Key Takeaways
Allive a remplacé l'analyse manuelle des graines de chanvre, qui durait de 10 à 30 minutes, par une inspection par IA livrant des résultats en quelques secondes.
Le tri des coques vertes, qui pouvait prendre jusqu'à 2 heures par échantillon, s'effectue désormais en quelques secondes. Il s'agit d'un changement d'échelle majeur pour la capacité de traitement quotidienne du laboratoire.
Un pilote de 6 mois a permis de créer un modèle d'IA spécifique au chanvre intégrant plus de 30 classes d'impuretés (dont l'ergot, les sclérotes, l'ambroisie, le colza, la luzerne denticulée) avec une précision globale de 93,25 % sur 100 % des échantillons de production.
Sur les graines de chanvre oxydées, le système a obtenu des résultats à 0,03 point de pourcentage près par rapport au laboratoire (1,54 % pour le labo contre 1,57 % pour le système).
Le responsable de la conformité produit d'Allive décrit cette évolution comme le passage de 'l'observation' à 'la mesure' : la qualité est devenue un fait, et non plus une opinion.
Le contrôle qualité en temps réel soutient désormais des lignes de production traitant 500 kg/h de matière première de chanvre.
Chaque inspection génère un dossier numérique consultable avec chaque objet segmenté et classifié. Un exemple interactif issu de la ligne de production d'Allive (6 251 grains détectés) est accessible dans l'article.
JSC Allive est l’un des plus grands producteurs intégrés de chanvre industriel en Europe, fournissant les marchés de l’alimentation et du bien-être au sein de l’UE, aux États-Unis, au Canada et au Japon. Ce sont des marchés qui ne tolèrent aucun compromis, et le responsable de la conformité des produits d’Allive, Tadas Brazdauskas, le formule sans détour :
Nous ne sommes pas une simple entreprise de chanvre parmi d’autres. Nous faisons partie de celles pour qui la qualité n’est pas un argument marketing. C’est une décision quotidienne. Nous travaillons avec des marchés où il n’y a pas de compromis, donc nous n’en faisons aucun non plus.
- Tadas Brazdauskas, Responsable de la conformité produit
Fin 2025, Allive et GrainODM ont entamé un pilote structuré de six mois pour remplacer l’évaluation manuelle des graines de chanvre par une inspection basée sur l’IA. Six mois et douze cycles de révision hebdomadaires plus tard, le processus qu’ils décrivent n’est plus une estimation visuelle. C’est une mesure numérique. Ou, comme le dit Tadas plus loin dans ce récit : la qualité est devenue un fait, et non plus une opinion.
Voici l’histoire de cette transition, racontée par ceux qui l’ont pilotée : Tadas et Emilija Nugarienė, responsable adjointe du laboratoire chez Allive.
Le moment où le processus manuel a atteint ses limites
Soit nous changeons le processus, soit le processus freinera notre croissance.
- Tadas Brazdauskas, Responsable de la conformité produit
L’inspection du chanvre chez Allive était autrefois entièrement manuelle. Chaque impureté était comptée et pesée individuellement, puis consignée dans des registres et copiée dans Excel, avec le risque constant d’erreurs de transcription à chaque étape.
“Un échantillon standard prenait environ 10 minutes”, se souvient Emilija. “Mais certaines opérations, comme le tri et le comptage des coques vertes, pouvaient prendre jusqu’à deux heures. Une journée typique comptait 20 à 30 analyses, selon la production.”
La véritable pression venait des cas particuliers. Le tri et le comptage des coques vertes sur un seul échantillon pouvaient prendre jusqu’à deux heures. Avec l’inspection par IA, cette même vérification s’effectue désormais en quelques secondes. C’est le genre de changement d’échelle qui redéfinit non seulement le temps consacré à chaque tâche, mais la capacité physique de production d’un laboratoire sur une journée.
À la cadence de production d’Allive, soit environ 500 kg/h de matière première nettoyée, un laboratoire ralenti signifie une ligne ralentie. Chaque kilogramme supplémentaire de qualité incertaine représente un risque pour les engagements d’exportation premium.
Le goulot d’étranglement ne concernait pas un seul échantillon difficile. La vraie question était de savoir si le contrôle qualité pourrait suivre la croissance de l’entreprise.
Que vaudrait ce gain de temps à votre cadence de production ?
Allive traitait en moyenne 20 à 30 échantillons par jour, nécessitant 10 à 30 minutes chacun. Estimez le nombre d'heures de laboratoire et le gain de rendement que le remplacement de l'évaluation manuelle pourrait vous faire gagner au sein de votre propre exploitation.
