/projet_recoplante

Réalisation d'une application de reconnaissance de plantes en zone humide

Primary LanguagePythonMIT LicenseMIT

projet_recoplante

Site Ramsar

Application de reconnaissance de plantes en zone humide

Ce projet vise à produire une application pour reconnaître une plante via la caméra d'un smartphone.

Cette application sera efficiente en zones humides dans les Vallées de la Scarpe et d'Escaut.

Etat de l'art agronomique

Il existe deux sortes de prairies humides : intensives et extensives. Les prairies extensives présentent peu ou pas d’ensemencement, une fertilisation limitée et une charge de pâturage inférieure à 1,4 UGB.

Les critères de reconnaissance d’une prairie humide sont : un engorgement du sol sur une période importante (présence d’horizons anoxiques dans la partie superficielle du sol) ou par l’inondation temporaire mais répétée des terrains (durée annuelle cumulée de l’inondation supérieure à une semaine) ; la présence d’un certain nombre d’espèces (la menthe aquatique est un marqueur de l’humidité du sol) ; la présence d’espèces facilement différenciables comme les joncs ou les laîches pour les prairies gérées de manière plus extensive.

En tout cas, ce sont là les critères généraux. S’il faut aller dans le plus précis, il convient de s’appuyer sur les critères de définition et de délimitation des zones humides présents dans le code de l’environnement. Ces derniers critères sont les suivants :

  1. des sols correspondant à un ou plusieurs types pédologiques1, sachant que dans certains contextes particuliers2, l’excès d’eau prolongée ne se traduit pas par les traits d’hydromorphie habituels facilement reconnaissables, ce qui implique de réaliser une expertise des conditions hydrogéomorphologiques3 pour apprécier la saturation prolongée par l’eau dans les cinquante premiers centimètres de sol4 ;
  2. sa végétation, si elle existe, est caractérisée par : des espèces identifiées et quantifiées selon une méthode5 et une liste d’espèces donnée ; des communautés d’espèces végétales dénommées « habitats », caractéristiques de zones humides, identifiées là aussi par une méthode6 particulière.

Le protocole de terrain pour identifier et quantifier la végétation est le suivant : sur une placette circulaire globalement homogène du point de vue des conditions mésologiques et de végétation, d’un rayon entre 1,5 et 10 mètres selon que l’on est en milieu herbacé, arbustif ou arborescent, effectuer une estimation visuelle du pourcentage de recouvrement des espèces pour chaque strate de végétation (herbacée, arbustive ou arborescente7), en travaillant par ordre décroissant de recouvrement8 ; pour chaque strate, noter le pourcentage des espèces, les classer par ordre décroissant, établir une liste des espèces ayant individuellement un pourcentage de recouvrement supérieur ou égal à 20 %9, le tout pour fournir une liste d’espèces dominantes pour la strate considérée ; répéter l’opération pour chaque strate ; regrouper les listes obtenues pour chaque strate en une seule liste d’espèces dominantes, toutes strates confondues10 ; examiner le caractère hygrophile11 des espèces de cette liste, sachant que pour cela, au moins la moitié des espèces de cette liste doit figurer dans la liste des espèces indicatrices de zones humides12 pour que la végétation puisse être qualifiée d’hygrophile.

Lorsque des investigations sur le terrain sont nécessaire, le protocole pour identifier les habitats est le suivant : pour commencer, s’assurer de réaliser l’examen des habitats à une période où les espèces sont à un stade de développement permettant leur détermination, sachant que c’est la période de floraison des principales espèces qui est à privilégier ; cet examen doit porter en priorité sur des points à situer de part et d’autre de la frontière supposée de la zone humide, suivant des transects perpendiculaires à cette frontière. Le nombre, la répartition et la localisation précise de ces points dépendent de la taille et de l’hétérogénéité du site, avec 1 point (= 1 placette) par secteur homogène du point de vue des conditions mésologiques ; sur chacune des placettes13, l’examen des habitats consiste à effectuer un relevé phytosociologique conformément aux pratiques en vigueur14 et à déterminer s’ils correspondent à un ou des habitats caractéristiques de zones humides parmi ceux mentionnés dans la liste correspondante15. Autrement, il convient de vérifier les indications fournies par l’examen des sols.

