Méthodes de détection ciblées pour le contrôle des pucerons

Les pucerons sont des petits insectes qui peuvent causer pas mal de dégâts aux cultures. Ils menacent les agriculteurs et peuvent impacter l'approvisionnement alimentaire mondial. Pour protéger leurs champs, les agriculteurs utilisent souvent des Pesticides chimiques. Mais asperger tout un champ avec ces produits coûte cher et peut nuire à l'environnement. Du coup, il est super important de repérer où se trouvent les pucerons et combien il y en a pour cibler l'utilisation des pesticides de manière efficace.

Détecter les pucerons, c'est pas facile parce qu'ils sont minuscules et se regroupent souvent en gros paquets appelés grappes. Cet article parle d'une méthode pour estimer les populations de pucerons en trouvant et en évaluant ces grappes. Les auteurs ont pris des millions d'images dans des champs de sorgho, ont sélectionné 5 447 images contenant des pucerons et ont marqué chaque grappe dans ces images. Ensuite, ils ont divisé ces images en sections plus petites pour créer un ensemble de données avec plus de 151 000 morceaux d'images étiquetés. Ils ont testé la performance de quatre Modèles de Détection avancés sur cet ensemble de données.

#Impact des pucerons sur la culture

Chaque année, les agriculteurs perdent environ 37 % de leurs cultures à cause des ravageurs, et environ 13 % de cette perte est causée par des insectes comme les pucerons. Beaucoup d'agriculteurs investissent énormément dans les pesticides pour lutter contre ces nuisibles, mais une grande partie de cette dépense est inefficace. En réalité, seule une petite partie des pesticides touche directement les insectes, tandis que le reste peut mener à la pollution et à un gaspillage de ressources.

Dans de nombreux cas, seules certaines zones d'un champ reçoivent la quantité nécessaire de pesticide. Certaines zones peuvent souffrir parce qu'elles ne sont pas traitées à temps, tandis que d'autres peuvent être aspergées trop, même quand il n'y a pas de nuisibles.

#Besoin de meilleures méthodes de détection

Les technologies robotiques pour appliquer les pesticides ne sont pas encore complètement développées parce que les systèmes de caméras ont du mal à repérer où se trouvent les nuisibles dans des cultures complexes. Il y a un besoin urgent d'un système d'application intelligent qui puisse cibler avec précision les zones infestées au lieu de pulvériser partout.

La détection d'objets-reconnaître et localiser des éléments dans des images-est essentielle en robotique agricole. Cependant, trouver de petits nuisibles comme les pucerons est particulièrement difficile. Les réseaux de neurones convolutionnels (CNN) ont été utilisés dans divers domaines, y compris l'imagerie médicale et la détection d'objets, mais détecter des pucerons individuels n'est pas fiable même avec les meilleurs modèles.

La plupart des modèles de détection existants se concentrent sur l'identification de pucerons individuels, mais ils ont du mal à bien fonctionner avec des grappes de pucerons. Ces modèles sont souvent entraînés avec des images idéales de pucerons, ce qui les rend moins efficaces dans des situations réelles où les grappes sont denses et difficiles à séparer.

#Création de l'ensemble de données

Pour créer cet ensemble de données, des millions d'images ont été rassemblées depuis des champs de sorgho sur deux saisons de croissance. Parmi elles, seulement 5 447 images avec une présence suffisante de pucerons ont été choisies et annotées manuellement pour former des grappes. Plutôt que d'étiqueter des pucerons individuels, les auteurs ont créé des boîtes délimitantes autour de groupes de pucerons, simplifiant le processus de détection.

De plus, pour améliorer la qualité de l'ensemble de données, les auteurs ont utilisé une configuration d'imagerie sophistiquée. Trois caméras GoPro ont été utilisées à différentes hauteurs pour capturer les plantes sous divers angles, permettant d'avoir une gamme d'images plus variée.

#Processus de labellisation des données

Une équipe de chercheurs formés était responsable de l'annotation des images de pucerons en utilisant un outil dédié. Ils ont créé des masques de segmentation pour chaque image et généré des boîtes délimitantes basées sur ces masques. Au total, 59 767 grappes ont été étiquetées.

Définir ce qui constitue une grappe de pucerons est essentiel pour garantir une labellisation cohérente. Les grappes ont été définies comme des zones ayant six pucerons ou plus proches les uns des autres. Cette approche équilibre la nécessité de précision tout en étant efficace dans le processus de labellisation.

