IA dans l’agriculture : vision par ordinateur, robots et balances pour les porcs

L’intelligence artificielle conquiert rapidement l’agriculture et l’industrie alimentaire.

Vision par ordinateur dans l’analyse des cultures

Pour nourrir des milliards de personnes, il faut beaucoup de terres. Il est impossible de les cultiver manuellement ces jours-ci. En même temps, les maladies des plantes et les invasions d’insectes entraînent souvent des échecs des cultures. Avec l’échelle moderne de l’entreprise agricole, de telles invasions sont difficiles à identifier et à neutraliser à temps.

Ceci introduit une autre zone où les algorithmes de vision par ordinateur peuvent aider. Les cultivateurs utilisent la vision par ordinateur pour reconnaître les maladies des cultures, à la fois au niveau micro, à partir d’images rapprochées de feuilles et de plantes, et au niveau macro, en identifiant les premiers signes de maladie des plantes ou de parasites à partir de la photographie aérienne. Ces projets sont généralement basés sur l’approche populaire de la vision par ordinateur : convolutional neural networks.

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 des plantes peuvent être étudiés de meilleure façon de différentes manières. 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 à haute résolution et est plus proche de l’imagerie médicale que des photographies. L’un des systèmes de surveillance de champ s’appelle AgMRI. Pour traiter ces données, des modèles spéciaux sont nécessaires, mais leur structure spatiale permet l’utilisation des technologies de vision par ordinateur modernes, en particulier les réseaux de neurones convolutionnels.

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 des plantes. Les résultats et les données peuvent être utilisés pour améliorer les technologies agricoles dans le monde entier.

Robotique dans l’agriculture

Les robots agricoles autonomes comme Prospero peuvent creuser un trou dans le sol et planter quelque chose dedans, en suivant des modèles généraux prédéterminés et en tenant compte des caractéristiques spécifiques du paysage. Les robots peuvent également prendre soin du processus de croissance, en travaillant avec chaque plante individuellement. Lorsque le moment est venu, les robots récolteront, en traitant chaque plante avec précision comme il se doit. Prospero est basé sur le concept d’agriculture en essaim. Imaginez une armée de petits Prospero rampant à travers les champs, laissant derrière eux des rangées de plantes propres et régulières. Il est intéressant de noter que Prospero est apparu dès 2011, avant l’essor de la révolution de l’apprentissage profond moderne. Aujourd’hui, les robots se répandent rapidement dans l’agriculture, permettant d’automatiser de plus en plus de tâches routinières :

• Les drones automatisés pulvérisent les cultures. Les petits drones agiles peuvent 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. Cependant, ce n’est qu’avec l’aide des méthodes modernes de vision par ordinateur et de robotique qu’il a été possible de développer, par exemple, un robot qui cueille les fraises.
• Les robots comme Hortibot sont capables de reconnaître et de tuer des mauvaises herbes individuelles en les supprimant mécaniquement. C’est un autre grand succès de la robotique et de la vision par ordinateur moderne, car 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 l’apprentissage automatique, l’IA et la robotique peuvent fonctionner bien dans l’agriculture. Il peut être prédit en toute sécurité que de plus en plus de travail agricole sera automatisé dans un avenir proche.

Soins aux animaux de ferme

De nombreuses autres façons d’utiliser l’IA dans l’agriculture sont actuellement en développement. Par exemple, un projet pilote de Neuromation apporte la vision par ordinateur à une industrie qui n’a pas reçu beaucoup d’attention de la part de la communauté de l’apprentissage profond jusqu’à présent : l’élevage.

Il y a eu, bien sûr, des tentatives d’utiliser l’apprentissage automatique sur les données de suivi du bétail. Par exemple, la startup pakistanaise Cowlar a présenté un collier qui surveille à distance l’activité et la température des vaches sous le slogan accrocheur « FitBit pour vaches ». Les scientifiques français développent une reconnaissance faciale pour les vaches.

Il y a également des tentatives d’utiliser la vision par ordinateur dans une industrie précédemment négligée d’une valeur de plusieurs centaines de milliards de dollars – l’élevage porcin. Dans les fermes modernes, les porcs sont gardés 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 agriculteurs seraient probablement capables de résoudre ce problème s’ils avaient des informations détaillées sur le gain de poids des porcs. Selon ce site, les animaux ne sont généralement pesés que deux fois dans leur vie : au tout début et à la toute fin de l’engraissement. Si les experts savaient comment chaque porcelet s’engraissait, il serait possible d’établir un programme d’engraissement individuel pour chaque porc, et même une composition individuelle de suppléments alimentaires, ce qui améliorerait considérablement le rendement. Il n’est pas très difficile de conduire les animaux sur les balances, mais cela constitue 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 pesage 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 intégrées dans les modèles d’apprentissage automatique 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 à l’ancienne. Aujourd’hui, cependant, l’agriculture apparaît de plus en plus à la pointe de l’intelligence artificielle.

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

• Assez complexes pour ne pas pouvoir être automatisées sans l’utilisation de l’intelligence artificielle et de l’apprentissage profond modernes. Les plantes cultivées et les porcs, bien que similaires les uns aux autres, n’ont pas quitté la même chaîne de montage, chaque buisson de tomates et chaque porc nécessite une approche individuelle, et donc, jusqu’à très récemment, l’intervention humaine était absolument nécessaire.
• Assez simples pour que, avec le développement actuel de l’intelligence artificielle, nous puissions les résoudre, en tenant compte des différences individuelles entre les plantes et les animaux, tout en automatisant les technologies pour travailler avec eux. Conduire un tracteur dans un champ ouvert est plus facile que conduire une voiture dans la circulation, et peser un porc est plus facile que d’apprendre à passer le test de Turing.

L’agriculture est toujours l’une des plus grandes et des plus importantes industries de la planète, et même une petite augmentation de l’efficacité apportera des gains énormes simplement en raison de l’échelle de cette industrie.