Pour une lecture commentée du code de l’environnement, se référer à ce site. Il s’y trouve les critères relatifs aux plantes hygrophiles, la définition des plantes hygrophiles, les modalités de caractérisation de ces plantes, une présentation des espèces indicatrices des zones humides, une présentation des habitats caractéristiques des zones humides, la méthode de détermination de la présence de plantes caractéristiques des zones humides ainsi que la méthode de détermination de la présence d’habitats caractéristiques des zones humides.

Les prairies humides ont une haute valeur hydraulique leur permettant de lutter efficacement contre le ruissellement, en plus de pouvoir jouer le rôle de zones d’expansion des crues ou de zones de rétention en cas de pluies très importantes. Au sein des lits majeurs des cours d’eau, le drainage peut limiter cette valeur hydraulique16 ; autrement, il faut simplement faire attention à certains paramètres qui peuvent augmenter le risque d’inondation17. Dans les zones alluviales18, la végétation favorise le dépôt de matières en suspension et des polluants qui leurs sont associés. Par ailleurs, le débordement des cours d’eau permet un amendement19 naturel des sols.

Enfin, les prairies humides possèdent une valeur patrimoniale, de part leur aspect paysager ; en particulier lorsqu’ils sont bordés de haies ou d’arbres taillés en têtard. Si la valeur biologique est assez faible sur les prairies drainées ou gérées de manière intensive, ces espaces présentent une valeur beaucoup plus élevée dans le cas d’une exploitation extensive. Ceci dit, la valeur écologique de ces prairies varie selon le type de sol, le degré d’humidité et leur entretien qui permet notamment de maîtriser le développement d’espèces invasives comme l’Aster lancéolé.

D’un point de vue général, les zones humides assument des fonctions diverses et d’intérêt majeur, comme : des fonctions hydrologiques que nous connaissons bien avec le maintien et l’amélioration de la qualité de l’eau20, régulation des régimes hydrologiques21 et prévention des inondations ; des fonctions biologiques dans la mesure où les zones humides constituent un réservoir de diversité biologique et écologique22 en plus de leur conférer une extraordinaire capacité à produire de la matière vivante23 ; des fonctions climatiques de régulation des climats locaux ; une stabilisation et meilleure protection des sols, puisque les végétations des zones humides fixent les berges et participent à la prévention de l’érosion ; une valeur culturelle et paysagère ; un support d’activités touristiques et récréatives ; un support pédagogique et scientifique.

Dans le champ culturel, les représentations mentales des zones humides sont fortes du fait que les mares, les marais et les étangs font partie de l’imaginaire collectif, qu’ils sont imprimés dans les mémoires. De plus, la réputation des zones humides est suffisamment importante pour influencer les comportements et usages. Pourtant, les représentations des zones humides sont aussi absentes, voire inexistantes. C’est un concept connu des techniciens et chercheurs, ce pourquoi il existe une déconnexion entre les représentations et les pratiques liées aux zones humides. Un problème que les politiques sont parvenues à prendre en compte, bien que les représentations évoluent plus lentement. Se confronte à présente une dualité entre des zones humides appréhendées comme des espaces riches à protéger ainsi qu’à mettre en valeur, et une représentation de zones humides comme des espaces négatifs ou banales. La conséquence de cette dernière représentation a conduit à la pratique des drainages, des assèchements ainsi que de remblaiements divers, le tout encouragé par une approche rationaliste et cartésienne de la nature faisant de la zone humide un espace « inutile ». De fait, les aménagements irrespectueux de ces espaces ont supprimé de manière radicale leurs fonctions écologiques, causant par ailleurs la disparition de nombreuses espèces animales et végétales24.

