L'IA dans l'agriculture : vision par ordinateur, robots et balances pour porcs

L'intelligence artificielle conquiert rapidement l'agriculture et l'industrie agroalimentaire.

Vision par ordinateur dans l'analyse des cultures

Pour nourrir des milliards de personnes, il faut beaucoup de terres. Il est impossible de le cultiver manuellement de nos jours. Dans le même temps, les maladies des plantes et les invasions d'insectes entraînent souvent de mauvaises récoltes. Avec l'échelle moderne de l'activité agricole, de telles invasions sont difficiles à identifier et à neutraliser dans l'œuf à temps.

Cela introduit un domaine supplémentaire dans lequel les algorithmes de vision par ordinateur peuvent aider. Les producteurs utilisent la vision par ordinateur pour reconnaître les maladies des cultures, à la fois au niveau micro, à partir d'images rapprochées des feuilles et des plantes, et au niveau macro, en identifiant les premiers signes de maladies des plantes ou de ravageurs à partir de photographies aériennes. Ces projets sont généralement basés sur l’approche populaire de la vision par ordinateur : réseaux de neurones convolutifs.

Notez que je parle ici de vision par ordinateur dans un sens très large. Dans de nombreux cas, les images ne sont pas la meilleure source de données. De nombreux aspects importants de la vie végétale peuvent être mieux étudiés par d'autres moyens. La santé des plantes peut souvent être mieux comprise, par exemple en collectant des images hyperspectrales avec des capteurs spéciaux ou en effectuant un balayage laser 3D. De telles méthodes sont de plus en plus utilisées en agronomie. Ce type de données est généralement de haute résolution et se rapproche davantage de l'imagerie médicale que des photographies. L'un des systèmes de surveillance sur le terrain s'appelle AgIRM. Pour traiter ces données, des modèles spéciaux sont nécessaires, mais leur structure spatiale permet l'utilisation des technologies modernes de vision par ordinateur, en particulier les réseaux de neurones convolutifs.

Des millions sont investis dans la recherche sur le phénotypage et l'imagerie des plantes. La tâche principale ici est de collecter de grands ensembles de données sur les cultures (généralement sous forme de photographies ou d'images tridimensionnelles) et de comparer les données phénotypiques avec le génotype de la plante. Les résultats et les données peuvent être utilisés pour améliorer les technologies agricoles dans le monde entier.

Robotique dans l'agriculture

Des robots agricoles autonomes comme Prospero peut creuser un trou dans le sol et y planter quelque chose, en suivant des schémas généraux prédéterminés et en tenant compte des spécificités du paysage. Les robots peuvent également prendre en charge le processus de croissance, en travaillant avec chaque plante individuellement. Lorsque le moment sera venu, les robots récolteront, traitant à nouveau chaque plante exactement comme il se doit. Prospero est basé sur le concept de l'élevage en essaim. Imaginez une armée de petits Prospero rampant à travers les champs en laissant des rangées de plantes soignées et régulières dans leur sillage. Fait intéressant, Prospero est en fait apparu en 2011, avant l'apogée de la révolution moderne de l'apprentissage en profondeur. Aujourd'hui, les robots se répandent rapidement dans l'agriculture, vous permettant d'automatiser de plus en plus de tâches routinières :

• Des drones automatisés pulvérisent les cultures. Les petits drones agiles sont capables de livrer des produits chimiques dangereux avec plus de précision que les avions conventionnels. De plus, les drones pulvérisateurs peuvent être utilisés pour la photographie aérienne afin d'obtenir des données pour les algorithmes de vision par ordinateur mentionnés au début de cet article.
• De plus en plus de robots spécialisés pour la récolte sont développés et utilisés. Les moissonneuses-batteuses existent depuis longtemps. Pourtant, ce n'est que maintenant, à l'aide de méthodes modernes de vision par ordinateur et de robotique, qu'il a été possible de développer, par exemple, un robot qui cueille des fraises.
• Des robots comme Hortibot sont capables de reconnaître et de tuer les mauvaises herbes individuelles en les éliminant mécaniquement. C'est un autre grand succès de la robotique moderne et de la vision par ordinateur car auparavant, il était impossible de distinguer les mauvaises herbes des plantes utiles et de travailler avec de petites plantes à l'aide de manipulateurs.

