8 applications pratiques de l’IA en agriculture

De la détection automatisée des ravageurs et des maladies des plantes à la pulvérisation intelligente et au tri des produits, voici comment la vision par ordinateur transforme le secteur de l'alimentation et de l'agriculture.

Il ne fait aucun doute que les rendements, la qualité et les pratiques de travail des cultures sont plus efficaces aujourd’hui qu’ils ne l’étaient il y a 500 ou même 50 ans.

Cependant, il y a toujours un besoin majeur (et un champ ) d’améliorations.

La population humaine mondiale explose, avec environ 9,9 milliards d’entre nous sur la planète d’ici 2050 et avec une demande alimentaire qui devrait bondir de 35 % à 56 % pendant cette période. Sans parler des changements climatiques qui raréfient les ressources comme l’eau et les terres cultivables.

Heureusement, la technologie nous offre encore une autre solution : l’IA.

De l’exploitation de la technologie de vision par ordinateur pour la surveillance des cultures et des sols à la détection des maladies et à l’analyse prédictive, l’industrie agricole entre dans une toute nouvelle phase d’évolution, grâce à l’IA.

Non seulement il y a du potentiel, mais aussi un intérêt et des investissements en croissance rapide :

  • Forbes rapporte que les dépenses mondiales consacrées à l’agriculture “intelligente”, y compris l’IA et l’apprentissage automatique, devraient tripler pour atteindre 15,3 milliards de dollars d’ici 2025.
  • Les recherches suggèrent que la taille du marché de l’IA dans l’agriculture devrait s’attendre à un taux de croissance annuel composé (TCAC) de 20 %, atteignant 2,5 milliards de dollars d’ici 2026.

Et ce n’est que la pointe de l’iceberg !

Dans cet article, nous examinerons certaines des technologies d’IA les plus prometteuses qui transforment le secteur agricole.

Voici ce que nous couvrirons :

  1. Surveillance des cultures et des sols
  2. Détection des insectes et des maladies des plantes
  3. Surveillance de la santé du bétail
  4. Pulvérisation intelligente
  5. Désherbage automatique
  6. Relevé aérien et imagerie
  7. Classement et tri des produits
  8. L’avenir de l’IA dans l’agriculture : les agriculteurs en tant qu’ingénieurs en IA ?

Si vous souhaitez en savoir plus sur les applications d’IA dans d’autres secteurs, consultez :

  1. 7 cas d’utilisation de l’IA qui sauvent des vies dans le secteur de la santé
  2. 6 applications d’IA qui façonnent l’avenir du commerce de détail
  3. 7 applications d’IA qui changent la donne dans l’industrie du sport
  4. 6 cas d’utilisation viables de l’IA dans l’assurance

Surveillance des cultures et des sols

Commençons à partir de zéro.

Les micro et macronutriments du sol sont des facteurs critiques pour la santé des cultures ainsi que pour la quantité et la qualité du rendement.

Ensuite, une fois les cultures en terre, le suivi des stades de croissance est également essentiel pour optimiser l’efficacité de la production. Il est essentiel de comprendre les interactions entre la croissance des cultures et l’environnement afin de procéder à des ajustements pour améliorer la santé des cultures.

Or, traditionnellement, la qualité du sol et la santé des cultures étaient déterminées par l’observation et le jugement humains. Mais cette méthode n’est ni précise ni opportune.

Au lieu de cela, nous pouvons désormais utiliser des drones (UAV) pour capturer des données d’images aériennes et former des modèles de vision par ordinateur pour les utiliser pour une surveillance intelligente des conditions des cultures et des sols.

L’IA de détection visuelle peut analyser et interpréter ces données pour :

  • suivre la santé des cultures
  • faire des prévisions de rendement précises.
  • détecter la malnutrition des cultures beaucoup plus rapidement que les humains

Les modèles d’IA peuvent informer les agriculteurs de problèmes spécifiques afin qu’ils puissent prendre des mesures immédiates. 

Examinons maintenant quelques exemples concrets de la façon dont la vision par ordinateur aide à maintenir leurs cultures en bonne santé et productives.  

