L’agriculture est l’une des activités les plus anciennes au monde et a toujours été à la pointe de l’innovation technologique. Avec des équipements mécanisés, des semences modifiées et des appareils numériques, chaque aspect de l’agriculture, de la plantation à la récolte, est progressivement optimisé. Ces avantages se sont également traduits par une meilleure estimation du rendement des cultures telles que le soja.
Les modèles d’estimation de rendement basés sur l’apprentissage en profondeur utilisent des approches telles que la régression, les cadres de délimitation traditionnels ou les cartes de densité pour faciliter le comptage des graines. Par rapport au comptage manuel, ces méthodes sont sans aucun doute plus simples, plus précises et faciles à mettre en œuvre.
« P2PNet » est l’une de ces méthodes de comptage automatisé qui a été récemment proposée pour simplifier le comptage ponctuel des graines de soja. Cependant, cette méthode a démontré de faibles performances pour le comptage direct des graines. Les perturbations causées par les objets d’arrière-plan, les surestimations substantielles, l’utilisation de fonctionnalités de haut niveau et l’échelle non prise en compte des objets ont été identifiés comme certains inconvénients de ce modèle.
Pour contrer les défis associés à ce modèle, des chercheurs japonais ont développé un nouveau modèle qui s’ajoute à la liste des innovations technologiques agricoles. Il compte avec précision le nombre de graines de soja à partir d’images de champs de plants de soja, éliminant ainsi le processus de comptage des graines à forte intensité de main-d’œuvre.
L’étude a été dirigée par le professeur agrégé Wei Guo de l’Université de Tokyo et a été publiée en ligne dans Phénomique végétale.
« Le soja est une source importante de protéines pour les animaux et les humains. Par conséquent, l’obtention de rendements élevés est un critère et un objectif communs à la plupart des programmes de sélection », explique le professeur Guo.
Le nombre de graines est particulièrement intéressant pour les agriculteurs car il peut être utilisé pour déterminer à la fois le rendement de la plante et son potentiel de reproduction. Les méthodes traditionnelles de comptage automatisé des graines basées sur l’image gardent une trace des graines dans les images en les plaçant dans des boîtes englobantes. Cependant, dans des conditions réelles sur le terrain, la présence d’arrière-plans complexes, de gousses qui se chevauchent et de conditions d’éclairage variables peuvent entraîner le chevauchement des cadres de délimitation, entraînant des inexactitudes dans le nombre et la position des graines.
Pour relever ces défis, l’équipe a mis à niveau P2PNet vers le nouveau modèle amélioré « P2PNet-Soy ». Il compte les objets en les identifiant comme de petits points dans l’image. Pour obtenir des données pour entraîner le modèle d’identification des graines de soja, les chercheurs ont pris 374 images de plants de soja cultivés dans un champ.
Ils ont photographié les deux côtés (avant et arrière) de la plante pour capturer un maximum de graines dans la plante. Ensuite, des techniciens qualifiés du Field Phenomics Lab de l’Université de Tokyo ont soigneusement marqué les graines présentes dans chaque gousse de soja avec des points. Ils se sont assurés que seules les graines appartenant à la plante cible étaient annotées et celles des plantes voisines et du fond étaient exclues. Les chercheurs ont ensuite sélectionné 181 images pour la formation et ont utilisé les 193 autres images, prises du côté opposé, pour évaluer le modèle.
Les chercheurs ont adopté plusieurs stratégies pour améliorer les performances du modèle. Tout d’abord, les caractéristiques de haut et de bas niveau ont été capturées à partir des images de terrain. Les fonctionnalités de haut niveau tiennent généralement compte du contexte des objets dans les images, tandis que les fonctionnalités de bas niveau sont beaucoup plus utiles pour reconnaître les détails et les objets plus petits.
Une méthode d’extraction de caractéristiques invariante à l’échelle connue sous le nom de convolution atreuse a ensuite été utilisée pour permettre au modèle de détecter des graines de différentes tailles. De plus, des mécanismes d’attention spatiale et de canal ont été appliqués pour mieux différencier les graines de l’arrière-plan. L’équipe de recherche a affiné les prédictions du modèle en appliquant une technique de post-traitement appelée arbre kd, un algorithme de regroupement non supervisé qui détermine les centres des emplacements de semences prédits proches, améliorant ainsi la précision de la prédiction finale.
Ces améliorations ont abouti à un modèle précis de comptage et de localisation des graines qui pouvait détecter et compter les graines à partir de simples images de plants de soja prises sur le terrain. « La méthode P2PNet-Soy améliorée pour un comptage et une localisation plus efficaces des graines de soja a une précision beaucoup plus élevée par rapport non seulement au P2PNet original, mais également à d’autres méthodes de comptage des gousses de soja », explique le professeur Guo.
Même si ces améliorations se traduisent par une meilleure précision de la prédiction des semences, le modèle présente quelques limites qui nécessitent une correction. Étant donné que le modèle est formé sur des images prises des deux côtés de la même plante, il peut surestimer le nombre de graines sur la plante. De plus, le modèle ne peut pas détecter les graines qui manquent accidentellement dans l’image.
Néanmoins, le développement de ces technologies de pointe est une étape prometteuse vers une industrie agricole plus efficace.
Plus d’information:
Jiangsan Zhao et al, Comptage et localisation améliorés des semences de soja sur le terrain avec prise en compte du niveau de fonctionnalité, Phénomique végétale (2023). DOI : 10.34133/plantphenomics.0026