Il y a 3 années
2537 Le secteur de la viticulture doit faire face à de profonds bouleversements. Attentes environnementales grandissantes, pénurie de main d’œuvre, pénibilité des tâches et tractoristes moins présents que dans d'autres cultures, commence alors à émerger l'idée d'une viticulture plus automatique et de plus haute précision.
Pour y parvenir, le recours aux nouvelles technologies est une évidence et l'une d'entre elle fait particulièrement parler d'elle en ce moment. C'est l'intelligence artificielle !
Dans cet article vous découvrirez comment le couplage vision par ordinateur et intelligence artificielle peut améliorer considérablement le suivi de la vigne. Grâce à des caméras embarquées sur les tracteurs et les enjambeurs, il est désormais possible de surveiller et de détecter des maladies, d'établir des prévisions de rendement par le comptage des grappes ou des fruits, d'analyser le stade de maturité des fruits, voire même de rendre les engins autonomes.
Toutes ces possibilités ne sont plus uniquement réservées aux drones ou aux satellites. Beaucoup plus simples et plus accessibles, les caméras installées directement sur les engins se faufilent dans les rangs pour capturer des images ou des vidéos au plus près de la plante pour des actions menées à l'échelle de la parcelle.
Guidage automatique, actions ciblées au centimètre près, prévision de rendement.Bienvenue dans la viticulture de précision !
Mais avant de nous pencher sur le potentiel terrain apporté par l'IA, il est essentiel d'en comprendre les principes. Qu'est-ce que le Deep Learning et comment la vision par ordinateur améliorent considérablement la surveillance de la vigne ?
La vision par ordinateur et Deep Learning en viticulture : ces technologies qui révolutionnent la surveillance de la vigne
L’Intelligence Artificielle et le Deep Learning s’immiscent de plus en plus dans notre quotidien. Sans forcément nous en rendre compte, nous interagissons presque tous les jours avec ce type de technologie. De Siri, à Cortana, en passant par les traductions en temps réel de Google, le recours à l'IA et les programmes d’apprentissage approfondis sont utilisés par des dizaines d’applications présentes dans la plupart de nos téléphones portables.
Qu'est-ce que le Deep Learning
Le terme d’Intelligence Artificielle réside dans le fait de donner de l’autonomie à un ordinateur. Elle regroupe une importante diversité de branches parmi lesquelles se trouve le Deep Learning (ou apprentissage profond en français).
Le Deep Learning s'appuie sur l'utilisation d'un réseau de neurones artificiels composé de nombreuses couches cachées qui lui permette de traiter de grandes quantités de données.
Ces réseaux de neurones profonds qui fonctionnent comme le cerveau humain sont capables de décortiquer un problème et d'intégrer de nouvelles informations. Les connexions entre les neurones s'étendent à mesure que le système apprend de lui-même et améliore sa prise de décision.
Le couplage Deep Learning et vision par ordinateur
Coupler Deep Learning et vision par ordinateur, c'est un peu comme fournir un cerveau à une caméra ! Celle-ci se transforme en caméra intelligente capable d'identifier des objets ou des situations dans les images analysées.
Mais comment est-ce possible ? Nous l'avons vu précédemment le Deep Learning est un réseau de neurones. Les algorithmes appliqués au traitement d’images et aux flux vidéo détectent lesdites situations pour lesquelles ils ont été entrainés au préalable.
Une caméra intelligente aura donc la faculté de reproduire l’observation faite par un opérateur humain et de fournir une analyse, suivant l’apprentissage qui aura été précédemment effectué.
Quid d’une caméra intelligente dans un vignoble ? Nous venons de voir comment le Deep Learning permet de détecter des situations d'intérêt dans les images. Mais qu'en est-il dans le cadre de la viticulture ? Quels sont les cas où l'intelligence artificielle peut apporter un vrai avantage aux viticulteurs ? C'est que nous allons découvrir juste après !
Développement de la viticulture de précision
Les données sont au centre de la transformation qui s'opère dans le secteur agricole et la viticulture ne fait exception. L'un des enjeux réside justement dans l'acquisition de ces précieuses données. Petite précision, on entend ici par "acquisition de données" la capture d'images ou de vidéos qui permettront l'apprentissage des réseaux de neurones.
Acquisition de données viticoles
Ces dernières années, plusieurs moyens ont été expérimentés pour acquérir de la donnée. Le recours à l’imagerie satellitaire, et plus récemment aux drones s’est démocratisé. En s’appuyant par exemple sur les cartes de vigueur, le vigneron connaît de mieux en mieux sa parcelle et les hétérogénéités qui y règnent. Cette connaissance pointue lui permet d’adapter ses pratiques et de gérer son vignoble de manière plus précise tout en économisant ses ressources.
