent généralement du clair au blanc laiteux avant de devenir ambre. Bien que cette approche ait été largement acceptée pendant des décennies, elle reste largement subjective. Les conditions d’éclairage, l’expérience individuelle et les différences entre les cultivars peuvent tous affecter la façon dont les cultivateurs interprètent ces changements visuels. Les chercheurs ont voulu déterminer si la technologie pouvait fournir une méthode plus standardisée et reproductible pour évaluer la maturité de la récolte.

Regarder au-delà de ce que les humains peuvent voir

L’étude de 2026¹ a combiné plusieurs méthodes d’évaluation de la maturité des fleurs dans un seul cadre. Les chercheurs ont suivi le développement visible des fleurs, mesuré les caractéristiques des trichomes, surveillé l’accumulation de CBDA et analysé les fleurs à l’aide de l’imagerie hyperspectrale, une technologie capable de capturer des centaines de longueurs d’onde de lumière qui révèlent des informations chimiques et structurelles invisibles aux caméras normales. Contrairement à la photographie traditionnelle, l’imagerie hyperspectrale peut détecter des différences subtiles dans les tissus végétaux qui se produisent à mesure que les fleurs mûrissent. Ces signatures cachées ont ensuite été analysées à l’aide de modèles d’apprentissage automatique formés pour reconnaître les différents stades de développement.

Plutôt que de s’appuyer sur un seul indicateur visuel, le système a évalué de nombreux signaux biologiques simultanément. Cela crée la possibilité de prendre des décisions de récolte basées sur la biologie végétale mesurable et non sur le jugement humain seul.
<h2-La fenêtre de récolte idéale

Les chercheurs ont divisé les fleurs femelles d’un cultivar de cannabis médicinal dominant en CBDA en dix stades de développement, étiquetés S1 à S10. Ils ont découvert que les concentrations de CBDA atteignaient leur niveau le plus élevé observé pendant le stade S4. Cependant, le contenu en cannabinoïdes est resté relativement élevé tout au long des stades S5 à S7, conservant environ 79 % à 86 % de la concentration de CBDA de pointe.

Ces stades intermédiaires ont également montré d’autres signes de maturité de la récolte. Les fleurs avaient développé des colas compacts et bien formés, tandis que les trichomes étaient principalement laiteux, avec des trichomes ambres restant en dessous d’environ 30 %. Pris ensemble, ces caractéristiques suggèrent que les stades S5 à S7 représentaient la fenêtre de récolte la plus pratique, équilibrant la rétention de cannabinoïdes avec la maturité désirable des fleurs.

Plutôt que de se concentrer exclusivement sur l’obtention de la concentration maximale de cannabinoïdes, les chercheurs ont souligné l’importance de trouver le point où plusieurs indicateurs de qualité s’alignent, reflétant la réalité à laquelle sont confrontés les cultivateurs de cannabis commerciaux, où l’apparence, la cohérence et la qualité globale du produit comptent tout autant que les niveaux de cannabinoïdes.

Classification de la maturité des fleurs de cannabis par l’IA

L’une des découvertes les plus impressionnantes de l’étude concernait les performances des modèles d’apprentissage automatique. Au lieu d’essayer de distinguer les dix stades de développement individuels, les chercheurs ont regroupé les fleurs en trois catégories de maturité plus larges en fonction de l’accumulation de CBDA et des caractéristiques des trichomes :

• Précoce
• Intermédiaire à forte teneur en CBDA
• Maturité tardive

Cette classification simplifiée s’est avérée fiable, car le système d’IA a classé correctement ces états de maturité plus larges avec une précision d’environ 94 % lors de l’analyse de fleurs fraîchement récoltées. La précision a augmenté à environ 98 % lors de l’évaluation d’échantillons de fleurs lyophilisés.

En comparaison, essayer de classer les dix stades de développement individuels a produit une précision nettement plus faible, démontrant que les groupes de maturité biologique plus larges peuvent être plus utiles pour les décisions de récolte pratiques que d’essayer d’identifier chaque stade spécifique.

Les chercheurs ont également constaté que les longueurs d’onde dans les régions du bord rouge et du proche infrarouge contribuaient de manière cohérente à la capacité du modèle à distinguer les niveaux de maturité, mettant en évidence la valeur de l’imagerie hyperspectrale pour l’évaluation non destructive de la qualité.

