Détecter l'alternance avec des drones

Les drones peuvent aider les producteurs de pommes de terre à détecter rapidement l'alternaria. C'est ce qu'a déclaré Ruben van de Vijver de l'Institut de recherche agricole, halieutique et alimentaire (ILVO) lors de la foire belge de la pomme de terre Interpom.

L'ILVO expérimente depuis quelque temps la détection d'alternance avec des capteurs, des drones et de l'intelligence artificielle. "On essaie de donner plus d'informations au producteur, une meilleure vue d'ensemble, via le drone", précise le chercheur. Cela n'arrivera pas au point où l'intelligence artificielle pourra remplacer complètement l'expertise du producteur, a-t-il ajouté.

Stade précoce

Les taches fongiques peuvent également être rapidement détectées via des drones. « Les capteurs installés sur les drones aident à détecter la maladie sur le terrain le plus tôt possible », explique Van de Vijver. « Grâce à l'intelligence artificielle, vous pouvez déjà voir la maladie fongique sur une plante. C'est beaucoup plus rapide que ce que le cultivateur peut voir, il ne le voit généralement que lorsque de grandes surfaces sont infectées. Il est important de tuer la maladie une fois qu'elle est dans votre plante et plus vous l'attrapez tôt, plus vous pouvez limiter son impact. Grâce à cette détection précoce, le producteur peut intervenir efficacement avec des pulvérisations ciblées et avec un impact environnemental et financier limité.

Résultats via tablette

Grâce à cette technologie, le cultivateur reçoit plus d'informations et un aperçu de l'endroit où se trouve la maladie dans le champ via une tablette. L'intention est qu'il puisse pulvériser moins et plus précisément. « Le producteur peut sauter la pulvérisation ou la reporter de quelques jours. Les pommes de terre sont pulvérisées entre 10 et 18 fois, selon la météo. Si vous pouvez reporter une pulvérisation de deux jours, cela signifie un énorme profit. »

Détection automatique du mildiou précoce causé par Alternaria solani Cette méthode pourrait permettre de réduire considérablement la consommation de produits phytosanitaires et les pertes de production qui en découlent. Une plateforme de télédétection a été conçue et calibrée pour acquérir des images hyperspectrales haute résolution sur le terrain, et utilisée pour cartographier avec précision les lésions causées par Alternaria. Des images de réflectance du couvert végétal haute résolution ont été obtenues pour 32 plants de pomme de terre infectés par A. solani et 32 ​​plants témoins sains.

Classificateurs spectraux comme l'analyse discriminante des moindres carrés partiels (PLS-DA) et la prise en charge vector Les machines (SVM) basées sur les scores PCA ont été testées pour distinguer les pixels affectés et non affectés. Les deux classificateurs spectraux ont bien fonctionné au niveau des pixels avec des précisions supérieures à 0.92. La région NIR (750 nm) a été identifiée comme la partie la plus discriminante du spectre pour détecter les lésions. Comme la pression de la maladie est généralement exprimée en nombre de lésions par zone, la précision a également été évaluée à ce niveau.

Cela indiquait un nombre considérable de fausses détections aux bords des feuilles et à l'aisselle des feuilles. Par conséquent, un arbre de décision a été conçu sur la base des connaissances d'experts sur la forme des lésions d'Alternaria, et utilisé pour post-traiter les images classées. Cela a réduit le nombre de fausses détections, augmentant la précision de 0.17 à 0.22 au détriment d'une réduction du rappel de 0.88 à 0.84. Cela laisse une marge considérable d'amélioration de la précision de la classification au niveau de l'objet. Nous avons appris que (1) quelques longueurs d'onde larges sont suffisantes et (2) le contexte spatial est essentiel pour la détection des lésions causées par l'infection à Alternaria.

L'application de techniques de classification d'objets plus puissantes telles que les réseaux de neurones convolutifs pour améliorer les performances du modèle en encapsulant efficacement le contexte spatial dans le classificateur pourrait encore améliorer les performances de détection. Cela pourrait ouvrir la voie à la cartographie Alternaria basée sur les drones ou les tracteurs.

/intelligent