Essayez le calculateur de ROI →Pourquoi Allive a refusé un outil d’IA prêt à l’emploi
Les graines de chanvre ne sont pas du blé. Les impuretés qu’Allive doit repérer (graines étrangères, grains oxydés, graines immatures, coques et fragments de coquille, débris) se confondent avec les graines saines de par leur couleur, leur forme et leur taille. Les modèles de vision par ordinateur standard, entraînés sur des céréales classiques, peinent à les distinguer.
Nous ne cherchions pas tant une technologie que les cerveaux capables de la concevoir.
- Tadas Brazdauskas, Responsable de la conformité produit
“Si un partenaire ne comprend pas votre produit, l’IA ne vous aidera pas”, affirme Tadas. “Les graines de chanvre ne sont pas de simples grains de blé. Les impuretés peuvent être très similaires en couleur, en forme et en taille. Il était essentiel pour nous que le modèle soit entraîné sur les impuretés que nous avons collectées sur une longue période, en y intégrant notre expertise.”
Cette vision a défini le périmètre. Il ne s’agirait pas d’une simple installation de logiciel. Ce serait un projet de développement conjoint.
Au cœur du pilote de six mois
La structure du pilote a été délibérément pensée pour être collaborative. Le laboratoire d’Allive fournissait des échantillons, annotait les cas particuliers et signalait les erreurs de classification. GrainODM réentraînait le modèle chaque semaine et déployait des mises à jour. Le rythme s’est maintenu d’octobre 2025 à mars 2026, avec des revues hebdomadaires formelles consignées dans un journal de suivi conjoint de 96 pages traçant chaque observation, modification du modèle et cas particulier résolu.
L’évolution du modèle est particulièrement visible à travers une classe spécifique. Au cours des premières semaines, les impuretés qui ne correspondaient pas clairement à une classe entraînée étaient regroupées dans une catégorie fourre-tout “autres graines”. Lors d’un lot analysé en semaine 2, le système a signalé 260 éléments sous l’étiquette “autres graines”, là où le laboratoire en avait compté 6. À la fin du pilote, cette catégorie avait été remplacée par plus de trente classes spécifiques – incluant l’Ergot, les Sclérotes, l’Ambroisie, le Colza, la Luzerne denticulée, le Radis oléifère, la Vesce hérissée, le Radis ravenelle, la Bardane tomenteuse, la Renouée pâle, la Folle avoine, le Blé, la Moutarde et le Gaillet – regroupées sous les trois catégories utilisées par le référentiel CQ d’Allive : impuretés allergènes, dangereuses et nocives.
En février 2026, le modèle atteignait une précision globale de 93,25 % sur 100 % des échantillons de production sur l’ensemble des classes. Sur un type d’impureté pour lequel Allive suit des seuils critiques à l’exportation – les graines de chanvre oxydées – le système a obtenu des résultats à 0,03 point de pourcentage près par rapport au laboratoire (1,54 % pour le labo contre 1,57 % pour le système, en moyenne sur neuf échantillons).
Le même échantillon de graines de chanvre chez Allive, avant et après l'inspection IA par GrainODM : plaque brute comparée aux détections segmentées et classifiées.
Emilija a observé cette progression côté laboratoire. “Au fil du pilote, le système n’a cessé de s’améliorer. À chaque mise à jour, il reconnaissait nos types de graines et nos impuretés avec plus de précision. Il était évident que l’équipe travaillait activement avec nos données, et que la précision du modèle augmentait de façon constante.”
“Nous avons été exigeants. Et c’est une bonne chose qu’ils aient tenu la distance”, ajoute Tadas. “Le modèle a été entraîné sur nos données, et nous étions pleinement impliqués dans le processus. Certaines choses ont pris plus de temps que prévu, mais nos propres attentes ont également grandi en cours de route. Il ne s’agissait pas de ‘l’acheter et l’utiliser’. C’était ‘le construire ensemble’.”
Côté laboratoire : rapidité et traçabilité
Emilija traite des échantillons de chanvre tous les jours. Sa routine alterne entre le comptage des impuretés, le tri des graines immatures et décortiquées, la documentation et l’audit de la ligne de production. C’est elle qui a la vision la plus claire de ce à quoi ressemblait le travail avant et après l’arrivée de l’IA au laboratoire.
Pour elle, le premier changement a été matériel. “Ce qui m’a le plus surprise, c’est la vitesse. Des résultats en quelques secondes. C’était un changement flagrant par rapport au travail manuel que nous faisions jusqu’alors.”
