Simple Science

La science de pointe expliquée simplement

# Informatique# Vision par ordinateur et reconnaissance des formes# Apprentissage automatique

Automatisation de l'évaluation en agriculture de précision

Cette recherche présente des méthodes automatisées pour évaluer le pulvérisation de précision en agriculture.

― 8 min lire


Évaluation Automatisée deÉvaluation Automatisée deSpray Précisagricole.les évaluations de pulvérisationDes méthodes d'IA innovantes améliorent
Table des matières

L'agriculture de précision se concentre sur l'amélioration des pratiques agricoles pour garantir de meilleurs rendements tout en minimisant le gaspillage. Une des techniques clés dans ce domaine, c'est le pulvérisateur de précision, qui consiste à appliquer des produits chimiques comme des pesticides ou des engrais avec une grande précision pour réduire l'impact environnemental. Mais évaluer l'efficacité de ces systèmes de pulvérisation, c'est pas toujours simple. Les méthodes traditionnelles reposent souvent sur l'observation humaine, ce qui peut être lent et sujet à des erreurs.

Ce travail vise à automatiser le processus d'évaluation des pulvérisateurs de précision. En utilisant des techniques de vision par ordinateur et d'Intelligence Artificielle, on peut évaluer le bon fonctionnement de ces systèmes sans avoir besoin des méthodes traditionnelles qui demandent beaucoup de travail et qui sont moins précises.

Importance de l'évaluation automatisée

Un bon pulvérisage est crucial pour l'application efficace des produits chimiques en agriculture. Les pulvérisateurs doivent être calibrés avec soin pour s'assurer que la bonne quantité est appliquée aux bonnes zones. Cela aide à réduire le gaspillage et à minimiser les dommages à l'environnement. Le besoin de méthodes d'évaluation précises est souligné par des réglementations comme le Green Deal de l'Union Européenne, qui exige que les systèmes modernes de pulvérisation prouvent leur efficacité à réduire l'utilisation de produits chimiques.

Actuellement, les méthodes d'évaluation utilisent souvent des outils comme les papiers sensibles à l'eau (WSP) ou des traceurs de colorants. Même si ces techniques aident à mesurer combien de pulvérisation atteint les cibles visées, elles ont plusieurs limites, comme nécessiter une installation manuelle et potentiellement mener à des erreurs subjectives. Donc, il y a une forte demande pour des solutions innovantes qui peuvent évaluer automatiquement le dépôt de pulvérisation.

Travaux antérieurs

Dans des études passées, on a essayé d'évaluer l'efficacité des systèmes de pulvérisation sans utiliser d'outils traditionnels. On a réussi à classer si une zone avait été pulvérisée ou non, mais il y avait encore des lacunes sur ce qui avait été pulvérisé et en quelle quantité. Pour surmonter ces défis, cette recherche ajoute une nouvelle couche d'évaluation grâce à une Segmentation sémantique détaillée, qui classe les différents objets dans les images prises avant et après la pulvérisation.

Ensemble de données et méthodologie

Vue d'ensemble de l'ensemble de données

L'ensemble de données utilisé pour cette étude comprend des images de plateaux contenant de la laitue et des mauvaises herbes courantes comme le cerfeuil et le ray-grass. Les images sont prises avant et après l'utilisation d'un pulvérisateur de précision. Ce pulvérisateur, connu sous le nom de pulvérisateur XY, a été développé pour cibler précisément ces plantes et utilise une caméra pour capturer les images nécessaires à l'évaluation. Au total, 176 images ont été collectées pour l'analyse.

Processus d'annotation

Pour former les modèles d'intelligence artificielle pour la segmentation sémantique, des étiquettes spécifiques ont été ajoutées aux images. Le processus d'étiquetage a été semi-automatisé pour augmenter l'efficacité. Un annotateur humain a d'abord marqué les zones autour des plantes, puis un modèle a été appliqué pour donner plus de détails sur les segments. Cela a permis de créer une représentation plus précise de ce qui était présent dans les images, permettant au système de faire la différence entre les cibles pulvérisées et non pulvérisées.

Définition des classes

Les classes définies pour cette étude incluent l'arrière-plan, la laitue, le cerfeuil, le ray-grass et leurs homologues pulvérisés. Cette étiquetage structuré permet une mesure plus précise de la couverture et de l'efficacité du système de pulvérisation.

Estimation de dépôt faiblement supervisée

Une nouvelle tâche a été introduite pour estimer les valeurs de dépôt en fonction du nombre de fois chaque zone a été ciblée pendant la pulvérisation. En identifiant les points clés dans les images où le pulvérisateur a fonctionné, les chercheurs pouvaient estimer combien de produits chimiques ont atterri sur chaque classe de plantes. Cette approche offre un moyen de mesurer l'efficacité sans avoir besoin de suivre chaque goutte individuelle.

Comment fonctionne l'estimation

Pour calculer les valeurs de dépôt potentielles, la quantité moyenne pulvérisée par activation du pulvérisateur a été déterminée, permettant une estimation simple pour chaque plante ciblée. Cette méthode réduit considérablement l'effort nécessaire par rapport aux méthodes de suivi traditionnelles.

Pipeline d'intelligence artificielle explicable

Un pipeline d'Intelligence Artificielle Explicable (XAI) a été développé dans le cadre de cette recherche. Ce système utilise différentes méthodes pour visualiser et interpréter les prédictions de l'IA. En utilisant des cartes d'activation de classe (CAMs), le pipeline se concentre sur les zones des images que le modèle considère comme importantes pour faire des prédictions.

