Drones et apprentissage profond

Le riz, culture vivrière majeure, est cultivé sur près de 162 millions d'hectares de terres dans le monde. L'une des méthodes les plus couramment utilisées pour quantifier la production de riz est le comptage des plants de riz. Cette technique est utilisée pour estimer le rendement, diagnostiquer la croissance et évaluer les pertes dans les rizières. La plupart des processus de comptage du riz dans le monde sont encore effectués manuellement. Cependant, cela est extrêmement fastidieux, laborieux et prend du temps, ce qui indique le besoin de solutions basées sur des machines plus rapides et plus efficaces.

Des chercheurs de Chine et de Singapour ont récemment mis au point une méthode pour remplacer le comptage manuel du riz par une méthode beaucoup plus sophistiquée, impliquant l'utilisation de véhicules aériens sans pilote (UAV) ou de drones.

Selon le professeur Jianguo Yao de l'Université des postes et télécommunications de Nanjing en Chine, qui a dirigé l'étude, "La nouvelle technique utilise des drones pour capturer des images RVB - des images composées principalement de lumière rouge, verte et bleue - de la rizière. Ces images sont ensuite traitées à l'aide d'un réseau d'apprentissage en profondeur que nous avons développé, appelé RiceNet, qui peut identifier avec précision la densité des plants de riz dans le champ, ainsi que fournir des caractéristiques sémantiques de niveau supérieur, telles que l'emplacement et la taille des cultures.

Leur article a été publié Phénomique végétale.

L'architecture du réseau RiceNet se compose d'un extracteur de caractéristiques, à l'avant, qui analyse les images d'entrée, et de trois modules de décodeur de caractéristiques qui sont chargés d'estimer la densité des plantes dans la rizière, l'emplacement des plantes dans la rizière, et la taille des plantes, respectivement. Ces deux dernières caractéristiques sont particulièrement importantes pour les recherches futures sur les techniques de gestion automatisée des cultures, telles que la pulvérisation d'engrais.

Dans le cadre de l'étude, l'équipe de recherche a déployé un drone équipé d'une caméra au-dessus des rizières de la ville chinoise de Nanchang et a ensuite analysé les données acquises à l'aide d'un appareil sophistiqué. l'analyse d'image technique. Ensuite, les chercheurs ont utilisé un ensemble de données de formation et un ensemble de données de test. Le premier a été utilisé comme référence pour former le système et le second a été utilisé pour valider les résultats analytiques.

Plus précisément, sur les 355 images avec 257,793 246 points étiquetés manuellement, 109 ont été sélectionnés au hasard et utilisés comme images d'entraînement, tandis que les 726 restants ont été utilisés comme images de test. Chaque image contenait en moyenne XNUMX plants de riz.

Selon l'équipe, la technique RiceNet utilisée pour l'analyse d'images a un bon rapport signal sur bruit. En d'autres termes, il est capable de distinguer efficacement les plants de riz de l'arrière-plan, améliorant ainsi la qualité des cartes de densité de plants générées.

Les résultats de l'étude ont montré que l'erreur absolue moyenne et l'erreur quadratique moyenne de la technique RiceNet étaient de 8.6 et 11.2, respectivement. En d'autres termes, les cartes de densité générées à l'aide de RiceNet étaient en bon accord avec celles générées à l'aide de méthodes manuelles.

De plus, sur la base de leurs observations, l'équipe a également partagé quelques recommandations clés. Par exemple, l'équipe ne recommande pas d'acquérir des images les jours de pluie. Il suggère également de collecter des images basées sur UAV dans un délai de 4 heures après le lever du soleil, afin de minimiser le temps de brouillard ainsi que l'apparition d'enroulements de feuilles de riz, qui nuisent tous deux à la qualité de sortie.

« En plus de cela, nous avons encore validé les performances de notre technique en utilisant deux autres ensembles de données sur les cultures populaires. Les résultats ont montré que notre méthode surpasse de manière significative les autres techniques de pointe. Cela souligne le potentiel de RiceNet pour remplacer la méthode traditionnelle de comptage manuel du riz », conclut le professeur Yao.

RiceNet ouvre en outre la voie à d'autres techniques d'analyse des cultures basées sur les drones et l'apprentissage en profondeur, qui peuvent à leur tour guider les décisions et les stratégies pour améliorer la production de cultures vivrières et commerciales dans le monde entier.