Contenu en un coup d'œil :Si les conditions de croissance de toutes les cultures d’un champ peuvent être déterminées et prédites à court terme, il sera possible de fixer des dates de récolte optimales, de réduire le nombre de cultures de taille non standard et de minimiser les pertes de revenus. En réponse à cela, des chercheurs de l’Université de Tokyo et de l’Université de Chiba ont proposé une solution IA + drone.

Mots-clés:Imagerie de télédétection par drone agricole

Auteur | Li Baozhu

Rédacteur | Sanyang, Xuecai

Au printemps, on laboure, en été, on désherbe, en automne, on récolte et en hiver, on stocke, les quatre choses sont faites au bon moment, de sorte que les cinq céréales ne sont jamais épuisées et que les gens ont un surplus de nourriture.

Pendant longtemps, les gens ont travaillé dur conformément à l’expérience transmise au fil des ans et ont récolté les cultures selon le cycle général de maturité. Cependant, en raison des différentes conditions de croissance, il existe inévitablement des différences dans la qualité, la taille et la maturité des cultures au moment de la récolte. Une récolte mécanisée uniforme gaspillera une grande quantité de récoltes qui ne répondent pas aux normes de vente ou de consommation, ce qui entraînera une baisse des profits. donc,La date de récolte est essentielle pour déterminer le pourcentage de la récolte qui ne répond pas aux normes et le revenu total final de l’agriculteur.

Alors que les drones survolent les champs, les gens commencent à explorer comment prédire la meilleure date de récolte en se basant sur les données d’images aériennes des drones.Des chercheurs de l’Université de Tokyo et de l’Université de Chiba ont développé un processus systématique de collecte de données phénotypiques sur les plantes à l’aide de drones.Sur la base de la télédétection par drone et de l'analyse d'images, la taille de chaque tête de brocoli est prédite et les données sont entrées dans un modèle de croissance basé sur la température pour prédire la date de récolte optimale.

Après deux années d'expériences d'application sur le terrain, le système a estimé la taille des têtes de brocoli avec une grande précision et a prédit avec succès la date de récolte optimale sur la base de données pertinentes, ce qui peut réduire les pertes agricoles et augmenter les profits. Actuellement, les résultats pertinents ont été publiés dans « Plant Phenomics ».

Ce résultat a été publié dans « Plant Phenomics »

Lien vers l'article :

https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4

01 Modèle de croissance + Données de prix:6 étapes pour générer un modèle de prévision des bénéfices

Prenant le brocoli comme exemple, l’équipe de recherche a utilisé des drones pour obtenir des informations sur la taille des têtes (caractéristiques géométriques) de toutes les têtes de brocoli à différents moments de la période de croissance du brocoli. Ils ont ensuite établi un modèle de croissance simple entre la taille de la tête et les données de température, et l'ont combiné avec les données de prix obtenues grâce à des études de marché pour établir un modèle de prédiction des bénéfices pour la date de récolte optimale.

Cette méthode comprend principalement 6 étapes clés

Étape 1 : Vol du drone pour obtenir l'image originale

* Durée de l'expérience :2020-2021

* Lieu expérimental :Ferme expérimentale, Institut pour l'agriculture durable et les services écosystémiques (ISAS), Tokyo, Japon

* Matériel de photographie aérienne :DJI Mavic 2 Pro et DJI Phantom 4 RTK

* Données d'image :224 Go (2020) + 72 Go (2021)

DJI Phantom 4 RTK, Source de l'image : site officiel de DJI 

Étape 2 : Prétraitement des images aériennes (photogrammétrie)

Les chercheurs ont utilisé le logiciel professionnel de traitement d'images de drones Pix4DMapper Pro pour mesurer les images capturées par drone et prétraiter les données d'image via une reconstruction 3D. En utilisant les paramètres logiciels par défaut,Des orthocartes numériques (DOM) et des modèles numériques de surface (MSN) ont été générés.

La configuration informatique utilisée pour la reconstruction 3D est la suivante :

Processeur Intel i9-7980XE 2,6 GHz, 64 Go de RAM, 2 GPU NVIDIA GeForce GTX 1080Ti

Étape 3 : Détection des semis

Algorithme de détection : YOLO v5, algorithme NMS

Remarque : nom complet de l'algorithme NMS suppression non maximale, algorithme de suppression non maximale

Au stade de plantule, les chercheurs ont utilisé YOLO v5 pour détecter la position des têtes de brocoli et ont utilisé l'algorithme NMS pour fusionner les résultats de détection répétés dans la zone tampon.

