Un drone à six rotors en vol – photo d’illustration. Crédit image : Richard Unten via flickr, CC BY 2.0
Pour des raisons de sécurité alimentaire et d’incitation économique, les agriculteurs cherchent continuellement à maximiser les rendements commercialisables de leurs cultures. Comme les plantes poussent de manière incohérente, au moment de la récolte, il y aura inévitablement des variations dans la qualité et la taille des cultures individuelles. Par conséquent, trouver le moment optimal de récolte est une priorité pour les agriculteurs.
Une nouvelle approche utilisant les drones et l’intelligence artificielle améliore manifestement cette estimation en faisant preuve de prudence et de précision. analyser des cultures individuelles pour évaluer leurs caractéristiques probables de croissance.
Pipeline d’IA basé sur des drones. Un aperçu visuel du système permettant de capturer et d'analyser des données d'image sur les cultures, qui alimentent ensuite un modèle pour aider les agriculteurs à connaître le meilleur moment pour récolter leurs champs. Crédit image : Guo et al. CC-BY
Certaines histoires de science-fiction optimistes parlent d’un avenir post-pénurie, où les besoins humains seront satisfaits et où le travail pénible sera assuré par les machines. Cette vision semble prédire certains éléments du progrès technologique actuel. L’un de ces domaines est celui de la recherche agricole, où l’automatisation a eu un impact.
Pour la première fois, des chercheurs, notamment ceux de l’Université de Tokyo, ont démontré un système largement automatisé permettant d’améliorer les rendements des cultures, ce qui peut bénéficier à de nombreuses personnes et pourrait ouvrir la voie à de futurs systèmes qui pourraient un jour récolter directement les cultures.
"L'idée est relativement simple, mais la conception, la mise en œuvre et l'exécution sont extraordinairement complexes", a déclaré le professeur agrégé Wei Guo du Laboratoire de Phénomique de Terrain.
« Si les agriculteurs connaissent le moment idéal pour récolter les champs, ils peuvent réduire le gaspillage, ce qui est bon pour eux, pour les consommateurs et pour l’environnement. Mais les moments optimaux de récolte ne sont pas une chose facile à prévoir et nécessitent idéalement une connaissance détaillée de chaque plante ; de telles données seraient prohibitives en termes de coût et de temps si des personnes étaient chargées de les collecter. C’est là qu’interviennent les drones.
Guo a une formation en informatique et en sciences agricoles, il est donc idéalement placé pour trouver des moyens par lesquels le matériel et les logiciels de pointe pourraient aider l'agriculture. Lui et son équipe ont démontré que certains drones peu coûteux dotés d’un logiciel spécialisé peuvent imager et analyser les jeunes plantes – le brocoli dans le cas de cette étude – et prédire avec précision leurs caractéristiques de croissance attendues.
Les drones effectuent le processus d’imagerie plusieurs fois et le font sans intervention humaine, ce qui signifie que le système nécessite peu de main d’œuvre.
Visualisation des données sur photos aériennes. Le coût du travail humain et le temps nécessaire interdisent le catalogage manuel des plantes individuelles dans un champ. Ici, les données du catalogue collectées par les drones et produites par un système de deep learning se superposent aux photos des champs. Crédit image : Guo et al. CC-BY
"Certains pourraient être surpris d'apprendre qu'en récoltant un champ seulement un jour avant ou après le moment optimal, le revenu potentiel de ce champ pour l'agriculteur pourrait être réduit de 3.7% jusqu'à 20.4%", a déclaré Guo.
« Mais avec notre système, les drones identifient et cataloguent chaque plante sur le terrain, et leurs données d'imagerie alimentent un modèle qui utilise l'apprentissage en profondeur pour produire des données visuelles faciles à comprendre pour les agriculteurs. Compte tenu du coût relativement faible actuel des drones et des ordinateurs, une version commerciale de ce système devrait être à la portée de nombreux agriculteurs.
Le principal défi de l’équipe résidait dans les aspects d’analyse d’images et d’apprentissage profond. La collecte des données d'image elle-même est relativement triviale, mais étant donné la façon dont les plantes se déplacent dans le vent et la façon dont la lumière change avec le temps et les saisons, les données d'image contiennent de nombreuses variations que les machines ont souvent du mal à compenser.
Ainsi, lors de la formation de leur système, l’équipe a dû investir énormément de temps pour étiqueter différents aspects des images que les drones pourraient voir, afin d’aider le système à apprendre à identifier correctement ce qu’il voyait. Le vaste débit de données était également un défi : les données d’image étaient souvent de l’ordre de milliards de pixels, des dizaines de milliers de fois plus grandes que même l’appareil photo d’un smartphone haut de gamme.
"Je suis inspiré par la recherche d'autres moyens par lesquels le phénotypage des plantes (mesure des caractéristiques de croissance des plantes) peut passer du laboratoire au champ afin d'aider à résoudre les problèmes majeurs auxquels nous sommes confrontés", a déclaré Guo.
La source:Université de Tokyo