#Gestion des morceaux d'images

La plupart des images de l'ensemble de données étaient plus petites que 1 500 pixels, ce qui les rendait gérables pour l'entraînement du modèle. Pour créer des morceaux plus petits, les auteurs ont découpé les images originales haute résolution en sections, en veillant à ce qu'il y ait un certain chevauchement entre les morceaux.

Durant ce processus de découpe, certaines petites grappes pouvaient se faire séparer et donner des étiquettes partielles. Il était nécessaire de retirer ces petites grappes-définies comme ayant une superficie inférieure à 1 % du morceau-car elles ne contribuaient pas significativement à l'entraînement ou aux tests des modèles.

#Modèles de détection d'objets

Une détection d'objets efficace nécessite à la fois de classifier ce que sont les objets et de les localiser dans une image. Les auteurs ont mis en œuvre quatre modèles de détection avancés pour évaluer leur performance sur la détection des pucerons.

Ces modèles peuvent ajuster de manière adaptative les seuils pour améliorer la précision en fonction des propriétés statistiques des données. Par exemple, certains modèles peuvent ajuster dynamiquement comment ils classifient les échantillons en fonction de leur statut d'entraînement.

Les quatre modèles testés étaient :

1. ATSS - Ce modèle calcule des seuils adaptatifs basés sur les propriétés statistiques des boîtes délimitantes et des objets réels pour améliorer son processus de sélection.
2. GFLV2 - Ce modèle utilise des statistiques pour identifier des boîtes délimitantes de haute qualité, améliorant ainsi la détection des objets.
3. PAA - Ce modèle combine des scores de classification et de localisation pour mieux distinguer entre des échantillons positifs et négatifs.
4. VFNet - Ce modèle s'appuie sur ATSS et se concentre sur la création de prédictions plus précises pour les boîtes délimitantes.

Tous les modèles ont montré de bonnes performances, mais il y avait encore des défis dus aux tailles et formes irrégulières des grappes de pucerons.

#Évaluation des modèles de détection

Pour évaluer correctement la performance des modèles, une méthode appelée validation croisée à 10 volets a été utilisée. Cette approche divise l'ensemble de données en 10 groupes pour garantir une évaluation approfondie. Chaque modèle a été entraîné et testé sur ces groupes, permettant une comparaison de performance claire et cohérente.

Les auteurs ont mesuré l'efficacité des modèles en utilisant la Précision Moyenne (AP), qui examine comment les modèles ont prédit la présence de pucerons tout en tenant compte de la précision des boîtes délimitantes.

#Conclusions et résultats

Après avoir évalué les modèles, les auteurs ont trouvé que fusionner des grappes proches améliorait la précision de détection. Ils ont testé différents réglages pour l'Intersection sur Union (IoU), qui aide à déterminer à quel point les boîtes prédites s'alignent bien avec les objets réels. Un IoU d'environ 0,5 a donné les meilleurs résultats dans l'ensemble.

Bien que les modèles aient bien fonctionné, le défi de gérer de petites grappes reste. Les modèles produisaient souvent des faux positifs car ils avaient du mal à identifier les grappes avec précision. Les auteurs ont noté qu'il fallait encore travailler pour affiner les méthodes d'identification et de suppression des doublons de prédictions.

#Conclusion

Les conclusions de cette étude indiquent que détecter des grappes de pucerons plutôt que des insectes individuels pourrait donner de meilleurs résultats. L'ensemble de données créé sera utile pour des recherches futures et pourra aider les agriculteurs à estimer avec précision les populations de pucerons dans leurs champs. En permettant des applications de pesticides plus précises, ce travail a le potentiel d'améliorer les rendements des cultures tout en minimisant l'impact environnemental.

L'étude souligne l'importance d'une labellisation efficace et du développement de modèles d'apprentissage automatique efficaces pour la détection des nuisibles. À mesure que la technologie progresse, on espère que des systèmes plus intelligents seront développés pour aider les agriculteurs à faire face aux problèmes de nuisibles plus efficacement.

#Travaux futurs

Cette recherche sert de tremplin pour des études futures sur la détection des nuisibles. Les auteurs invitent d'autres membres de la communauté de recherche à utiliser l'ensemble de données et les conclusions pour inspirer d'autres travaux dans ce domaine crucial de la science agricole.

En faisant avancer les méthodes de détection des pucerons et potentiellement d'autres nuisibles, il pourrait être possible d'améliorer la sécurité alimentaire et le revenu des agriculteurs à long terme.