Le point central de la zone de délimitation a ensuite été considéré comme l'emplacement du brocoli, et les résultats de détection ont été vérifiés et ajustés manuellement dans le système d'information géographique open source Quantum GIS pour garantir qu'aucune détection ne soit manquée ou dupliquée.

Flux de travail pour les tests de semis de brocoli

Étape 4 : Segmentation de la tête

Modèle de segmentation : BiSeNet v2

Processus de découpe des têtes de brocoli

Au cours de l'expérience, afin de réduire la charge de travail d'annotation et de traitement des données d'apprentissage en profondeur et d'éliminer l'influence de certains sols et mauvaises herbes,Les chercheurs ont utilisé la fusion de données de séries chronologiques comme guide.La zone de traitement a été réduite et seule une zone carrée autour du plant (environ 100 × 100 pixels, légèrement plus grande que la tête du brocoli) a été utilisée pour la segmentation de la tête du brocoli.

aussi,Les chercheurs ont également utilisé l’annotation interactive pour réduire la charge de travail liée à l’annotation des données.

Remarque : l’annotation interactive fait référence à l’utilisation d’une méthode intelligente basée sur un algorithme pour sélectionner des échantillons d’annotation afin de maximiser les performances du modèle d’apprentissage en profondeur et de réduire les coûts d’annotation.

Les chercheurs ont utilisé l’outil d’annotation d’images open source LabelMe.Un modèle de segmentation est formé sur une petite quantité de données de formation initiales étiquetées manuellement. Les images ont ensuite été sélectionnées au hasard et appliquées aux résultats de segmentation, qui ont été convertis au format LabelMe JSON à l'aide d'un script Python, et les étiquettes des nouvelles données de formation ont été ajustées manuellement.

Ce processus est répété jusqu’à ce que le résultat de la segmentation n’ait plus besoin d’être ajusté.

Étape 5 : Générer un modèle de croissance pour prédire la taille de la tête de brocoli (calcul de la taille)

Modèle de prédiction : modèle de régression non linéaire utilisé pour prédire la longueur de la tête de brocoli (HD) au fil du temps 

T est la somme des températures moyennes quotidiennes, avec une limite inférieure de 0°C et une limite supérieure de 20°C

a, b et c sont les paramètres à déterminer

Étape 6 : Générer un modèle de prévision des bénéfices

Sur la base d'enquêtes sur les prix du marché et combinées à des modèles de croissance, un modèle de prévision des bénéfices est généré.

02 Deux ans d'expériences sur le terrain, le modèle de segmentation fonctionne bien

Lors de la préparation des données de formation, nous prenons en compte la différence évidente entre les plants de brocoli verts et le sol brun.Les chercheurs n’ont sélectionné que 2 secteurs représentatifs comme images d’entraînement.

Exemple de détection de la position des semis de brocoli (2020) (AF) 

Instances de segmentation de la tête (GI) via l'annotation interactive

En guise de formation de données de départ, les chercheurs ont sélectionné au hasard une image aérienne de 2020 et y ont annoté environ 5 têtes de brocoli aussi simplement que possible, comme le montre la figure GI ci-dessus, et ont formé le modèle BiSeNet (v0) avec ces annotations.

Le modèle v0 a ensuite été appliqué à des images sélectionnées au hasard à partir de chaque relevé aérien, et les chercheurs ont ajusté manuellement les résultats de l'analyse et les ont enregistrés en tant que nouvelles données de formation pour le modèle v1. Cette étape est répétée de manière itérative jusqu’à ce que le modèle obtienne de meilleurs résultats de segmentation, formant ainsi le modèle v2.

Après 4 itérations, les performances du modèle ont été grandement améliorées, atteignant un IoU intermédiaire (Intersection sur Union) de 88,33 %.

De plus, pour vérifier l’exactitude des mesures de HD effectuées par drone, les chercheurs ont comparé les résultats avec les données de mesure manuelle sur site.

Comparaison des données de mesure des drones avec les données de mesure manuelle sur le terrain

Les résultats ont montré que la distribution globale des données sur la taille des têtes de brocoli était presque identique entre les deux, avec un coefficient de détermination R²≥0,57.Dans l’ensemble, les mesures effectuées par drone ont permis de caractériser avec précision la distribution haute définition du brocoli sur le champ.

03 Prédire la meilleure date de récolte à partir d'un modèle de régression non linéaire

Les chercheurs ont commencé les mesures par drone lorsque le diamètre de la tête de la fleur (HD) était d'environ 3 à 3,5 cm.

Pour obtenir la température normalisée T(0) pour le premier vol (HD est d'environ 9,5 cm), les chercheurs ont inversé le modèle précédent pour calculer T(0) à partir des données HD, comme le montre la figure ci-dessous. Ensuite, la température quotidienne et (Ti) pour les jours suivants (i) sont calculées et enfin le modèle est régressé.