Observer la maturité des cultures

L’observation manuelle des stades de croissance des épis de blé est exactement le type de processus à forte intensité de main-d’œuvre que l’IA peut aider dans l’agriculture de précision.

Les chercheurs y sont parvenus en collectant des images de blé à différents stades « d’épiaison » sur trois ans et sous différents éclairages, ce qui leur a permis de créer un « mécanisme de détection d’épi de blé grossier à fin en deux étapes ».

Ce modèle de vision par ordinateur a alors été en mesure de surpasser l’observation humaine en identifiant avec précision les stades de croissance du blé, ce qui signifie que les agriculteurs n’avaient plus à faire des randonnées quotidiennes dans les champs pour examiner leur récolte.

Ou imaginez devoir vérifier manuellement la maturité des tomates à un niveau industriel. Bien.. 

L’IA peut également vous aider !

Une autre étude a examiné dans quelle mesure la vision par ordinateur peut détecter la maturité des tomates. Les chercheurs ont créé un algorithme qui a analysé la couleur de cinq parties différentes de la tomate, puis a fait des estimations de maturité sur la base de ces données.

Comment ça s’est passé ?

Étonnamment bien ! L’algorithme a atteint un taux de détection et de classification réussi de 99,31 %.

Surveiller et estimer la croissance et la maturité des cultures est un travail difficile et à forte intensité de main-d’œuvre pour les agriculteurs. Mais l’IA s’avère capable de gérer une grande partie de ce travail avec une facilité et une précision impressionnantes.

Frapper le sol avec la vision par ordinateur

Pour en revenir à l’importance du sol, une autre étude a tenté de voir dans quelle mesure la vision par ordinateur peut caractériser la texture du sol et la matière organique du sol (MOS).

Habituellement, l’évaluation du sol oblige les agriculteurs à déterrer des échantillons et à les apporter à un laboratoire pour une analyse chronophage et énergétique. Au lieu de cela, les chercheurs ont décidé de voir si les données d’image d’un microscope portable peu coûteux pouvaient être utilisées pour entraîner un algorithme à faire la même chose.

Effectivement, le modèle de vision par ordinateur a réussi à faire des estimations de teneur en sable et de SOM avec une précision comparable à un traitement coûteux en laboratoire.

Ainsi, non seulement la vision par ordinateur peut éliminer une grande partie du travail manuel difficile impliqué dans la surveillance des cultures et des sols, mais dans de nombreux cas, elle le fait plus efficacement que les humains.

Détection des insectes et des maladies des plantes

Nous avons vu comment la vision par ordinateur de l’IA peut détecter et analyser la maturité des cultures et la qualité des sols, mais qu’en est-il des conditions agricoles qui sont moins prévisibles ?

Grâce à la technologie de reconnaissance d’images basée sur l’apprentissage en profondeur , nous pouvons désormais automatiser la détection des maladies et des ravageurs des plantes. Cela fonctionne en utilisant des méthodes de classification , de détection et de segmentation d’images pour créer des modèles qui peuvent «garder un œil» sur la santé des plantes.

Jetez un oeil à comment cela fonctionne:

Éloigner les pommes pourries (diagnostiquer la gravité de la maladie) 

Un bon exemple de cela en action vient d’une étude sur la pourriture noire des pommes (que nous préférerions probablement tous à nos pommes !).

Les chercheurs ont formé un réseau de neurones à convolution profonde à partir d’images de pourriture noire du pommier annotées par des botanistes selon quatre stades majeurs de gravité.

Comme pour nos exemples précédents, l’alternative à la vision par ordinateur nécessite beaucoup de recherche et d’évaluation humaines à forte intensité de main-d’œuvre. Heureusement pour les agriculteurs, le modèle d’IA de cette étude a pu identifier et diagnostiquer la gravité de la maladie avec une précision de 90,4 % !

Les chercheurs d’ une autre étude sont allés encore plus loin en utilisant un algorithme YOLO v3 amélioré pour détecter plusieurs maladies et ravageurs sur les plants de tomates.

Armés d’un appareil photo numérique et d’un smartphone, les chercheurs ont pris des photos dans des serres de tomates locales et ont identifié 12 cas différents de maladies ou de ravageurs.