Historiquement, l’intensification de l’industrie depuis le début du XIXe siècle25, de l’agriculture26, le tout joint à la densité de population très importante dans la région27 ont mis en péril la conservation des zones humides. Cette eutrophisation excessive et généralisée des bassins versants28 a entraîné une diminution importante des populations d’espèces végétales inféodées aux sols ou eaux pauvres en éléments nutritifs29. Ces derniers ont favorisé la croissance d’espèces banales exerçant une concurrence vis-à-vis des espèces caractéristiques des milieux oligotrophes30 ou mésotrophes31. Plus spécifiquement pour les prairies humides, les végétations y sont victimes de l’échardonnage chimique et de l’emploi à grande échelle d’herbicides « antidicotylédones », y compris sur les bords de routes. Leur diversité s’est beaucoup amoindrie et elles présentent souvent une physionomie banalisée due à la dominance des espèces résistant aux herbicides et profitant des apports importants d’engrais.

Heureusement, de plus en plus de sites naturels remarquables sont maintenant gérés de manière à maintenir leurs fonctionnalités écologiques, leur richesse et leur qualité biologiques. Ceci dit, en dépit de la prise de conscience de l’intérêt des zones humides ainsi que des annonces officielles visant à prioriser la protection des zones humides, beaucoup de travail demande d’être réalisé pour restaurer la qualité de l’eau et la fonctionnalité des zones humides de la région afin d’assurer leur pérennité sur le long terme.

Le Parc Naturel Régional Scarpe-Escaut est couvert par 9533 ha de prairies. Les prairies humides sont des espaces primordiaux dans la lutte contre les inondations et l’amélioration de la qualité de l’eau. À savoir que l’on se trouve dans un contexte de forte régression des prairies32. La priorité locale est de maintenir la surface en prairie, en commençant par celles situées en bord de cours d’eau. Cela est d’autant plus nécessaire que le drainage est rendu inefficace par l’ennoyage des drains et des plateaux de drains. Des pratiques qui tendent à augmenter le risque d’inondations. Cet objectif de concilier performance économique des exploitations et maintien des zones humides ainsi que de toutes leurs fonctions repose sur l’association depuis 2013 de la Chambre d’agriculture de région du Nord-Pas de Calais, de l’Agence de l’Eau Artois Picardie et bien sûr du Parc naturel régional Scarpe-Escaut33. Tout cela recouvre le nom de programme de maintien de l’agriculture en zones humides (PMAZH)34. Il s’agit donc de renforcer les conditions de viabilité de l’élevage ou du maraîchage sur ces territoires en proposant des solutions adaptées de dimensions technique, financière et sociale.

Sur le terrain, 450 agriculteurs valorisent plus de 40 % du territoire, sachant que la taille moyenne des exploitations est de 48 ha. Elles détiennent des surfaces enherbées importantes, valorisées notamment par de l’élevage bovin via la fauche ou le pâturage. Travailler dans un tel milieu implique une gestion particulière, que ce soit le retard d’exploitation, l’apport moindre de fertilisant, le chargement en animaux plus faible, le parasitisme plus important, etc. Autant de contraintes aggravées par une pression foncière liée au caractère périurbain du territoire.

Plusieurs actions sont menées pour soutenir les éleveurs. Effectivement, ces derniers sont accompagnés pour obtenir des aides relatives aux Mesures Agri-Environnementales Climatiques, avec l’évaluation du dispositif permettant de l’améliorer ou de le modifier suivant les besoins. De plus, les productions agricoles locales sont valorisées par le développement des circuits courts et la sensibilisation des consommateurs. Afin d’anticiper et de cibler les actions à mener pour assurer la pérennité de l’activité agricole, une vieille foncière est réalisée dans les zones humides. Enfin, les éleveurs peuvent bénéficier d’un accompagnement technique pour le développement de nouvelles pratiques durables, ce qui comprend : un audit technico-économique de l’exploitation ; un conseil relatif à la gestion des prairies via un suivi agro-écologique des parcelles ; des pesées d’animaux ; un suivi vétérinaire et parasitaire35.

