Dans un monde dans lequel, en dépit de
la croissance de la population, l’utilisation de terres à des fins
agricoles a connu son pic au tournant du siècle [1],
la question de la productivité agricole semble devenir la principale
variable d’ajustement sur laquelle il reste possible de jouer [2].
Plusieurs avancées technologiques ont déjà permis d’accroître cette
productivité : l’amélioration des machines, l’élaboration d’outils de
précision incorporant des systèmes de triangulation, l’appariement de
nouveaux traits génétiques avec des herbicides spécifiques ou encore
l’automatisation de la récolte. Pourtant, la lutte contre les mauvaises
herbes repose encore sur un recours inefficace au travail manuel et une
utilisation abusive d’herbicides. Le contrôle des adventices devient de
fait un enjeu économique croissant, en raison notamment de la
multiplication des cas de résistance aux herbicides à spectre large [3]. C’est dans cette optique que s’est créée fin 2011 à Sunnyvale, en plein cœur de la Silicon Valley, Blue River Technology [4]
qui développe des systèmes de vision artificielle permettant de
détecter et d’identifier individuellement les plantes, et ainsi
d’ajuster en temps réel et de façon spécifique les quantités
d’herbicides pulvérisées.
Blue River a d’abord testé son idée sur l’éclaircissement des
laitues, qui représente un cas d’école. La faiblesse de leur germination
associée au coût élevé de la terre encourage la saturation des
plantations, laquelle impacte pourtant en retour sur la qualité de la
production. Les germinations étant en effet indépendantes, le ‘spray and pray’ [5]
classique est inefficace. De plus, les interventions mécaniques sont
mal tolérées et le recours à des travailleurs accroît les risques sur
leur santé. Les machines de Blue River s’appuient sur un système de
double [6]
caméra RGB GigE qui utilise des paramètres classiques de radiométrie
(couleur et gradient) et de géométrie (taille et forme) pour identifier
les plantes avec une précision de 98% et moins de 5% de faux positifs.
Blue River développe par ailleurs un système de désherbage
généraliste, applicable à d’autres types de récoltes (par exemple le
soja). Pour cela, les dernières générations de machines s’appuient sur
un système d’apprentissage profond par réseaux de neurones
convolutionnels. Il s’agit plus précisément de la méthode Single Shot Multibox Detectors (SSD), une proposition récente [7], plus simple de mise en œuvre et plus rapide que les Region-based Convolutionnal Neural Networks
(R-CNN), une approche qui permet de détecter les occurrences d’une
certaine catégorie d’objets dans une image, indispensable par exemple
dans les applications temps-réel pour les véhicules autonomes (détecter
et segmenter avec un certain niveau de confiance les piétons et les
autres véhicules). La phase d’apprentissage supervisé du système de Blue
River a été réalisée en utilisant le framework Caffe [8], et le taux de détection constaté en opération est de l’ordre de 90% pour le moment (l’objectif est d’atteindre 99%).
Le dernier domaine d’innovation de Blue River concerne la mise au
point de drones destinés à phénotyper les cibles sur lesquels leurs
machines travaillent. Ils utilisent des orthomosaïques colorées
composées de 1 300 images d’une résolution centimétrique, capturées par
des drones volant à 15 mètres de hauteur. Le coefficient de
détermination obtenu (comparativement aux mesures faites sur le terrain)
dépasse les 99%, ce qui permet d’individualiserles traitements sur les
plants cibles.
Rédacteur :
Olivier Tomat, Expert Technique International, San Francisco, olivier.tomat@ambascience-usa.org ;
Retrouvez l’actualité en Californie du Nord sur http://sf.france-science.org ;Source
Aucun commentaire:
Enregistrer un commentaire