Comment l'IA peut contribuer à réduire les pertes et le gaspillage alimentaires dans la filière de la tomate au Nigeria
Points clés
- Un système d'analyse d'images par IA évaluera la qualité des tomates et quantifiera les pertes post-récolte au Nigeria.
- Une évaluation pilote à Jos, au Nigeria, a recueilli de nombreuses données visuelles et autres sur plusieurs variétés de tomates afin d'entraîner et de valider le modèle d'IA.
- Le système sera évolutif et applicable à d'autres cultures, avec un potentiel pour réduire le gaspillage alimentaire, améliorer l'efficacité de la chaîne d'approvisionnement et soutenir les petits exploitants.
Les fruits et légumes sont essentiels à une bonne nutrition, mais dans les pays à revenu faible et intermédiaire (PMB), les gens en consomment souvent peu, la plupart des recommandations alimentaires de l'Organisation mondiale de la santé étant déçues. Une des principales raisons de ce problème est l'offre : dans de nombreux LMICs, une part importante de la production est perdue avant d'atteindre les consommateurs en raison du manque généralisé de manipulation appropriée après la récolte et des chaînes froides, limitant la disponibilité et l'accessibilité des produits frais.
Un défi pour réduire les pertes et gaspillages alimentaires est de comprendre comment la qualité se détériore entre les fermes et les commerces de détail. Si des faiblesses dans des maillons spécifiques de la chaîne de valeur peuvent être identifiées, alors les solutions peuvent être mieux ciblées. Pour innover sur les mesures actuelles basées sur des enquêtes des pertes alimentaires, nous développons une évaluation de la qualité basée sur la photographie assistée par l'intelligence artificielle dans la chaîne de valeur de la tomate au Nigeria. Si cela aboutit, cela nous aidera à comprendre à la fois la distribution de la qualité (y compris le taux de détérioration) des tomates et le volume de perte dans la chaîne de valeur des tomates grâce à des photos prises sur les marchés de gros et de détail.
Cette nouvelle approche permettra de sélectionner des interventions efficaces pour lutter contre la perte alimentaire de plusieurs manières. Premièrement, cela améliorera la précision de l'évaluation des pertes alimentaires. Deuxièmement, il sera mis en œuvre en temps proche de la réalité. Troisièmement, c'est évolutif, c'est-à-dire que nous pouvons évaluer simultanément les pertes alimentaires dans de nombreux endroits. Une fois le programme pleinement développé, il sera utilisable dans d'autres contextes au Nigeria et ailleurs.
Travaux préparatoires à Jos, État du Plateau, Nigeria
Une évaluation pilote et une collecte de données ont été menées à Jos, dans l'État du Plateau, du 12 au 23 janvier 2026, par un groupe de chercheurs de l'IFPRI, de DAJRHAS Health and Agric Development et du World Vegetable Center, en collaboration étroite avec Inaho, Inc. au Japon. L'étude pilote a facilité des discussions importantes entre l'équipe de recherche et les acteurs clés de la chaîne de valeur de la tomate, notamment les agriculteurs, les commerçants, les leaders du marché, les transporteurs et les fournisseurs d'intrants. Ces engagements ont fourni les bases pour des travaux techniques qui seront mis en œuvre tout au long du cycle de vie du projet.
L'équipe de recherche s'est concentrée sur deux objectifs principaux : entraîner un outil de reconnaissance d'images par IA pour identifier et catégoriser les tomates selon le stade de maturité, et collecter de nombreuses données visuelles (vidéos 4K) provenant d'environnements de marché réels afin de garantir que le système d'IA puisse fonctionner efficacement dans des conditions variées. Nous avons travaillé avec cinq variétés de tomates, deux variétés locales (UTC et Roma) et trois variétés hybrides (Belfast, Bellfort et Dingyanfen n° 2).