Dans le cadre de ce programme, les éleveurs se voient ainsi acquérir des références locales permettant d’appréhender le lien entre prairies humides, diversité floristique et parasitisme des animaux.

En particulier autour de l’optimisation de la gestion des prairies humides via le suivi agro-écologique36, la Chambre d’agriculture évalue le potentiel agronomique de celles-ci en effectuant des analyses (sol, foliaires et alimentaires). S’y ajoute un suivi de la conduite du pâturage et de pousses d’herbe à l’aide de l’herbomètre. Le Parc naturel régional enfin effectue un suivi écologique (faunistique et floristique). À terme, le croisement des données complété par les échanges des éleveurs devrait permettre d’acquérir des références sur la gestion optimale de ces milieux.

Entre 2013 et 2018, 57 prairies humides ont été suivies par le biais d’indicateurs. Cette première phase du programme a permis de recueillir des données précises, à l’échelle locale permettant de mieux connaître ces milieux. Il résulte de ces premiers résultats que les prairies peuvent être très intéressantes pour les éleveurs, et pas uniquement sources de contraintes37. Les points forts qui sont ressortis et cités par les exploitants sont les suivants : complémentarité très intéressantes avec les prairies sèches ; utilisation des prairies humides pendant la période estivale pour le pâturage (pousse même en été) ; aptitude au report sur pied, accès à l’eau pour les bêtes facilité (fossés, mares), bonne valeur alimentaire (équilibre fibre-protéine si flore diversifiées).

À la suite de ces constats, la démarche Pâtur’Ajuste a été proposée aux éleveurs volontaires afin de mieux comprendre le fonctionnement de ces prairies humides et leurs atouts. Désormais, le nouveau PMAZH 2019-2024 vise désormais à mettre à profit les premiers résultats en proposant un appui technique adapté au plus juste besoin des agriculteurs situés dans ces zones. Certaines actions se poursuivent (suivi du parasitisme, calcul des marges brutes) et de nouvelles voient le jour. Parmi les nouveautés, du conseil individuel et collectif supplémentaires seront proposés aux agriculteurs. La démarche Pâtur’Ajuste se développe également sur plusieurs territoires.

Dressons à présent un portrait végétal des prairies hygrophiles brièvement à longuement inondables. Ces végétations se développent sur les sols engorgés ou inondables des plaines et des collines. Les substrats sont essentiellement minéraux, non tourbeux, riches à moyennement riches en matières nutritives et pour la plupart bien pourvus en bases. Dans ces prairies, la végétation est dense et composée de plantes à taille moyenne38. Elles se rencontrent en général dans les systèmes alluviaux39 à différents niveaux topographiques40, mais apparaissent aussi fréquemment sur les sols hydromorphes de versants et de plateaux humides. Les prairies dérivent, par fauche ou pâturage, de végétation de mégaphorbiaies naturelles ou de roselières et cariçaies.

La flore caractéristique des prairies humides se compose de plantes vivaces41, en particulier graminoïdes, liées aux prairies fraîches à plus ou moins longuement inondées. La fauche et le pâturage intensifs favorisent effectivement les espèces dont les bourgeons sont situés au ras du sol et échappent à la barre de fauche et à la dent du bétail. Leur floraison s’étale du printemps à l’été en fonction des espèces, conférant à ces végétations un aspect assez coloré. En général, la flore présente est assez commune et répandue dans la région.

