Des drones d'IA pour aider les agriculteurs à optimiser le rendement des légumes
Des drones automatisés surveillent avec succès les cultures pour signaler le moment idéal pour la récolte
Pour des raisons de sécurité alimentaire et d'incitation économique, les agriculteurs cherchent en permanence à maximiser le rendement de leurs cultures commercialisables. Comme les plantes poussent de manière irrégulière, au moment de la récolte, il y aura inévitablement des variations dans la qualité et la taille des cultures individuelles. Trouver le moment optimal pour récolter est donc une priorité pour les agriculteurs. Une nouvelle approche faisant largement appel aux drones et à l'intelligence artificielle améliore manifestement cette estimation en analysant avec soin et précision les cultures individuelles afin d'évaluer leurs caractéristiques de croissance probables.
Un aperçu visuel du système permettant de capturer et d'analyser des données d'images sur les cultures, qui alimentent ensuite un modèle pour aider les agriculteurs à connaître le meilleur moment pour récolter leurs champs.
©2023 Guo et al. CC-BY
Certains récits de science-fiction optimistes parlent d'un avenir post-pénurie, où les besoins de l'homme sont satisfaits et où le travail pénible est assuré par les machines. Cette vision semble prédire certains éléments du progrès technologique actuel. C'est le cas de la recherche agricole, où l'automatisation a eu un impact. Pour la première fois, des chercheurs, dont ceux de l'université de Tokyo, ont mis au point un système largement automatisé permettant d'améliorer le rendement des cultures, ce qui peut profiter à de nombreuses personnes et 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 les déchets, ce qui est bon pour eux, pour les consommateurs et pour l'environnement. Mais il n'est pas facile de prédire les périodes optimales de récolte et, dans l'idéal, il faut avoir une connaissance détaillée de chaque plante ; ces données seraient trop coûteuses et trop longues si des personnes étaient employées pour les recueillir. C'est là que les drones entrent en jeu".
Guo a une formation à la fois en informatique et en agronomie, et il est donc tout à fait apte à trouver des moyens pour que le matériel et les logiciels de pointe puissent aider l'agriculture. Avec son équipe, il a démontré que certains drones bon marché équipés de logiciels spécialisés peuvent prendre des images et analyser de jeunes plantes - des brocolis dans le cas de cette étude - et prédire avec précision leurs caractéristiques de croissance. Les drones effectuent le processus d'imagerie plusieurs fois, sans interaction humaine, ce qui signifie que le système nécessite peu de main-d'œuvre.
"Certains seront peut-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 peut diminuer de 3,7 % à 20,4 %", a déclaré M. Guo. "Mais avec notre système, les drones identifient et cataloguent chaque plante dans le champ, et leurs données d'imagerie alimentent un modèle qui utilise l'apprentissage profond pour produire des données visuelles faciles à comprendre pour les agriculteurs. Compte tenu des coûts relativement bas des drones et des ordinateurs, une version commerciale de ce système devrait être à la portée de nombreux agriculteurs."
Le principal défi auquel l'équipe a été confrontée concernait l'analyse des images et l'apprentissage profond. La collecte des données d'image elle-même est relativement triviale, mais compte tenu de la façon dont les plantes se déplacent dans le vent et dont la lumière change avec le temps et les saisons, les données d'image contiennent beaucoup de variations que les machines ont souvent du mal à compenser. Lors de la formation de son système, l'équipe a donc dû consacrer beaucoup de temps à étiqueter les différents aspects des images que les drones pourraient voir, afin d'aider le système à apprendre à identifier correctement ce qu'il voyait. L'énorme débit de données a également constitué un défi : les données d'images étaient souvent de l'ordre de trillions de pixels, soit des dizaines de milliers de fois plus grandes qu'un appareil photo de smartphone haut de gamme.
"J'ai envie de trouver d'autres moyens de faire passer le phénotypage des plantes (mesure des caractéristiques de croissance des plantes) du laboratoire au terrain afin d'aider à résoudre les problèmes majeurs auxquels nous sommes confrontés", a déclaré M. Guo.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités du secteur de l'alimentation et des boissons
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie alimentaire et des boissons vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