Cette possibilité de localiser précisément un fait qui s'est déroulé dans les parcelles, une machine ou une action, a permis d'envisager de nouvelles pratiques en agriculture. De là, est née la viticulture de précision !
Enjambeurs et tracteurs au service de l'acquisition de données viticoles
En viticulture, les passages des engins agricoles dans les parcelles sont plus fréquents qu'en grandes cultures. C'est pour cette raison que l'on peut aisément imaginer acquérir de la donnée grâce aux tracteurs et aux enjambeurs. En effet, une caméra intelligente installée sur un tracteur offre plus de possibilités en termes de recueil d'images ou de vidéos qu'avec un drone ou par satellite. Notons d'ailleurs que les vols par drones offrent moins de flexibilité car ils nécessitent l'obtention d'un permis et donc le recours à un prestataire spécialisé.
Grâce au passage du tracteur dans les inter-rangs des vignes, la caméra installée sur celui-ci identifiera plus précisément les éventuelles situations qui nécessitent une action. Le viticulteur sera informé en temps réel et pourra agir au bon moment.
Comptage automatique et prévision de rendements viticoles
Le potentiel apporté par l'IA est grand. Du comptage des fruits à la prévision de rendement, il n'y a qu'un pas.
Le comptage automatique des feuilles, des grappes de raisins et des grains
Il existe aujourd'hui des réseaux de neurones dédiés au comptage d’éléments dans une image. En imaginant qu’un tracteur ou qu'un enjambeur soit équipé de caméras intelligentes, compter les éléments présents sur une vigne est désormais possible.
Nous pouvons imaginer que le comptage du nombre de feuilles, ou du nombre de couches de feuilles pourrait être intégré dans les modèles d’évaluation de la biomasse afin d'obtenir des mesures plus fines. Réaliser le comptage de cette manière permettrait de procéder à des mesures de biomasse plus précises que par vue aérienne.
Les réseaux de neurones et prévisions de rendements
Les méthodes de comptage par réseau de neurones ont l’avantage d’être non destructive et de pouvoir être échelonnées dans le temps pour assurer un suivi continu sur la parcelle. De fait, il est donc possible de compter les grappes de raisin et le nombre de grains à chaque passage des engins agricoles. Leurs passages répétés sur la période de production permettent alors de calculer des prévisions de rendement beaucoup plus précises.
Autre exemple, dans le cadre de démarches de remboursement auprès des assurances, on peut tout à fait imaginer appliquer le même type de calcul pour estimer des dégâts à la suite d’un épisode de grêle.
Détection automatique des maladies de la vigne
Détection des carences de la vigne
Les réseaux de neurones s’appliquent aussi sur des problématiques liées à la texture ou la couleur. Les analyses de couleur peuvent apporter des opportunités dans le cadre de la vigne. En effet, une analyse poussée sur le feuillage peut permettre de repérer d’éventuelles carences. Les analyses des couleurs dans l’image peuvent également s’inscrire dans une démarche d’évaluation du niveau de maturité des grains au cours de la saison. Et même potentiellement évaluer la teneur en sucre par simple vision de la couleur.
Ces mesures peuvent ainsi être synthétisées à l’échelle de la parcelle et venir compléter les cartes de vigueur.
Estimation de la maturité des grappes basée sur l'analyse de la couleur des grains
Extrait " Shiraz berry growth and ripening curves"
Source : https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=8502206
Identification et détection des menaces dans le vignoble
Les réseaux de neurones de type classification peuvent également identifier des menaces dans le vignoble. Ils peuvent notamment détecter des signes précoces de maladie ou l’arrivée de ravageurs dans la parcelle.
Prenons le cas de la Flavescence dorée dont le principal vecteur de transmission est la Cicadelle. Evaluer la pression de ces insectes dans la parcelle permet d'agir plus rapidement et stopper l'invasion. La détection d’insectes dans le feuillage est actuellement difficile à mettre en œuvre mais la vision par ordinateur ouvre de nouvelles perspectives.
Toujours dans l’idée d’identifier des menaces au sein du vignoble, les caméras intelligentes peuvent identifier les ceps en voie de dépérissement. Bien plus que du simple comptage des pieds manquants, une caméra peut détecter quels sont les ceps les plus touchés.
Le viticulteur peut alors adapter les traitements en fonction de leur stade de détérioration et ne traiter que les pieds qui peuvent encore être sauvés.