Cela dit, quelques espèces ont un intérêt patrimonial au niveau régional voire national, comme par exemple Apium repens42, Ranunculus ophioglossifolius43, Fritillaria meleagris44, Dactylorhiza praetermissa45, Eleocharis uniglumis46, etc. Certaines espèces sont présentes dans d’autres classes de végétations47. Dans le guide des végétations en zones humides du Nord-Pas de Calais, on trouve des fiches de Senecioni aquatici - Oenanthetum mediae48, Hordeo secalini - Lolietum perennis49, Junco acutiflori - Brometum racemosi50, Senecioni aquatici - Brometum racemosi51, Junco gerardii - Agrostietum albae52, Samolo valerandi - Caricetum vikingensis53, Triglochino palustris - Agrostietum stoloniferae54, Pulicario dysentericae - Juncetum inflexi55, Junco compressi - Blysmetum compressi56, Rumici crispi - Alopecuretum geniculati57, Ranunculo repentis - Alopecuretum geniculati58, Eleocharito palustris - Oenanthetum fistulosae59, etc60.

Dernier aspect à prendre en compte sur le rayonnement du Parc Naturel Régional Scarpe-Escaut, c’est sa désignation comme 50e site Ramsar français le 2 février 2020. Signataire de la Convention de Ramsar en 1971, la France a ratifié ce traité en 1986. Elle s’est alors engagée sur la scène internationale à préserver les zones humides de son territoire. Les actions de conservation et de gestion développées sur ces aires protégées servent à maintenir les caractéristiques écologiques des sites Ramsar. Son objectif est d’élaborer et de faire vivre un réseau international primordial pour la biodiversité mondiale. Un titre qui ne marque que plus le souci des collectivités locales à protéger et valoriser leurs zones humides.

Etat de l'art en Deep Learning

Le Deep Learning, ou apprentissage profond, est un dérivé du Machine Learning qui signifie « apprentissage automatique ».

Pour vous représenter, le Machine Learning, c’est ce qui permet aux ordinateurs d’apprendre à réaliser des tâches données sans être explicitement programmé à ces dernières. Le but du jeu, c’est d’imiter les caractéristiques de l’intelligence humaine, comme la capacité à percevoir son environnement, à communiquer, résoudre des problèmes, etc. En somme, un domaine très vaste où interviennent sciences cognitives, mathématiques, électronique, informatique et j’en passe. Seulement, pour que ça marche, faut une base de donnée conséquente. Pourquoi ? Juste que l’ordinateur a besoin de s’entraîner, d’accumuler des expériences pour espérer un jour devenir performant. Comme un être humain, quoi.

Le Deep Learning, si on veut, c’est une technique du Machine Learning. En l’occurrence, il s’agit de s’inspirer du cerveau humain pour reproduire artificiellement un réseau de neurones, le tout demandant de mettre en place des algorithmes que je serais bien incapable de vous expliquer d’un point de vue mathématique.

L’objectif, c’est d’apprendre à la machine à reconnaître un chat. À la base du processus, on a donc une image de chat que l’algorithme ne connaît pas.

Le schéma avec les petites bulles, faut y voir un arbre de possibilités. Chaque colonne représente une couche à l’intérieur de quoi t’as une famille de choix. Telle colonne, par exemple, tu vas avoir les yeux, telle autre, les pattes. À partir de l’image, l’algorithme va chercher à comparer par rapport à ce qu’il connaît. Après que la machine se décide entre toutes ses couches, il va proposer une réponse. Imaginons qu’avec ça, il dise qu’il reconnaît un chien. Nous, on va lui rétorquer que non. Ce faisant, la machine va recommencer et tester d’autres hypothèses en éliminant chaque fois les mauvaises réponses pour ne retenir que les bonnes. Et suivant qu’il a une base de donnée plus ou moins conséquente (car faut de quoi comparer), le processus d’apprentissage prendra plus ou moins de temps. Voilà comment fonctionne grossièrement le Deep Learning.

Le Deep Learning sert pour reconnaître les images, traduire automatiquement, créer des voitures autonomes, réaliser des diagnostics médicaux, modérer des réseaux sociaux, identifier des pièces défectueuses, etc. Ici, on va s’intéresser à la reconnaissance d’image dans l’agriculture, plus spécifiquement dans le domaine végétal.