Au-delà du gain de temps, deux aspects se sont avérés plus importants au quotidien que ce qu’aucune des parties n’avait prévu au départ.
Des catégories structurées dans le rapport. “Il est très pratique que les résultats se présentent sous la forme d’un tableau structuré”, explique Emilija, “où les catégories – impuretés allergènes, dangereuses, nocives – et leurs totaux sont clairement visibles.” Aucune étape d’interprétation ne s’interpose entre l’analyse et la question d’un auditeur.
Un dossier que vous pouvez transférer. Chaque échantillon analysé conserve son rapport interactif complet. Lorsqu’un acheteur ou un auditeur conteste un lot, Allive lui envoie le fichier. Il l’ouvre, zoome et voit exactement ce que le laboratoire a vu. Il n’y a plus de place pour la discussion.
Ouvrir le rapport interactif →
L’une des fonctionnalités les plus utiles est de pouvoir sauvegarder la photo de l’échantillon et de la ré-analyser plus tard lorsque des questions ou des litiges sur la qualité surviennent.
- Emilija Nugarienė, Responsable adjointe du laboratoire
Toute personne ayant occupé un poste lié à la qualité sait ce que cela représente. Un dossier étayé par des photos transforme une longue réunion en une réponse de cinq minutes.
Côté direction : la qualité comme fait irréfutable
Tadas aborde cette transformation sous un autre angle.
La qualité est devenue un fait, et non plus une opinion.
- Tadas Brazdauskas, Responsable de la conformité produit
“Nous travaillons avec des matières premières agricoles, où même un spécialiste expérimenté ne peut pas tout remarquer, surtout après de nombreuses analyses manuelles. Les yeux se fatiguent. Le système identifie des éléments que nous ne pourrions pas détecter à l’œil nu, et il génère une trace numérique de chaque découverte.”
Le second changement concerne la réactivité. Le CQ manuel était généré sous forme de rapport a posteriori. L’inspection par IA fonctionne en continu à côté de la ligne de nettoyage. “Maintenant, nous pouvons faire des analyses pendant le processus, tous les jours. Lorsque vous produisez 500 kg/h de matière première nettoyée, le temps de réponse est critique. Ce qui était autrefois un processus lent est désormais une gestion de la qualité en temps réel. Moins de non-conformités, moins de retraits, des coûts réduits.”
Tadas résume cet avant/après en une phrase : “Avant, nous travaillions avec nos yeux. Maintenant, nous travaillons avec des données.”
Le conseil d’Allive à ses confrères qui envisagent l’automatisation
Trois éléments ressortent de la réponse de Tadas. Premièrement, l’urgence. Deuxièmement, la redéfinition de l’automatisation comme une direction plutôt que comme un simple achat. Troisièmement, le côté humain.
Si vous y réfléchissez encore, c’est que vous êtes déjà en retard. Ce n’est pas un choix. C’est une direction.
- Tadas Brazdauskas, Responsable de la conformité produit
“L’automatisation ne sert pas seulement à gagner du temps. Elle change la nature même du travail. Nous avons supprimé la monotonie et donné aux équipes plus de responsabilités et d’espace pour évoluer. C’est une valeur bien plus grande que la simple efficacité – ce n’est pas juste de la productivité, c’est de la motivation. Travaillez intelligemment, pas durement. Le plus important est de choisir un partenaire qui veut avancer avec vous sur ce chemin, car le résultat n’est alors pas seulement technologique. C’est un véritable changement d’entreprise.”
Le constat d’Emilija, côté laboratoire, est plus pragmatique, mais aboutit à la même conclusion :
De tels outils vont devenir une partie inséparable du travail quotidien, complétant l’expertise des spécialistes et augmentant l’efficacité.
- Emilija Nugarienė, Responsable adjointe du laboratoire
“Une telle technologie permet de gagner un temps considérable, d’augmenter la fiabilité des résultats et de les standardiser”, ajoute-t-elle.
Cette nuance est importante. Chez Allive, l’inspection par IA n’a pas remplacé le laboratoire. Elle lui a fourni une seconde paire d’yeux qui ne se fatigue jamais et qui prouve systématiquement son travail.
Pour l’industrie du chanvre
Le pilote d’Allive n’est qu’un point de référence, pas un verdict pour l’ensemble du secteur. Mais il pose un jalon clair. Pour une entreprise fournissant des ingrédients de chanvre premium sur des marchés qui n’acceptent aucun compromis, le contrôle qualité exclusivement manuel n’est plus une option sécurisante. Les exigences des acheteurs s’orientent vers la preuve numérique par lot, et le chanvre suit la même voie que les céréales il y a dix ans.
