Interview audio de Benoît de Solan, ingénieur Arvalis spécialiste des capteurs et de la télédétection, sur le sujet des solutions numériques dans la gestion des adventices.
Retrouvez l'article complet et toute l'actualité agricole sur Terre-net :
www.terre-net.fr
Retrouvez l'article complet et toute l'actualité agricole sur Terre-net :
www.terre-net.fr
Category
🗞
NewsTranscription
00:00 La détection des adventices par capteur, aujourd'hui c'est une problématique importante
00:06 parce que ça permettra de réduire très fortement l'épandage de produits
00:12 en ciblant les endroits où il faut épandre les herbicides.
00:19 Donc il y a un gros enjeu qui peut être de l'ordre de 80 à 90% de la réduction des doses épandues.
00:25 Aujourd'hui avec les problématiques environnementales c'est un élément essentiel.
00:30 Pour réaliser cet épandage localisé, cette détection localisée,
00:34 on a besoin de capteurs qui vont détecter les endroits où il y a des adventices dans la parcelle.
00:41 Ces capteurs doivent être de très haute résolution, donc submillimétrique,
00:46 pour pouvoir détecter des petites plantes émergentes au milieu de la culture principale.
00:52 L'essentiel des capteurs qui sont utilisés aujourd'hui ce sont des caméras couleur,
00:57 des capteurs assez classiques qui reproduisent la vision humaine
01:01 et qui sont le type de capteur qu'on peut retrouver dans les smartphones ou dans les voitures pour l'aide à la conduite.
01:07 Un composant essentiel de cette détection c'est l'algorithme de traitement de ces images
01:12 qui a pour objectif de détecter les adventices au milieu de la culture.
01:17 Aujourd'hui la plupart de ces algorithmes sont de deux classes,
01:20 la classe culture et tout le reste de la végétation.
01:24 Progressivement il va y avoir un raffinement possible de cette classification
01:30 entre par exemple monocotylédone et dicotylédone,
01:33 ce qui est important dans l'optique d'utiliser des produits ciblés par espèce.
01:38 Les algorithmes mobilisent des techniques d'apprentissage automatique,
01:43 dites de deep learning, qui nécessitent,
01:47 ce sont des algorithmes extrêmement puissants mais qui nécessitent un entraînement spécifique
01:53 pour que l'algorithme puisse reconnaître une betterave dans un cas ou du maïs dans l'autre
02:00 et puis les adventices associées.
02:02 La complexité de l'application de ces techniques au secteur agricole
02:07 c'est qu'on a des scènes qui sont vues qui sont très complexes
02:11 avec des cultures qui évoluent au cours du temps,
02:14 selon les stades de développement.
02:17 Les adventices aussi vont évoluer et être positionnés différemment,
02:22 les sols sont différents et on est dans des conditions naturelles.
02:25 Donc c'est des scènes qui sont très compliquées.
02:28 Cette complexité va nécessiter la constitution de très grands jeux de données
02:34 afin de couvrir toute la gamme des possibles.
02:37 Et donc voilà on parle de centaines ou de millions d'images
02:42 qui vont nécessiter d'être annotées manuellement
02:46 pour que l'algorithme puisse reconnaître ce qu'est la culture et ce qui ne l'est pas.
02:51 Voilà une partie manuelle et puis une partie qui peut être pseudo automatique
02:55 mais avec un contrôle manuel dans toute la phase d'apprentissage de ces algorithmes.
03:01 Et c'est ça aujourd'hui, cette partie d'apprentissage,
03:04 c'est aujourd'hui ce qui est finalement sans doute un des points limitants
03:08 du développement de ces technologies,
03:10 c'est qu'il faut réaliser cet apprentissage par culture.
03:13 Donc pour les cultures principales, la betterave, le maïs, etc.
03:18 on comprend bien que les fournisseurs, les développeurs de solutions
03:23 investissent fortement parce que les surfaces concernées sont très importantes
03:28 mais pour des cultures plus spécialisées, l'oignon, le lavandin ou autre,
03:32 dans ce cas-là ça peut être un frein au développement
03:36 et les applications seront disponibles bien plus tard parce que le marché est moins important.
03:44 Aujourd'hui ces technologies sont intégrées dans plusieurs types de solutions.
03:49 Un premier type de solution ce sont les drones
03:52 qui vont cartographier l'ensemble de la parcelle à assez basse altitude
03:56 pour avoir une résolution suffisante.