L'équipe a développé des tableaux de référence visuels complets pour différentes variétés de tomates. Ces graphiques documentaient différents stades de maturité : non mûrs (casse-tête, c'est-à-dire quand la tomate commence à changer de couleur ; et à se retourner), mûr, complètement mûre, trop mûre, et tomates pourries ou jetées. Ce système de classification systématique constitue la base sur laquelle l'IA apprendra à distinguer les notes de qualité avec une précision comparable à celle de l'évaluation humaine. L'équipe a capturé de nombreuses vidéos 4K et des photographies de tomates abandonnées dans divers marchés. Les séquences vidéo 4K sont utiles à cet effet en raison du grand nombre d'images pouvant être collectées simultanément pour entraîner le système d'IA. Des vidéos et des images de tomates mûres ont été collectées auprès de détaillants et de grossistes, garantissant ainsi que les différentes étapes de la chaîne de valeur de la tomate étaient prises en compte.
De manière cruciale, l'équipe de recherche a également mené des mesures systématiques du poids des tomates fraîches et pourries entre les différentes variétés. Ces données quantitatives permettront au système d'IA de corréler les indicateurs de qualité visuelle avec la perte de poids réelle, offrant une compréhension plus complète de la manière dont la détérioration affecte la valeur économique des produits. En établissant des relations entre l'apparence visuelle et la réduction du poids, le système pourra estimer non seulement la dégradation de la qualité mais aussi l'ampleur des pertes physiques survenant à différents moments de la chaîne de valeur.
Les chercheurs ont également visité des serres où l'on cultive des variétés hybrides. Pour comprendre le contexte plus large de la production et de la commercialisation de tomates dans la région, l'équipe a consulté des entreprises d'intrants agricoles afin d'identifier quelles variétés étaient les plus répandues sur le marché et quelles agriculteurs préféraient cultiver. Nous avons visité des fermes de tomates pour observer les caractéristiques de différentes variétés sur le terrain afin de les comparer avec les informations obtenues auprès des fournisseurs d'entrées. Au marché de légumes Farin-Gada (un important marché de produits frais) à Jos, nous avons évalué l'étendue des produits jetés et dialogué avec les syndicats du marché pour comprendre leurs activités. Les discussions avec les transporteurs de tomates ont ajouté une autre dimension cruciale pour comprendre comment la manipulation et la logistique influencent la qualité des produits après la classification des produits reçus des petits exploitants.
Prochaines étapes
Les données visuelles, les tableaux de référence, les mesures de poids et les analyses des parties prenantes recueillies durant ces deux semaines seront désormais utilisés pour entraîner et affiner les algorithmes d'IA qui alimentent ce nouveau système d'évaluation de la qualité des tomates. Au fur et à mesure que le projet progresse, les applications potentielles vont bien au-delà des tomates. La méthodologie et la technologie d'IA développées pourraient éventuellement être adaptées pour évaluer la qualité et estimer les pertes d'une large gamme de fruits et légumes, des poivrons et oignons aux mangues et oranges. Un tel outil flexible pourrait contribuer à réduire le gaspillage alimentaire, améliorer l'efficacité du marché, optimiser la logistique des chaînes d'approvisionnement et, en fin de compte, contribuer à la sécurité alimentaire et à l'amélioration des moyens de subsistance des petits exploitants agricoles à travers le Nigeria et au-delà.
Futoshi Yamauchi est chercheur principal à l'unité Marchés, Commerce et Institutions de l'IFPRI basée à Washington, D.C. ; Aoi Fukuhara est chercheuse en IA chez Inaho, Inc., Japon ; Dauda Bawa est professeur à l'Université de Jos et directeur général de DAJRHAS Health and Agric Development Ltd., Nigeria ; Caleb Olanipekun est assistant de recherche basé au Nigeria au World Vegetable Center ; Olufemi Popoola est analyste de recherche au sein de l'unité des stratégies de développement et de gouvernance de l'IFPRI, basée à Abuja, au Nigeria. Les opinions sont celles des auteurs.
Ce travail est soutenu par le gouvernement japonais et le programme CGIAR sur de meilleures dietes et nutrition.