La Chaire AgroTIC notamment s’est intéressée de près à ce sujet. Pour vous représenter, l’organisme que je viens de citer est un pôle d’innovation qui vise à accompagner la transition numérique de l’agriculture en créant un lien entre la formation, la recherche et l’entreprise. Il s’agit donc de rechercher des outils pratiques qui répondent aux enjeux du moment.

Pour revenir au Deep Learning, on constate que l’IA est déjà une réalité en agriculture, que ce soit par l’utilisation croissante des technologies de vision par ordinateur pour les applications agricoles, ou la demande croissante de surveillance continue et d’analyse de la santé des cultures. Reste qu’en l’état, la principale utilisation du Deep Learning dans l’agriculture se tient à l’analyse d’images. En particulier dans le secteur des productions végétales. Les enjeux sont doubles : pouvoir identifier des plantes pour caractériser un peuplement (composition de prairies par exemple) ou la biodiversité (quantification et qualification des espèces) ; lutter contre les adventices via une identification et localisation permettant d’intervenir de la manière la plus adaptée et proportionnée.

Seulement, ces enjeux posent plusieurs difficultés : 400 000 espèces végétales sur terre, sans parler des variétés et sous-variétés d’espèces cultivées ; il faut détecter des plantes non désirées parmi les plantes cultivées ; il faut être capable de détecter des individus avec des inter-rangs faibles, voire en intra-rangs, avec des superpositions possibles de plantes ; les adventices, plantes cultivées et fruits passent par différents stades phénologiques ou stades de maturité et sont soumis à des environnements variables (luminosité, obstacles, etc.).

Pour y répondre, plusieurs expérimentations ont été menées.

Tout d’abord, des applications basées sur une reconnaissance ponctuelle de plantes à partir d’images acquises par smartphones. Parmi elles : Xarvio Scouting qui dispose d’une capacité de reconnaissance de 82 adventices avec une précision de plus de 80 % pour 75 % des adventices détectées, intégrant également la reconnaissance de maladies, d’insectes, la quantification de dégâts foliaires et du taux d’absorption d’azote ; Pl@ntnet qui reconnaît les plantes via smartphone, incorporant un algorithme de Deep Learning calculant la probabilité de reconnaissance s’affinant à mesure que les utilisateurs infirment ou confirment les propositions de résultat de l’application.

Ensuite, des applications basées sur des acquisitions systématiques et automatisées (on ne cadre pas une plante en particulier), à partir de dispositifs embarqués : Telespazio France travaille sur la reconnaissance de certaines adventices en Grandes Cultures où se présentent des difficultés, comme les temps de traitement, la qualité nécessaire du jeu de données et la difficulté de compréhension de certains résultats ; Carbon Bee cartographie des adventices et détecte des espèces pour une pulvérisation au bon endroit, en combinaison avec des technologies d’injection directe.

Ces dernières applications montrent que l’identification des végétaux peut se coupler avec la robotique et le machinisme. Je citerai à cette fin quelques entreprises travaillant sur ces problématiques : Bilberry propose des algorithmes pour l’identification des mauvaises herbes couplés à un système de pulvérisation automatique pour une application de précision. Ce système se couple à des buses pilotables individuellement sur des rampes de pulvérisation installées sur les côtés d’un tracteur ; Ecorobotix propose un robot se servant d’algorithmes de reconnaissance d’adventices pour une pulvérisation ultra-localisée sur l’inter-rang voire le rang. Le robot embarque deux réservoirs d’une vingtaine de litres qui alimentent des buses placées au bout de bras articulés ; Agrobot est un système de récolte robotique autonome conçu pour automatiser la récolte de baies. L’algorithme détermine quand les fruits sont à maturité pour être cueillis. Ce faisant, jusqu’à 24 bras robotisés permettent de séparer le fruit de sa tige.