Une fois que le modèle a été formé à l’aide des images, qui variaient en résolution et en taille de l’objet présenté, il a atteint une précision de détection des maladies et des ravageurs de 92,39 % avec un temps de détection de seulement 20,39 ms.

Pas trop mal!

Trouver des bogues avec du code

Et disons que vous aimeriez savoir non seulement si vos cultures ont des parasites, mais combien il y en a, les systèmes de vision par ordinateur pour la détection des insectes couvrent également cela.

Avons-nous mentionné que cela fonctionne aussi pour les insectes volants ?

Ce ne sont certainement pas les plus amusants à capturer et à compter à la main.

Les chercheurs ont d’abord installé un piège collant pour capturer six espèces différentes d’insectes volants et collecter des images en temps réel. Ils ont ensuite basé la méthode de détection et de comptage grossier sur la détection d’objets YOLO, et la classification et le comptage fin sur des machines à vecteurs de support (SVM) utilisant des fonctionnalités globales.

En fin de compte, leur modèle de vision par ordinateur était capable d’identifier les abeilles, les mouches, les moustiques, les papillons de nuit, les hannetons et les mouches des fruits avec une précision de 90,18 % et de les compter avec une précision de 92,5 %.

Ces études montrent que l’avenir de la vision par ordinateur de l’IA pour surveiller la santé de nos systèmes alimentaires est prometteur. Non seulement cela peut réduire les inefficacités de la main-d’œuvre, mais cela peut le faire sans sacrifier la fiabilité des observations.

Surveillance de la santé du bétail

Jusqu’à présent, nous nous sommes concentrés principalement sur les plantes, mais l’agriculture ne se limite pas au blé, aux tomates et aux pommes.

Les animaux sont une autre composante majeure de nos systèmes agricoles, et ils ont tendance à avoir besoin d’un peu plus de suivi que les plantes. La vision par ordinateur peut-elle suivre les vaches, les poulets et les cochons en déplacement ?

Eh bien, s’il peut suivre une mouche, il peut certainement suivre une vache.

Découvrez ci-dessous comment l’un des utilisateurs de V7 – les données d’entraînement de CattleEye permettent de suivre et d’annoter le bétail à l’aide de cadres de délimitation et de points clés.

CattleEye est un excellent exemple d’une entreprise axée sur l’IA dans le secteur agricole. Ils utilisent des caméras aériennes et des algorithmes de vision par ordinateur pour surveiller la santé et le comportement du bétail.

Cela signifie que la détection d’un problème ne dépend pas de la présence d’un éleveur de bétail juste à côté de la vache. Au lieu de cela, le bétail peut être suivi et surveillé à distance et en temps réel afin que les agriculteurs puissent être avertis dès qu’un problème est observé.

Bien sûr, cela ne se limite pas aux bovins. La vision par ordinateur peut également :

  • Comptez les animaux, détectez les maladies, identifiez les comportements inhabituels et surveillez les activités importantes telles que l’accouchement.
  • Collectez les données des caméras et des drones (UAV).
  • Combinez avec d’autres technologies pour tenir les agriculteurs informés sur la santé animale et l’accès à la nourriture ou à l’eau.

Les algorithmes sont formés pour examiner les données vidéo et déterminer ce que font les poulets – s’ils boivent, mangent, dorment ou font quelque chose d’étrange qui peut indiquer une maladie ou des problèmes de comportement.

Pulvérisation intelligente

Nous avons vu que la vision par ordinateur est efficace pour repérer les troubles dans l’agriculture, mais elle peut également aider à les prévenir.

Les drones équipés d’IA de vision par ordinateur permettent d’automatiser la pulvérisation de pesticides ou d’engrais de manière uniforme sur un champ.

Grâce à la reconnaissance en temps réel des zones de pulvérisation ciblées, les pulvérisateurs UAV sont capables de fonctionner avec une grande précision à la fois en termes de zone et de quantité à pulvériser. Cela réduit considérablement le risque de contamination des cultures, des humains, des animaux et des ressources en eau.

Bien que le potentiel ici soit grand, certains défis existent encore actuellement. Par exemple, la pulvérisation d’un grand champ est beaucoup plus efficace avec plusieurs drones, mais l’attribution de séquences de tâches et de trajectoires de vol spécifiques à des engins individuels peut être délicate.

