Dans le contexte de la conception d’un banc d’essais spécialisé pour la qualification des solutions de désherbage alternatives, le projet PlantScan porté par l’Alliance H@rvest vise à offrir des outils de qualification des systèmes de détection automatique des adventices.
Contexte du projet
Ce projet s’inscrit dans le cadre d’une collaboration naissante entre trois acteurs clés : l’Alliance H@rvest, l’AgroTechnoPôle – INRAE et AgroParisTech.
Dans le cadre de la réduction de l’utilisation des produits phytosanitaires de désherbage des cultures, de nombreux systèmes de désherbage alternatifs émergent. Ces solutions technologiques innovantes intègrent un ensemble complexe de briques fonctionnelles, nécessitant une consolidation en termes de fiabilité, de compréhension et de reproductibilité.
L’une des briques technologiques communes aux différents systèmes est celle de la détection. Cette brique connaît de nombreuses évolutions grâce à l’intelligence artificielle et, plus précisément, aux réseaux de neurones.
La précision et la diversité des informations générées ouvrent la voie à de nombreux usages futurs.
La technologie est au point et commence à s’appliquer dans des cas précis (…) L’application à plus de cultures et de situations nécessite des expérimentations complémentaires.
Cependant, il est essentiel de mettre en place des mesures et des tests rigoureux pour garantir la validité des données.
Objectifs du projet et résultats attendus
Il est actuellement difficile de comparer des systèmes qui ont des formats hétérodoxes et qui utilisent des données destinées à la pulvérisation (cartes de détections, cartes ou logs d’ouverture des buses, etc.). De plus, la comparaison du même système sur plusieurs passages ou à des stades différents de culture est pénalisée par la façon dont les données sont exportées (résolutions temporelle, spatiale, etc.). Les modèles de simulation bénéficieraient d’une remontée d’informations plus complète afin de pouvoir les faire varier. La granularité des données est très souvent perdue au niveau des systèmes d’application.
Il devient donc crucial d’établir des standards et des formats libres afin de mutualiser les efforts et de faciliter l’intégration de nombreux acteurs dans l’écosystème : en particulier, un format commun pour caractériser les mécanismes de détection issus de données capteurs. Afin de permettre la comparaison de l’évolution d’un champ, améliorer les capacités des systèmes et évaluer par la suite les impacts des applications de désherbage sur la flore adventices, les cultures, les types de sol et les conditions environnantes.
Une fois ce format établi, l’objectif est de comparer des approches d’apprentissage automatique sur ce problème d’identification de plantes à partir d’images prises par un capteur donné pouvant « naviguer » dans un champ.
La démarche proposée est d’apprendre à générer des scènes virtuelles de grandes cultures et de champs et à en extraire des images qui soient indistinguables d’images de plantes et de champs réels. L’avantage est alors triple :
- On dispose d’une méthode permettant de produire des images pour tous types de plantes, de stades de développement et de conditions, à partir du moment où l’on dispose d’images réelles correspondantes.
- Grâce aux modèles génératifs appris, on peut générer autant d’images virtuelles que désiré.
- Parce que ces données sont générées, on en connaît tous les aspects, dont les étiquettes, qu’il est notoirement coûteux d’obtenir sur des données réelles.
