Des outils d’intelligence artificielle évaluent désormais la maturité des fruits dans les vergers, prédisant les dates de récolte et les rendements à l’échelle de l’exploitation.
L’intelligence artificielle s’impose dans les vergers pour aider les producteurs à déterminer le moment optimal de la cueillette. Face à des températures estivales extrêmes et à des vagues de chaleur qui menacent la sécurité des travailleurs et la santé des cultures, les agriculteurs se tournent vers des modèles prédictifs sophistiqués.
L’utilisation des caméras d’intelligence artificielle chez Okanagan Specialty Fruits
Son entreprise, Okanagan Specialty Fruits, exploite plus de 1 250 acres de vergers de pommiers destinés à la production de tranches de fruits pour les hôtels et les écoles.
Pour maximiser sa productivité, la firme expérimente actuellement des caméras montées sur des tracteurs fournies par une entreprise canadienne nommée Vivid Machines. Ces appareils capturent des images des arbres en mouvement, tandis que l’intelligence artificielle identifie les bourgeons, les fleurs et les fruits. Right now, Vivid is telling us crop estimates and harvest dates
, explique Joel Carter, précisant que le système repère avec efficacité de minuscules bourgeons floraux difficiles à discerner à l’œil nu.
Les prévisions de rendement pour les baies et les tomates par FruitCast
La gestion du calendrier de récolte revêt une importance capitale pour les fruits à haute valeur marchande tels que les fraises, les framboises, les mûres, les bleuets et les tomates. Contrairement aux pommes, dont la fenêtre de récolte s’étend sur trois semaines pour des variétés comme les Granny Smith, les producteurs de fraises ne disposent que de quelques jours avant qu’une culture mûre ne développe rapidement des maladies, selon Raymond Martin, cofondateur et directeur des opérations de FruitCast.
Cette entreprise britannique fournit des prévisions de récolte aux producteurs de fruits en s’appuyant sur des images de cultures capturées par des drones, des smartphones ou des caméras embarquées sur des véhicules agricoles. La société, dont les modèles intègrent les données météorologiques et d’irrigation, revendique des prévisions se situant à moins de 10% du volume réellement cueilli à une semaine d’échéance, et à moins de 17% à trois semaines, tout en garantissant une marge d’erreur inférieure à 20%.
We do exactly what the farmers could do but we just do it on a scale that they can’t.
Raymond Martin, FruitCast
Des entreprises du secteur, à l’instar d’Angus Soft Fruits et des producteurs indépendants travaillant avec le vendeur californien Driscoll’s au Royaume-Uni, ont eu recours à la technologie de FruitCast. Toutefois, le directeur des opérations d’Angus Soft Fruits, Neill Finlayson, tempère l’état d’avancement de ces innovations, indiquant que cette solution technologique n’est pas encore achevée et que l’industrie demeure éloignée d’un écosystème de prévision totalement intégré.
Les défis climatiques et la précision des données historiques
Parallèlement, la fiabilité de ces outils repose lourdement sur la qualité des informations historiques alimentant les algorithmes. Joel Carter souligne qu’un tel système ne peut se contenter de parcourir internet pour estimer un rendement moyen, chaque modèle devant être configuré de manière spécifique pour chaque exploitation agricole.