Pourquoi cela pourrait bénéficier aux cultivateurs de cannabis

Si les recherches futures confirment ces résultats sur d’autres variétés de cannabis et environnements de culture, l’évaluation de la récolte assistée par l’IA pourrait offrir plusieurs avantages pratiques. Pour commencer, elle pourrait aider les cultivateurs à prendre des décisions de récolte plus cohérentes entre les cycles de culture, réduire la variabilité causée par les inspections visuelles subjectives, améliorer l’uniformité du produit et mieux préserver les cannabinoïdes précieux.

La technologie peut également s’avérer utile pour les opérations commerciales à grande échelle où des milliers de plantes doivent être évaluées dans une fenêtre de récolte relativement courte. Au lieu d’inspecter chaque plante manuellement, les caméras hyperspectrales pourraient analyser rapidement les fleurs tandis que les logiciels d’apprentissage automatique identifient celles qui atteignent la maturité optimale. Au fil du temps, ces systèmes pourraient même s’intégrer à des plateformes de culture automatisées qui surveillent la santé des plantes, le statut des nutriments, les conditions environnementales et la maturité de la récolte simultanément.

Ce niveau de précision agricole s’étend déjà à de nombreux secteurs de l’agriculture, et la culture du cannabis pourrait éventuellement bénéficier de progrès technologiques similaires.

Limitations importantes demeurent

Bien que les résultats soient encourageants, la technologie n’est pas encore un détecteur universel de récolte de cannabis. L’étude n’a examiné qu’un seul cultivar de cannabis médicinal dominant en CBDA cultivé dans des conditions environnementales contrôlées. Le cannabis est extrêmement diversifié, avec des cultivars qui diffèrent en profils de cannabinoïdes, composition en terpènes, structure des fleurs, habitudes de croissance et modèles de maturation. Les cultivars à dominance en THC, les variétés à cannabinoïdes équilibrés et les plantes cultivées à l’extérieur ou dans différents systèmes de culture peuvent produire des signatures hyperspectrales différentes.

Des recherches supplémentaires seront donc nécessaires pour déterminer si les mêmes modèles d’apprentissage automatique peuvent évaluer avec précision la maturité de la récolte sur des fonds génétiques plus larges et des conditions environnementales. Les études futures devront également évaluer d’autres cannabinoïdes au-delà du CBDA et déterminer comment la technologie se comporte dans des conditions de culture commerciale réelles. Jusqu’à ce que ce travail soit terminé, les cultivateurs de cannabis devraient considérer ces résultats comme un concept de preuve passionnant plutôt que comme une solution de récolte terminée.

Pensées finales

L’intelligence artificielle est peu susceptible de remplacer les cultivateurs de cannabis expérimentés dans un avenir proche. La culture réussie dépend encore de nombreux facteurs, notamment la génétique, la nutrition, l’irrigation, la gestion des parasites, le contrôle de l’environnement et la manipulation post-récolte. Cependant, l’IA peut éventuellement devenir un outil de soutien décisionnel précieux qui complète l’expertise humaine.

En combinant l’imagerie hyperspectrale avec l’apprentissage automatique, les chercheurs ont démontré que les changements biochimiques invisibles pourraient révéler des informations importantes sur la maturité des fleurs longtemps avant que ces différences ne deviennent évidentes par inspection visuelle seule.

Alors que des validations supplémentaires sont encore nécessaires sur plus de cultivars, de cannabinoïdes et d’environnements de production, la recherche met en évidence un avenir où les décisions de récolte pourraient devenir de plus en plus basées sur les données. Et pour une industrie qui accorde une importance énorme à la cohérence, à la qualité et à la préservation des cannabinoïdes, donner aux cultivateurs un autre moyen objectif d’identifier la fenêtre de récolte idéale pourrait représenter un progrès significatif dans la science de la culture du cannabis.

Références:

^{1. Su Hyeon Lee, Hyo In Yoon, Dahye Ryu, Hyelim Choi, Soo Hyun Park, Jung-Seok Yang, Ho-Youn Kim, Je Hyeong Jung, Intégrant les caractéristiques des trichomes, l’accumulation de CBDA et les signatures hyperspectrales pour l’évaluation du stade de récolte dans le cannabis médicinal dominant en CBDA, Produits des cultures industrielles, Volume 250, 2026, 123953, ISSN 0926-6690, https://doi.org/10.1016/j.indcrop.2026.123953}