Cette pratique s’inscrit totalement dans une volonté de réduire le recours aux produits phytosanitaires qui reste un enjeu important de la filière viticole.
Positionner une caméra dans l'inter-rang s'avère être une technique efficace pour augmenter la diversité, la précision des mesures et l'alimentation de modèles agronomiques. Grâce aux différents angles de vue, les données collectées sont plus précises et plus diversifiées, et apportent des informations pertinentes sur la croissance de la vigne, les prévisions de rendements ou encore le développement de maladies.
Quand autonomie des engins viticoles rime avec performances
Avec le déploiement à grande échelle de la géolocalisation, machines agricoles et viticoles évoluent vers des modèles 100% autonomes. Dans un souci d’augmenter le niveau de confort de travail des viticulteurs et de diminuer leur exposition aux molécules toxiques présentes dans les produits phytosanitaires, la robotisation des engins et l’autonomie des machines est en plein développement.
Les engins agricoles garantissent confort et sécurité tout en libérant du temps pour les viticulteurs et en les soulageant des tâches répétitives à faibles valeurs. L’autonomie des tracteurs, enjambeurs et autres machines utilisés en viticulture est aujourd’hui rendu possible grâce aux nouvelles technologies. Les progrès considérables réalisés ces dernières décennies sont tels qu'il est désormais possible de situer un engin au centimètre près.
Ce degré de haute précision obtenu notamment grâce aux outils de géolocalisation comme le positionnement RTK, est un critère déterminant pour les viticulteurs en recherche de solutions performantes garantissant une sécurité optimale de leur production.
En effet, la vigne s'avère être un environnement complexe en 3 dimensions où les manœuvres demandent rigueur et précision, sous peine de l’endommager. Les dégâts éventuels et les importantes conséquences financières qui en découlent doivent être évités à tout prix.
Une précision de guidage à l'échelle centimétrique et en temps réel s'avère donc être indispensable tant les enjeux financiers encourus sont importants.
Vers un guidage des engins de viticulture 100% autonomes
Nous l'avons vu précédemment, le haut degré de précision de guidage agricoles est un critère de plus en plus recherché pour améliorer les performances et la rentabilité des viticulteurs.
En complément du GPS RTK qui va donner une position centimétrique sur la parcelle, la caméra va permettre de visualiser la culture à cet endroit précis et reconnaitre les lieux où il faut agir en priorité.
Ces dernières peuvent donc apporter une précision de guidage en complément du RTK pour pousser l’autonomie des machines agricoles vers une autonomie complète. A plus court terme, la vision par ordinateur et le deep learning peuvent apporter de l’intelligence aux outils utilisés en viticulture. Associer une caméra capable d’identifier une situation dans une image est la première étape dans le processus visant à déclencher une action adaptée au contexte spatio-temporelle du vignoble.
La pulvérisation de précision
Le pulvérisateur fait partie des outils dont l'usage des technologies mêlant Intelligence Artificielle et vision par ordinateur est en fort développement. La raison ? Les normes phytosanitaires étant de plus en plus restrictives, l’enjeu est de réduire drastiquement les quantités de produits apportées. Pour y répondre la viticulture de précision adopte la philosophie du "apporter moins mais apporter mieux". En effet, un pulvérisateur équipé de caméras embarquées possède la faculté d’adapter en temps réel les doses à apporter suivant l’environnement au moment du passage de l’outil dans la parcelle. Concrètement, grâce aux caméras, les réseaux de neurones sont capables par exemple de détecter les ceps qui dépérissent. Ils stoppent les buses du pulvérisateur pour économiser la quantité de produit appliqué au moment du passage sur les ceps concernés.
Conclusion
Les technologies d'Intelligence Artificielle et plus particulièrement le Deep Learning révolutionnent la manière dont les images et les flux d’images peuvent être analysés. S’appliquant dans de nombreux domaines d’expertises, ces innovations ouvrent de nouvelles perspectives en viticulture. Il est désormais possible d'imaginer de nombreuses applications telles que la détection précoce de maladie, le stade de maturité des fruits, des actions automatiques liées aux récoltes ou à l'entretien de la vigne…
L’idée qu’une caméra équipée d'un puissant réseau de neurones puisse fournir de manière autonome une analyse agronomique est désormais possible.
Dilepix,fait partie des rares entreprises capables de développer des solutions qui font appel à de l'intelligence artificielle et de la vision par ordinateur. Cette startup française, experte en logiciel mêlant deep learning et vision, saura vous conseiller pour développer avec vous la solution adaptée aux contraintes viticoles, qui vous permettra d'optimiser vos performances et améliorer vos rendements.