03:59 A partir de là, un traitement est réalisé sur l'ensemble de la parcelle
04:01 et une cartographie de présence ou d'absence des adventices est réalisée.
04:05 Donc ça marche plutôt bien pour des grosses adventices type charbon.
04:10 L'autre solution possible c'est d'embarquer directement les capteurs sur le tracteur
04:16 avec une action temps réel.
04:18 Donc dans ce cas-là, la contrainte forte c'est que l'image soit prise
04:21 et analysée en disons quelques centaines de millisecondes.
04:27 L'intérêt c'est d'avoir directement en un passage la détection et l'application du produit.
04:33 La contrainte c'est que l'on ne sait pas a priori quel volume de produit embarquer
04:38 et donc on peut se retrouver avec un reste dans la queue à la fin de la mission.
04:42 Une dernière technologie, une dernière solution technique
04:46 mais qui n'embarque pas du coup de capteur de vision
04:49 c'est typiquement le FarmDroid
04:53 qui est un système uniquement basé sur un référencement GPS RTK.
04:58 C'est le même système qui réalise le semis puis le désherbage dans les mêmes parcelles.
05:04 Donc il repère, il conserve en mémoire le positionnement des lignes de semis
05:11 et va ensuite venir biner systématiquement autour des plantes au semis.
05:16 La solution la moins chère en investissement c'est la solution drone
05:20 puisque là on achète finalement juste une carte d'application
05:23 et voilà pas mal d'épandeurs sont équipés de systèmes de coupure de tronçons
05:30 donc ça peut être compatible.
05:33 L'option 2 c'est la rampe avec vision, là on parle d'investissement conséquent
05:39 et qui peuvent se valoriser dans des fermes de grande dimension.
05:48 Et sur le dernier cas, là c'est des débits de chantier assez lents
05:53 c'est un coût d'investissement aussi important, supérieur à 100 000 euros
05:58 donc certainement à bien adapter à des fermes en bio par exemple.
06:03 Les autres limites aujourd'hui à ce type de technologie
06:06 concernent le type de culture pour lesquelles des algorithmes de détection sont validés
06:13 et les adventices associées.
06:16 Typiquement les cultures aujourd'hui les mieux concernées et les mieux traitées
06:22 ce sont les cultures en rang parce qu'on voit bien la culture
06:26 et puis ce qui est au milieu qui n'en est pas.
06:29 Les cas les plus complexes c'est typiquement le blé avec une culture plus mélangée
06:34 et puis si en plus on veut essayer de détecter des rais gras
06:36 là on va avoir des difficultés importantes.
06:39 Donc c'est pas impossible mais ça va demander un effort plus important.
06:45 Globalement ce qu'on voit c'est que si on arrive à le détecter visuellement
06:48 on arrivera à entraîner des algorithmes de détection automatique
06:52 mais avec un effort d'entraînement plus important.
06:56 Et si on n'arrive pas visuellement on peut s'appuyer sur d'autres longueurs d'ongles
07:00 qui vont apporter une information complémentaire à ce que verrait l'œil
07:03 pour finalement maximiser la distinction entre la culture et puis l'adventice
07:09 si on peut pas s'appuyer juste sur l'information de couleur et de flanc.
07:13 Sur les applications plus complexes on peut imaginer qu'elles arriveront sur le marché plus tard
07:17 parce qu'elles nécessitent plus d'efforts de développement.
07:21 Après ce sont quand même des domaines notamment l'intelligence artificielle
07:27 qui se développe extrêmement rapidement
07:29 donc on peut avoir de bonnes surprises sur les performances
07:33 à attendre de ce type d'algorithme peut-être dans quelques années.
07:38 Ces applications du deep learning à l'agriculture ça fait à peu près 5 à 6 ans
07:43 je pense que dans 5 à 6 ans on aura franchi des maillons, des pas considérables
07:49 dans la détection de tout un tas de choses dans ces images
07:53 pas uniquement des adventices mais aussi peut-être des maladies
07:57 la présence, une évaluation de tout un tas de caractéristiques de la culture
08:02 qui permettront aussi de déterminer si on peut avoir des résultats
08:06 caractéristiques de la culture qui permettront aussi de la piloter finement.
08:11 Sans doute que cette vision, cette détection localisée des adventices
08:16 est une première étape vers la caractérisation fine de la culture
08:21 pour optimiser finalement sa conduite tout au long du cycle.