Identification du stress des cultures de pommes de terre dans des images aériennes par détection d'objets basée sur le deep learning

Une recherche récente sur l'application de la télédétection et de l'analyse basée sur les réseaux de neurones profonds en agriculture de précision a démontré un potentiel pour améliorer la gestion des cultures tout en réduisant les impacts environnementaux de la production agricole. Malgré les résultats prometteurs, la pertinence pratique de ces technologies pour un déploiement sur le terrain nécessite des algorithmes innovants, spécifiquement conçus pour l'analyse d'images agricoles et robustes face à la variabilité des images de champs naturels. Ce papier présente une approche d'analyse d'images aériennes de cultures de pommes de terre (Solanum tuberosum L.) basée sur des réseaux de neurones profonds. L'objectif principal est de démontrer la reconnaissance automatisée, au niveau individuel des plantes, entre les plantes saines et celles en stress. Plus précisément, nous examinons le phénomène d'ancienneté prématurée des plantes, résultant d'un stress hydrique chez les pommes de terre Russet Burbank. Nous proposons un nouveau modèle d'apprentissage profond (DL), nommé Retina-UNet-Ag, destiné à la détection du stress des cultures. Cette architecture, qui constitue une variante de Retina-UNet, intègre des connexions provenant des cartes de représentation sémantique de bas niveau vers le réseau pyramidale de caractéristiques. Le papier introduit également un nouveau jeu de données d'images aériennes de champs, acquises à l'aide d'une caméra Parrot Sequoia. Ce jeu de données comprend des boîtes englobantes annotées manuellement pour les régions de plantes saines et celles en stress. La validation expérimentale a permis de montrer la capacité à distinguer efficacement les plantes saines des plantes en stress dans des images de terrain, atteignant un score moyen de coefficient de Dice (DSC) de 0,74. Une comparaison avec des modèles d'apprentissage profond de pointe pour la détection d'objets a confirmé l'efficacité de l'approche proposée pour cette tâche. La méthode présentée contribue ainsi au diagnostic et à la reconnaissance du stress des cultures de pommes de terre à partir d'images aériennes recueillies dans des conditions naturelles.