Pour la partie technique de cette histoire (quelles classes d’impuretés les laboratoires de chanvre suivent, quelles normes s’appliquent dans l’UE, aux États-Unis, au Canada et au Japon, et comment évaluer un partenaire d’inspection IA), consultez notre référentiel d’inspection de la qualité des graines de chanvre. Pour le contexte de septembre 2025 sur la genèse de ce partenariat, lisez notre annonce initiale. Pour une vision plus large du fonctionnement des analyseurs basés sur l’IA, consultez nos articles : les analyseurs de céréales expliqués et le guide de test de pureté des céréales.
Si vous dirigez une exploitation de chanvre et souhaitez comprendre ce que six mois d’entraînement de modèle sur mesure pourraient apporter à votre produit, planifiez un appel de 30 minutes, essayez notre calculateur de ROI pour estimer ce que le remplacement du classement manuel pourrait rapporter à votre cadence, ou ouvrez un exemple de rapport d’inspection en direct pour visualiser le type de dossier numérique qu’Allive produit désormais pour chaque lot.
Questions Fréquemment Posées
Le pilote a duré six mois, d'octobre 2025 à mars 2026, avec des revues hebdomadaires entre l'équipe qualité d'Allive et l'équipe d'entraînement des modèles de GrainODM. Ce processus d'itération a été consigné dans un journal de suivi conjoint de 96 pages documentant les observations de chaque semaine, les modifications du modèle et les cas particuliers résolus.
En février 2026, le modèle a atteint une précision globale de 93,25 % sur 100 % des échantillons de production, couvrant plus de trente classes d'impuretés. Sur les graines de chanvre oxydées en particulier, le système a obtenu des résultats à 0,03 point de pourcentage près par rapport au laboratoire (1,54 % pour le laboratoire contre 1,57 % pour le système, en moyenne sur neuf échantillons).
L'analyse manuelle standard d'un échantillon prenait environ 10 à 30 minutes de bout en bout, selon l'échantillon et en incluant la saisie des données. Les cas particuliers, comme le tri et le comptage des coques vertes, pouvaient prendre jusqu'à deux heures par échantillon. Avec l'inspection par IA, ces mêmes vérifications fournissent désormais leurs résultats en quelques secondes.
Les impuretés des graines de chanvre ressemblent souvent aux graines elles-mêmes par leur couleur, leur forme et leur taille. Les modèles standard de vision par ordinateur pour les céréales ne parviennent pas à les distinguer de manière fiable. Allive a entraîné le modèle GrainODM sur sa propre bibliothèque d'impuretés, constituée grâce à des années d'expérience en production de chanvre.
Chaque échantillon analysé génère un rapport numérique contenant l'image originale, les catégories d'impuretés détectées (allergènes, dangereuses, nocives), les comptages précis et un horodatage. Les rapports peuvent être ouverts à nouveau ultérieurement pour résoudre des litiges de qualité ou répondre aux exigences d'un audit.
La ligne de nettoyage d'Allive traite environ 500 kg/h de matière première de chanvre. L'inspection par IA permet désormais d'appuyer les décisions relatives à la qualité en temps réel, à cette cadence.
Le modèle d'Allive a été entraîné au cours d'un pilote structuré de six mois rythmé par des cycles de révision hebdomadaires. Ce délai reflète la complexité de la séparation des impuretés du chanvre qui se confondent avec les graines elles-mêmes. Les opérations avec des ensembles de classes plus simples peuvent atteindre une précision de niveau production plus rapidement, tandis que des mix de produits très variables peuvent exiger des itérations plus longues.
Oui. GrainODM génère des rapports d'inspection numériques (comprenant l'image annotée de l'échantillon, le comptage par classe, les totaux et l'horodatage) qui peuvent être exportés et intégrés aux systèmes de gestion de l'information du laboratoire (LIMS) ou de gestion de la qualité (QMS) existants. Le périmètre d'intégration est défini lors de la configuration du pilote.
Un pilote transite vers une utilisation en production continue une fois les objectifs de précision atteints sur les échantillons du client. Le modèle reste maintenable, ce qui signifie que de nouvelles classes d'impuretés ou de nouvelles lignes de produits peuvent être ajoutées via des cycles d'entraînement supplémentaires, sans nécessiter l'achat d'un nouvel outil.
The New Standard in Grain Purity Analysis
Data, not guesswork. Learn how GrainODM sets a new benchmark for digital grain inspection.