Sur la base de ce modèle, les chercheurs ont calculé la taille des têtes de brocoli après le premier relevé aérien en utilisant T comme variable au fil du temps.

Illustration du traitement des données pour le modèle de prédiction de la taille des têtes de brocoli

Tous les chiffres sont donnés à titre d’exemple uniquement et ne constituent pas des résultats réels.

A : Diamètres mesurés sur le terrain à différentes dates ; la couleur claire a été utilisée comme date de départ, les têtes de brocoli mesurant environ 3 à 3,5 cm. T est la somme des températures moyennes quotidiennes. ΔTi est l'écart total de température.

B : Remodelez le tableau précédent en un tableau à 2 colonnes à utiliser dans l’analyse de régression présentée dans C.

D : Le modèle de régression précédent est utilisé pour initialiser T à partir de HD. T pour les jours suivants plus l'écart ΔTi.

E : Utilisez les données précédentes pour le modèle de prédiction de régression de T à HD.

Le revenu a été calculé à l'aide du diamètre de la capitule (HD) prédit par les drones, et le nombre d'individus par norme de taille a été compté à chaque date.

Enfin, le revenu total pour chaque date de récolte a été calculé en multipliant la quantité et le prix d’expédition pour chaque classe de taille.La date avec le revenu le plus élevé est sélectionnée comme date de récolte optimale.

04 Une légère différence dans la date de récolte peut entraîner une énorme différence de bénéfices pour les producteurs de légumes

Sur la base des modèles d’initialisation et de prédiction, l’équipe de recherche a calculé la distribution de toutes les tailles de brocoli pendant la période de récolte, puis a calculé la proportion de brocoli de taille non standard et le revenu total pour toutes les dates.

Dans l’expérience de 2020, le 23 mai était la date de récolte optimale, la date à laquelle la proportion de brocoli de taille non standard était minimisée et le revenu total maximisé. Lors de l’essai de 2021, le 17 mai a été identifié comme la date de récolte optimale.

Dans le même temps, les chercheurs ont constaté qu'un écart d'un jour par rapport à la date optimale de récolte pouvait entraîner une perte de revenu considérable, soit une réduction de 3,7% à 20,4%.

Répartition HD prévue dans les essais 2020 et 2021, ainsi que la proportion de brocoli de taille non standard et le revenu total, l'orange et le jaune étant la date de récolte optimale

De plus, cette étude a montré queLa proportion de brocolis de taille non standard et le revenu total ont changé rapidement avec la date de récolte.Par exemple, cueillir 1 jour plus tôt ou plus tard que la date de récolte optimale augmenterait la quantité de brocoli de taille non standard d’environ 5 % et réduirait le revenu total d’environ 20 %, tandis que cueillir 2 jours plus tard que la date de récolte optimale augmenterait la quantité de brocoli de taille non standard d’environ 15 % et réduirait le bénéfice total d’environ 40 %.

05 La technologie intelligente réforme le modèle de travail traditionnel

« La nourriture est la première nécessité du peuple, et l’agriculture est la source de nourriture. » L’importance de l’agriculture pour la société humaine n’a pas besoin d’être expliquée. Parallèlement, en tant que pilier important du développement social et économique, l’agriculture est également l’une des premières industries à s’engager dans une modernisation intelligente.Divers systèmes de détection des terres agricoles, des équipements d’irrigation intelligents et des équipements de récolte sans pilote ont commencé à travailler dur dans les champs.

En se concentrant sur l'application des drones dans l'agriculture, avec le développement continu de technologies telles que la 5G, la vision artificielle et le big data, ils sont également entrés dans les foyers des gens ordinaires.

Au début, les drones étaient principalement responsables des travaux de protection des plantes, et leur application plus efficace et uniforme d'engrais et de pesticides permettait d'économiser considérablement de la main-d'œuvre et du temps. Plus tard, la technologie de la photographie aérienne est devenue plus mature et son coût a diminué, ce qui lui a permis de susciter davantage d'intérêt dans l'agriculture. Des applications telles que l’inspection des terres agricoles par drone et la visualisation de la croissance des cultures sont devenues les points forts de la nouvelle agriculture.

Il est prévisible queÀ mesure que les technologies liées à l’IA continuent d’être mises en œuvre, des résultats plus avancés sortiront du laboratoire et entreront dans les terres agricoles, améliorant le mode de travail « face à la terre et dos au ciel ».

Liens de référence :

[1]https://spj.science.org/doi/10.34133/plantphenomics.0086#body-ref-B4