Mais cela ne signifie pas que c’est fini pour la pulvérisation intelligente.

Des chercheurs de Virginia Tech ont mis au point un système de pulvérisation intelligent basé sur des pulvérisateurs à servomoteur qui utilisent la vision par ordinateur pour détecter les mauvaises herbes. Une caméra montée sur le pulvérisateur enregistre la géolocalisation des mauvaises herbes et analyse la taille, la forme et la couleur de chaque plante embêtante afin de délivrer des quantités précises d’herbicide avec un ciblage précis. 

En d’autres termes, c’est une sorte de désherbant. Mais contrairement au Terminator, la précision du système de vision par ordinateur lui permet de pulvériser avec une telle précision qu’il parvient à éviter les dommages collatéraux aux cultures ou à l’environnement.

Désherbage automatique

Les pulvérisateurs intelligents ne sont pas la seule IA à se lancer dans le désherbage… euh, le désherbage. Il existe d’autres robots de vision par ordinateur qui adoptent une approche encore plus directe pour éliminer les plantes indésirables. 

Maintenant, repérer une mauvaise herbe de la même manière que la vision par ordinateur peut repérer un insecte ou un poulet au comportement étrange n’élimine pas vraiment beaucoup de travail pour l’agriculteur. Pour être encore plus utile, l’IA doit à la fois trouver et éliminer la mauvaise herbe.
Être capable d’éliminer physiquement les mauvaises herbes permet non seulement à l’agriculteur d’économiser beaucoup de travail, mais réduit également le besoin d’herbicides et rend ainsi l’ensemble de l’exploitation agricole beaucoup plus écologique et durable.

Des robots dans les mauvaises herbes

Heureusement, la détection d’objets peut faire un excellent travail pour identifier les mauvaises herbes et les distinguer des cultures. Cependant, le véritable pouvoir vient lorsque les algorithmes de vision par ordinateur sont combinés à l’apprentissage automatique pour construire des robots qui effectuent un désherbage automatique.

Tout cela présente assez bien BoniRob , un robot agricole qui utilise la technologie de caméra et de reconnaissance d’image pour trouver les mauvaises herbes et les enlever en enfonçant un boulon dans la terre.

Il apprend à faire la distinction entre les mauvaises herbes et les cultures grâce à la formation d’images sur la taille, la forme et la couleur des feuilles. De cette façon, BoniRob peut parcourir un champ en éliminant les plantes indésirables sans risquer de détruire quoi que ce soit de valeur.

Et pendant que nos amis IA sont de toute façon sur le terrain, il y a peut-être d’autres travaux qu’ils pourraient faire.

Un groupe de scientifiques travaille à en faire une réalité avec des conceptions de robots agricoles qui détectent les mauvaises herbes ainsi que la teneur en humidité du sol.

De cette façon, il peut se déplacer dans un champ, enlevant les mauvaises herbes et délivrant des quantités appropriées d’eau au sol au fur et à mesure.

Les résultats expérimentaux de ce système montrent que sa classification des plantes et ses taux de désherbage sont tous deux égaux ou supérieurs à 90 %, tout en maintenant la teneur en humidité du sol profond à 80 ± 10 %.

Les robots agricoles basés sur l’IA développent tout un CV !

Relevé aérien et imagerie

À ce stade, il n’est probablement pas surprenant que la vision par ordinateur ait également des applications formidables pour l’arpentage des terres et la surveillance des cultures et du bétail.

Mais cela ne le rend pas moins important pour l’agriculture intelligente.

L’IA peut analyser les images des drones et des satellites pour aider les agriculteurs à surveiller les cultures et les troupeaux. De cette façon, ils peuvent être avertis immédiatement si quelque chose semble anormal sans avoir à observer constamment les champs eux-mêmes.

L’imagerie aérienne est également utile pour augmenter la précision et l’efficacité de la pulvérisation de pesticides. Comme mentionné précédemment, s’assurer que les pesticides ne vont que là où ils sont destinés permet d’économiser de l’argent ainsi que l’environnement environnant.

Classement et tri des produits

Enfin, la vision par ordinateur de l’IA peut continuer à aider les agriculteurs même une fois que les récoltes ont été récoltées.