Comparaison des techniques CAM

Deux techniques CAM, AblationCAM et ScoreCAM, ont été testées pour voir laquelle fournissait de meilleures explications visuelles des prédictions du modèle. Ces méthodes permettent aux chercheurs de mieux comprendre quelles zones de l'image l'IA examine lorsqu'elle évalue si une cible a été pulvérisée.

Segmentation et métriques d'évaluation

Pour évaluer la qualité des résultats de segmentation, plusieurs métriques ont été utilisées. Cela inclut les scores de Dice et l'intersection moyenne sur l'union (mIoU), qui mesurent à quel point les segments prédits correspondent à la vérité terrain. De bons scores indiquent une prédiction plus précise des cibles.

Résultats de la segmentation

Les résultats ont montré que les modèles ont bien performé dans la segmentation des différentes classes. Par exemple, certaines architectures ont produit de meilleurs scores pour des plantes spécifiques, mettant en lumière les forces de chaque modèle utilisé dans l'étude.

Fusion de caractéristiques uniquement en inférence

Une technique connue sous le nom de fusion de caractéristiques uniquement en inférence a été introduite pour voir si combiner les sorties de différentes parties des modèles pendant l'inférence pouvait donner de meilleurs résultats. Cette méthode permet d'améliorer l'apprentissage sans ajouter de complexité pendant la phase de formation.

Avantages de la fusion de caractéristiques

La fusion de caractéristiques combine des informations provenant de différentes sorties pour fournir une vue plus complète des prédictions. Cette approche a été testée sur plusieurs architectures et a permis d'améliorer l'interprétabilité des résultats, menant à de meilleures performances globales dans les tâches de segmentation et d'estimation.

Évaluation de l'estimation de dépôt faiblement supervisée

La tâche d'estimation de dépôt faiblement supervisée a été évaluée pour voir à quel point les modèles pouvaient estimer combien de pulvérisation a atteint les cibles. Les modèles ont été évalués en fonction de leurs taux de réussite et de l'exactitude de leurs prédictions.

Résumé des résultats

Les résultats ont indiqué que certains modèles excellaient dans certains domaines. Par exemple, le réseau entièrement convolutionnel (FCN) avec une combinaison particulière de fusion de caractéristiques a atteint la meilleure performance globale, démontrant la force de cette méthode. Cependant, chaque modèle avait ses forces et ses faiblesses pour prédire différentes classes.

Conclusion

Cette recherche illustre une nouvelle approche pour évaluer l'efficacité des systèmes de Pulvérisation de précision sans se baser sur des méthodes manuelles traditionnelles. En utilisant l'évaluation automatisée et des techniques avancées de vision par ordinateur, nous pouvons identifier plus précisément quelles plantes ont été pulvérisées et estimer la quantité appliquée.

Les résultats montrent que combiner des modèles avec une fusion de caractéristiques améliore considérablement l'interprétabilité, augmentant ainsi la confiance dans les résultats. Les travaux futurs impliqueront de peaufiner ces méthodes et de valider davantage leur efficacité par rapport aux techniques d'évaluation traditionnelles.

Travaux futurs

Pour l'avenir, les chercheurs prévoient d'améliorer le système pour identifier les gouttes individuelles de pulvérisation avec plus de précision. Cela permettra de faire des comparaisons encore plus précises avec les méthodes traditionnelles actuelles pour mesurer le dépôt de pulvérisation. En améliorant l'exactitude de ces Évaluations, le secteur agricole pourrait en bénéficier grandement, menant à des pratiques plus durables et une meilleure gestion des ressources.

Source originale

Titre: Deep Learning for Precision Agriculture: Post-Spraying Evaluation and Deposition Estimation

Résumé: Precision spraying evaluation requires automation primarily in post-spraying imagery. In this paper we propose an eXplainable Artificial Intelligence (XAI) computer vision pipeline to evaluate a precision spraying system post-spraying without the need for traditional agricultural methods. The developed system can semantically segment potential targets such as lettuce, chickweed, and meadowgrass and correctly identify if targets have been sprayed. Furthermore, this pipeline evaluates using a domain-specific Weakly Supervised Deposition Estimation task, allowing for class-specific quantification of spray deposit weights in {\mu}L. Estimation of coverage rates of spray deposition in a class-wise manner allows for further understanding of effectiveness of precision spraying systems. Our study evaluates different Class Activation Mapping techniques, namely AblationCAM and ScoreCAM, to determine which is more effective and interpretable for these tasks. In the pipeline, inference-only feature fusion is used to allow for further interpretability and to enable the automation of precision spraying evaluation post-spray. Our findings indicate that a Fully Convolutional Network with an EfficientNet-B0 backbone and inference-only feature fusion achieves an average absolute difference in deposition values of 156.8 {\mu}L across three classes in our test set. The dataset curated in this paper is publicly available at https://github.com/Harry-Rogers/PSIE

Auteurs: Harry Rogers, Tahmina Zebin, Grzegorz Cielniak, Beatriz De La Iglesia, Ben Magri

Dernière mise à jour: Sep 24, 2024

Langue: English

Source URL: https://arxiv.org/abs/2409.16213

Source PDF: https://arxiv.org/pdf/2409.16213

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires