Le bois de placage utilisé au cours des derniers siècles dans la fabrication de mobiliers de prestige montre une grande diversité, notamment du fait de l’introduction massive d’espèces tropicales suite à l’expansion du commerce avec les colonies. Lors de la restauration d’un meuble à forte valeur patrimoniale, l’identification taxonomique des espèces impliquées constitue une étape préalable. Cette tâche, bien que possible à l’échelle macroscopique si elle est réalisée par un professionnel averti, est loin d’être triviale. Elle met en jeu une combinaison de connaissances variées, tant botaniques qu’historiques, ainsi qu’une longue expérience acquise au fil des ans. Les techniques de vision par ordinateur proposent néanmoins des solutions alternatives. Ces approches opèrent à un niveau d'abstraction très élevé tout en se concentrant sur la tâche à accomplir avec une performance remarquable. Ici l’objectif est de reconnaître l’essence du bois sur la base d’une ou de plusieurs photos. Un corpus de dizaines de milliers de photographies a été consolidé à partir des xylothèques de deux professionnels du bois, membres de l’équipe (P.G & P.D.-C.). Ces photos ont été capturées à l’aide d’un microscope USB sur de nombreuses feuilles de placage (sciées ou tranchées). L’essence de ces bois étant connue a priori, plusieurs modèles supervisés de classification d’image (EffientNet, Inception, Xception, etc) ont été entrainés par transfer learning. Les premiers résultats sont d’ores et déjà disponibles à plusieurs échelles. Ils indiquent d’excellentes capacités de reconnaissance et de généralisation qui surpassent les précédentes études effectuées pourtant sur un plus petit nombre d’espèces. Le traitement de telles masses de données, longtemps considéré comme le problème central de ces techniques de vision par ordinateur, devient moins prépondérant de nos jours du fait des développements algorithmiques récents et des capacités de puissance de calcul, notamment graphique, qui peuvent être atteintes à un coût raisonnable. Pour ce problème tout comme d’autres de ce type, la clé de la réussite réside dans la couverture optimale de la grande variété des morphologies présentes dans chacun des groupes. En d'autres termes, pour des questions complexes, le recueil d’une quantité très importante de données variées est essentiel si l'on souhaite se rapprocher des performances de l’expert.