Utiliser la technologie pour améliorer la cueillette des fruits

La cueillette des fruits est super importante dans l'agriculture, mais y’a plein de défis qui peuvent causer du gaspillage et des pertes. Beaucoup de fruits et légumes se perdent même avant d'arriver chez les clients, ce qui coûte cher aux agriculteurs. Cet article parle d'un projet qui utilise des Capteurs portables et de l'apprentissage machine pour suivre le travail des cueilleurs. L’idée, c'est d'aider les agriculteurs à mieux gérer leurs processus de cueillette et de transport.

#Le Processus de Cueillette des Fruits

Pendant la récolte, les cueilleurs mettent les fruits qu'ils ramassent dans des sacs. Quand ces sacs sont pleins, ils les vident dans des bacs plus grands. Ces bacs sont ensuite transportés vers une zone de refroidissement pour garder les fruits frais. Savoir quand le sac est vidé aide les agriculteurs à mieux gérer les bacs. C’est super important, car si les fruits restent trop longtemps dans la chaleur, ils pourrissent.

#Importance de Reconnaître les Événements de Vidage de Sac

Détecter quand les cueilleurs vident leurs sacs est essentiel pour surveiller leur productivité et combien les bacs sont pleins. La vitesse à laquelle les sacs sont vidés peut montrer à quelle vitesse les cueilleurs travaillent. De plus, savoir combien de sacs ont été vidés aide les agriculteurs à maintenir le bon nombre de bacs sur le terrain.

#Utilisation de Capteurs Portables

Pour suivre ces activités, des capteurs sont fixés aux sangles des sacs que les cueilleurs utilisent. Ces capteurs suivent les mouvements des cueilleurs et leur proximité avec les bacs. Les données collectées par ces capteurs aident à identifier quand un événement de vidage de sac se produit. Deux types de modèles sont comparés : un modèle d'apprentissage machine basé sur des caractéristiques et un modèle d'apprentissage profond appelé Réseau de Neurones Convolutionnels Récurrents (RCNN).

#Collecte de Données

Les chercheurs ont mis en place un essai dans une ferme d'avocats pour collecter des données. Ils ont équipé deux cueilleurs de capteurs et ont noté quand ils ont vidé leurs sacs dans les bacs. Les données collectées contenaient des informations des capteurs d'accéléromètre, qui mesurent le mouvement, et des données sur la force du signal du capteur. Pendant plusieurs heures, ils ont enregistré de nombreux moments où les sacs ont été vidés.

#Difficultés dans le Marquage des Données

Un défi rencontré était de marquer combien de temps chaque événement de vidage de sac a duré. Bien que les temps des événements aient été notés, la durée exacte ne l'était pas. Donc, deux approches ont été utilisées pour affiner les temps des événements : le marquage manuel par des experts et le marquage semi-supervisé utilisant une méthode de regroupement appelée K-means.

#Processus de Marquage Manuel

Le processus manuel implique des experts observant les mouvements des cueilleurs. Ils surveillent les changements dans la façon dont les cueilleurs marchent en portant un sac plein et suivent les mouvements impliqués dans le levage et le vidage du sac. En analysant les données autour de ces mouvements, les chercheurs ont défini les temps et durées des événements de vidage de sac.

#Regroupement K-means pour le Marquage

Dans l’approche semi-supervisée, le regroupement K-means aide à attribuer des étiquettes aux données en fonction des caractéristiques statistiques des mouvements enregistrés. L'algorithme étiquette initialement les événements de vidage de sac en fonction de durées prédéfinies et raffine ensuite ces étiquettes au fil des itérations pour capturer les événements plus précisément.

#Modèles d'Apprentissage Machine

Deux modèles d'apprentissage machine ont été appliqués aux données : un modèle traditionnel basé sur des caractéristiques et le RCNN. Le modèle d'ensemble utilise une combinaison de différents classificateurs, tandis que le RCNN traite les données dans un modèle unique de bout en bout sans avoir besoin d'extraction de caractéristiques.

#Modèle d'Ensemble Basé sur les Caractéristiques

Pour le modèle basé sur les caractéristiques, les données sont divisées en segments, et diverses caractéristiques sont extraites pour chaque segment. Les caractéristiques incluent différentes mesures statistiques comme la moyenne et l'écart type. Le modèle combine les sorties des classificateurs pour déterminer la probabilité d'un événement de vidage de sac.

#Réseau de Neurones Convolutionnels Récurrents (RCNN)

Le RCNN combine des couches convolutionnelles et récurrentes, ce qui lui permet de capturer à la fois des modèles spatiaux et temporels dans les données. Le RCNN prend des fenêtres de données de capteur et classe chaque fenêtre en événements de vidage de sac ou non. Ce modèle a l'avantage d'apprendre automatiquement les caractéristiques pertinentes à partir des données.

#Évaluation des Modèles

La performance des modèles est testée grâce à un processus appelé validation croisée, où les données sont divisées en parties pour l'entraînement et le test. La précision, la précision, le rappel et le score F sont des mesures utilisées pour évaluer comment chaque modèle performe dans la détection des événements de vidage de sac.

#Résultats de l'Étude

Le RCNN a généralement surpassé le modèle basé sur les caractéristiques en termes de précision. Cependant, il s'est avéré moins confiant dans ses prédictions, ce qui signifie qu'il a manqué quelques événements de vidage de sac. Le modèle basé sur les caractéristiques était plus cohérent dans la détection des événements mais a produit plus de faux positifs, ce qui signifie qu'il a parfois signalé une activité comme un événement de vidage de sac quand ce n'était pas le cas.

#Conclusion

Ce projet met en avant le potentiel d'utilisation de capteurs portables et de l'apprentissage machine pour surveiller les activités des cueilleurs de fruits. La capacité de reconnaître quand les sacs sont vidés peut aider les agriculteurs à améliorer leurs pratiques de gestion, réduire le gaspillage, et finalement accroître la productivité. Les travaux futurs se concentreront sur le perfectionnement des modèles et la collecte de plus de données pour améliorer encore la précision.

#Directions Futures

Les plans pour de futures recherches incluent l'amélioration des modèles pour gérer des situations plus complexes et augmenter leur capacité à apprendre à partir de données supplémentaires. Collecter plus de données dans diverses conditions de récolte pourrait mener à une meilleure compréhension de comment différents facteurs affectent la détection des événements de vidage de sac. De plus, les capteurs pourraient donner des infos sur d'autres éléments de la cueillette, comme le poids des sacs et la sécurité des cueilleurs.

En appliquant ces technologies, le secteur agricole pourrait voir des améliorations en efficacité et une réduction du gaspillage, ce qui profiterait à la fois aux agriculteurs et aux consommateurs.