Les drones et l'intelligence artificielle détectent la maturité du soja avec une grande précision

Les drones et l'intelligence artificielle détectent la maturité du soja avec une grande précision

AGDAILY Reporters*

Image : USB, Flickr

Marcher dans les rangs de soja au milieu de l'été est une tâche épuisante mais essentielle pour la sélection de nouveaux cultivars. Les chercheurs bravent la chaleur quotidiennement pendant les parties cruciales du cycle de végétation pour rechercher des plantes présentant des caractéristiques souhaitables, comme la maturité précoce des gousses. Mais sans un moyen d'automatiser la détection de ces caractéristiques, les sélectionneurs ne peuvent pas tester autant de parcelles qu'ils le souhaiteraient au cours d'une année donnée, ce qui allonge le temps nécessaire pour mettre de nouveaux cultivars sur le marché.

Dans une nouvelle étude de l'Université de l'Illinois, des chercheurs prédisent la date de maturité du soja en l'espace de deux jours en utilisant des images de drones et l'intelligence artificielle, ce qui réduit considérablement le besoin de bottes sur le terrain.

« L'évaluation de la maturité des gousses est très longue et sujette à des erreurs. C'est un système de notation basé sur la couleur de la cosse, donc elle est également sujette à des biais humains », explique Nicolas Martin, professeur assistant au Département des Sciences des Cultures de l'Université de l'Illinois et co-auteur de l'étude. « De nombreux groupes de recherche essaient d'utiliser des images de drones pour évaluer la maturité, mais ne peuvent pas le faire à l'échelle. Nous avons donc trouvé une méthode plus précise pour y parvenir. C'était vraiment cool, en fait. »

Rodrigo Trevisan, un étudiant en doctorat travaillant avec M. Martin, a formé des ordinateurs pour détecter les changements de couleur de la canopée à partir d'images de drones collectées au cours de cinq essais, sur trois cycles de végétation et dans deux pays. Il a surtout réussi à prendre en compte les « mauvaises » images pour maintenir la précision.

« Supposons que nous voulons collecter des images tous les trois jours, mais qu'un jour, il y a des nuages ou qu'il pleut, donc nous ne pouvons pas. En fin de compte, lorsque vous obtenez les données de différentes années ou de différents endroits, elles auront toutes des caractéristiques différentes en termes de nombre d'images et d'espacement dans le temps, et ainsi de suite », explique M. Trevisan. « La principale innovation que nous avons développée est la façon dont nous pouvons rendre compte de tout ce que nous sommes capables de collecter. Notre modèle fonctionne bien indépendamment de la fréquence de collecte des données. »

M. Trevisan a utilisé un type d'intelligence artificielle appelé réseaux neuronaux convolutionnels profonds (deep convolutional neural networks – CNN). Selon lui, les CNN sont similaires à la façon dont le cerveau humain apprend à interpréter les composantes des images – couleur, forme, texture – à partir de nos yeux.

« Les CNN détectent de légères variations de couleur en plus des formes, des bordures et de la texture. Pour ce que nous essayions de faire, la couleur était la chose la plus importante », a dit M. Trevisan. « Mais l'avantage des modèles d'intelligence artificielle que nous avons utilisés est qu'il serait assez simple d'utiliser le même modèle pour prédire un autre trait, tel que le rendement ou la verse. Maintenant que nous avons mis en place ces modèles, il devrait être beaucoup plus facile pour les gens d'utiliser la même architecture et la même stratégie pour faire beaucoup plus de choses. »

Selon M. Martin, les entreprises de sélection commerciale réclament ces capacités.

« Nous avons eu des partenaires industriels sur l'étude qui veulent absolument utiliser cela dans les années à venir. Et ils ont apporté de très bonnes et importantes contributions. Ils voulaient s'assurer que les réponses étaient pertinentes pour les sélectionneurs sur le terrain qui prennent des décisions, qui sélectionnent les plantes, et pour les agriculteurs », a dit M. Martin. « Trouver une bonne méthode pour aider les sélectionneurs à prendre des décisions à grande échelle est assez passionnant. »

_______________

* Source : Drones and AI detect soybean maturity with high accuracy | AGDAILY