Tout comme ils sont capables de repérer les défauts, les maladies et les ravageurs au fur et à mesure que les plantes poussent, les algorithmes d’imagerie peuvent également être utilisés pour trier les «bons» produits des défectueux ou tout simplement laids.

En inspectant les fruits et légumes pour en déterminer la taille, la forme, la couleur et le volume, la vision par ordinateur peut automatiser le processus de tri et de classement avec des taux de précision et une vitesse beaucoup plus élevés que même un professionnel qualifié.

Produit parfait

Prenez le tri des carottes, par exemple.

C’est laborieux et généralement fait à la main. Cependant, les chercheurs ont développé un système de tri automatisé qui utilise la vision par ordinateur pour sélectionner les carottes qui présentent des défauts de surface ou qui n’ont pas la forme et la longueur correctes.

Une « bonne » carotte est donc celle qui a la bonne forme (un « polygone convexe ») et qui ne contient pas de racines fibreuses ni de fissures superficielles.

Sur ces trois critères, le modèle de vision par ordinateur a pu trier et classer les carottes avec des taux de précision de 95,5 %, 98 % et 88,3 %, respectivement.

De plus, nous ramenant à la tomate classique, une autre étude a révélé que l’IA avec apprentissage automatique était capable d’ utiliser des données d’image avec sept caractéristiques d’entrée pour évaluer la qualité de la tomate avec une précision de 95,5 %.

Dans les deux cas, la quantité de travail manuel laborieux économisé est énorme. Et tout cela grâce à un peu de formation à l’IA sur ce à quoi ressemble une “bonne” carotte ou tomate.

L’avenir de l’IA dans l’agriculture : les agriculteurs en tant qu’ingénieurs en IA ?

Tout au long de l’histoire humaine, la technologie a longtemps été utilisée dans l’agriculture pour améliorer l’efficacité et réduire la quantité de travail humain intensif impliqué dans l’agriculture. Des charrues améliorées à l’irrigation, des tracteurs à l’IA moderne, c’est une évolution que les humains et l’agriculture ont subie depuis l’invention de l’agriculture.

La disponibilité croissante et de plus en plus abordable de la vision par ordinateur est appelée à devenir une autre étape importante dans ce domaine.

Avec des changements considérables qui se produisent dans notre climat, notre environnement et nos besoins alimentaires mondiaux, l’IA a la capacité de transformer l’agriculture du 21e siècle en :

  • Accroître l’efficacité du temps, du travail et des ressources.
  • Améliorer la durabilité environnementale.
  • Rendre l’allocation des ressources « plus intelligente ».
  • Fournir une surveillance en temps réel pour promouvoir une meilleure santé et qualité des produits.

Bien sûr, cela nécessitera quelques changements dans l’industrie agricole. Les connaissances des agriculteurs sur leur « domaine » devront être traduites en formation à l’IA, et cela dépendra d’investissements techniques et éducatifs plus importants dans le secteur agricole.

Mais encore une fois, l’innovation et l’adaptation ne sont pas nouvelles en agriculture. La vision par ordinateur et la robotique agricole ne sont que les derniers moyens par lesquels les agriculteurs peuvent adopter de nouvelles technologies pour répondre à la demande alimentaire mondiale croissante et accroître la sécurité alimentaire.

Si vous souhaitez en savoir plus sur les applications d’IA dans d’autres secteurs, consultez :

  1. 7 cas d’utilisation de l’IA qui sauvent des vies dans le secteur de la santé
  2. 6 applications innovantes de l’intelligence artificielle en dentisterie
  3. 7 applications d’IA qui changent la donne dans l’industrie du sport
  4. 6 cas d’utilisation viables de l’IA dans l’assurance
  5. 7 applications d’IA prêtes à l’emploi dans la construction
  6. 9 applications d’IA révolutionnaires dans les transports
  7. 7 applications prêtes à l’emploi de l’IA dans la fabrication
  8. 6 applications d’IA qui façonnent l’avenir du commerce de détail
  9. L’IA dans la chaîne d’approvisionnement et la logistique [20+ applications pratiques]
  10. 7 applications pratiques de l’IA au gouvernement