Le dernier domaine de recherche concernant la détection des plantes tient à la reconnaissance de maladies ou de carences. Les enjeux pour lutter contre les maladies sont de réduire les coûts liés à la perte de production ou à l’utilisation d’intrants, de réduction de l’impact environnemental. Seulement, c’est compliqué à mettre en place dans la mesure où il peut nécessiter d’identifier plusieurs symptômes sur différentes parties de la plante pour établir un diagnostic. C’est sans parler que plusieurs maladies peuvent avoir des symptômes similaires, ou que plusieurs problèmes peuvent être concomitants (carences, diverses maladies, …). Enfin, les symptômes ne se présentent pas toujours sur les surfaces facilement accessibles (peuvent être situés sous les feuilles ou masqués par des obstacles).

Plusieurs entreprises travaillent à répondre aux enjeux, comme Xarvio Scouting que j’ai déjà cité. Il y a aussi l’application PhotoDiag qui vise à reconnaître la septoriose et la rouille brune du blé. À quoi on peut ajouter Chouette Vision qui propose aux viticulteurs d’acquérir un drone et de bénéficier de services de repérage et de cartographie de ces maladies.

En conclusion, on peut retenir que le Deep Learning est déjà largement investi dans le domaine agricole. Et encore, on n’a abordé qu’un axe d’utilisation de cette technologie d’apprentissage. Pour être vraiment exhaustif, il aurait fallu aborder les utilisations du Deep Learning en productions animales pour identifier les bêtes, prévoir leurs comportements et contrôler les différents paramètres d’élevage (milieu, nourriture, etc.). Il faut aussi compter sur les estimations de récolte et de rendements, la classification de l’occupation du sol, le développement des biotechnologies agricoles, la maintenance préventive des machines agricoles, la production d’engins agricoles autonomes, les assistants de conversation. Bref, autant d’utilisations du Deep Learning, associées au développement des capteurs, objets connectés, robots et équipements agricoles qui permettent ensemble d’apporter de nouvelles réponses aux agriculteurs pour mieux gérer ses exploitations et faciliter sa vie, dans le respect de l’environnement.

Ce qu’on a pu voir notamment, c’est que les technologies de Deep Learning sont pilotées par les données. Seulement, quand on parle de données, il s’agit d’un stock très conséquent. Autrement, le modèle ne saurait être suffisamment performant pour respecter ses promesses. Ainsi, plus le problème à résoudre s’avère compliqué, plus le nombre de données nécessaires aura tendance à être grand. Des données qui doivent couvrir des variétés de situations (stades de végétation, luminosité, humidité, etc.) et nécessitant parfois un recours à des sources multiples, plus ou moins faciles d’accès. Plusieurs BDD sont à ce titre déjà utilisables en accès public (Image-Net, Plant Village, Leafsnap, LifeCLEF, Flavia Leaf, Lefsnap, etc.) afin de répondre à ces problématiques. Autre nécessité, celle d’annoter les données. Seulement, ce travail est colossal et exige qu’il soit mené par des experts en agronomie, car c’est la précision de leurs annotations qui conditionnera la performance du système, que ce soit pour les résultats mais aussi pour le temps d’apprentissage. Bien sûr, il existe des techniques d’annotation automatique, mais ces dernières ne peuvent pas toujours être utilisées pour toutes les tâches. À cela s’ajoutent d’autres problématiques extérieures à la technologie, comme la réglementation, l’évolution des composants matériels, la certification des dispositifs, la vulgarisation de leur usage pour mieux les faire accepter ainsi que la capacité à travailler de façon interdisciplinaire.

Parce que ces technologies peuvent susciter questions et craintes, il importe de bien accompagner les agriculteurs. Un rôle que la Chaire AgroTIC entend assumer.

Liens intéressants

Documentations pour le codage

Documentations techniques

API utiles

Exemples d'applications de reconnaissance de plantes

Tutoriels

Hébergeur d'images