Alors que de nombreux robots agricoles sont encore des prototypes ou sont testés à petite échelle, il est déjà clair que le ML, l'IA et la robotique peuvent bien fonctionner dans l'agriculture. On peut prédire avec certitude que de plus en plus de travaux agricoles seront automatisés dans un proche avenir.

S'occuper des animaux de la ferme

De nombreuses autres façons d'utiliser l'IA dans l'agriculture sont activement développées. Par exemple, un projet pilote de Neuromation apporte la vision par ordinateur à une industrie qui n'a pas encore reçu beaucoup d'attention de la part de la communauté de l'apprentissage en profondeur : l'élevage.

Il y a bien sûr eu des tentatives pour utiliser l’apprentissage automatique sur les données de suivi du bétail. Par exemple, Start-up pakistanaise Cowlar introduit un collier qui surveille à distance l'activité et la température des vaches sous le slogan accrocheur "FitBit for Cows". Des scientifiques français développent la reconnaissance faciale pour les vaches.

Il existe également des tentatives d'utilisation de la vision par ordinateur dans une industrie auparavant négligée valant des centaines de milliards de dollars - l'élevage porcin. Dans les fermes modernes, les porcs sont élevés en groupes relativement petits, dans lesquels les animaux les plus similaires sont sélectionnés. Le coût principal de la production porcine est la nourriture, et l'optimisation du processus d'engraissement est la tâche centrale de la production porcine moderne.

Les éleveurs seraient probablement en mesure de résoudre ce problème s'ils disposaient d'informations détaillées sur le gain de poids des porcs. Selon sur ce site, les animaux ne sont généralement pesés que deux fois au cours de leur vie : au tout début et à la toute fin de l'engraissement. Si les experts savaient comment chaque porcelet grossit, il serait possible d'établir un programme d'engraissement individuel pour chaque porc, et même une composition individuelle d'additifs alimentaires, ce qui améliorerait considérablement le rendement. Il n'est pas très difficile de conduire les animaux sur la balance, mais c'est un stress énorme pour l'animal, et les porcs perdent du poids à cause du stress. Le nouveau projet d'IA prévoit de développer une nouvelle méthode non invasive de pesée des animaux. Neuromation va construire un modèle de vision par ordinateur qui estimera le poids des porcs à partir des données photo et vidéo. Ces estimations seront introduites dans les modèles d'apprentissage automatique analytiques déjà classiques qui amélioreront le processus d'engraissement.

L'agriculture à la frontière de l'intelligence artificielle

L'agriculture et l'élevage sont souvent considérés comme des industries démodées. Aujourd'hui, cependant, l'agriculture apparaît de plus en plus à la pointe de l'intelligence artificielle.

La principale raison ici est que de nombreuses tâches dans l'agriculture sont simultanément :

• Suffisamment complexes pour qu'ils ne puissent être automatisés sans l'utilisation de l'intelligence artificielle moderne et de l'apprentissage en profondeur. Les plantes cultivées et les porcs, bien que similaires les uns aux autres, ne sortaient toujours pas de la même chaîne de montage, chaque buisson de tomates et chaque porc a besoin d'une approche individuelle, et donc, jusqu'à très récemment, l'intervention humaine était absolument nécessaire.
• Ces problèmes sont si simples qu'avec le développement actuel de l'intelligence artificielle, nous pouvons les résoudre en tenant compte des différences individuelles entre les plantes et les animaux, tout en automatisant les technologies qui les accompagnent. Conduire un tracteur en plein champ est plus facile que conduire une voiture dans la circulation, et peser un cochon est plus facile qu'apprendre à passer le contrôle technique. Test de Turing.

L'agriculture est toujours l'une des industries les plus importantes et les plus importantes de la planète, et même une infime augmentation de l'efficacité apportera des gains énormes simplement en raison de l'ampleur même de cette industrie.