AgriVision : Un ensemble de données de référence pour faire progresser la vision robotique du monde réel dans les cultures de bleuets à fruits denses

Publié le 2024-11-20 14:35:00. L’intelligence artificielle transforme rapidement le secteur agricole, et plus particulièrement la reconnaissance visuelle des cultures. Des recherches récentes explorent l’utilisation de techniques avancées, telles que la segmentation sémantique et l’apprentissage profond, pour optimiser la récolte et la gestion des cultures.

• Des algorithmes de vision par ordinateur permettent une identification précise des fruits, des fleurs et des mauvaises herbes, ouvrant la voie à une agriculture de précision plus efficace.
• Les transformateurs de vision, une architecture d’apprentissage profond, se révèlent particulièrement prometteurs pour la segmentation d’images agricoles complexes.
• Plusieurs études récentes mettent en évidence l’efficacité de ces technologies pour des cultures variées, allant des tomates aux bleuets en passant par les pommes et les pêchers.

L’agriculture de précision, qui vise à optimiser les rendements tout en minimisant l’impact environnemental, repose de plus en plus sur l’analyse d’images. Les techniques de vision par ordinateur, alimentées par l’intelligence artificielle, permettent d’automatiser des tâches traditionnellement manuelles et chronophages, comme la détection des maladies des plantes, l’estimation du rendement des cultures et la gestion des mauvaises herbes. Plusieurs publications récentes, dont celles de Ghazal, Munir et Qureshi (2024) sur l’intelligence artificielle en agriculture, soulignent l’importance croissante de ces technologies.

La segmentation sémantique, une technique clé dans ce domaine, consiste à attribuer une étiquette à chaque pixel d’une image, permettant ainsi de distinguer les différents éléments présents (fruits, feuilles, tiges, etc.). Des modèles comme SegFormer, développé par Xie et al. (2021), se distinguent par leur efficacité et leur capacité à traiter des images complexes. Des chercheurs comme Perera, Navard et Yilmaz (2024) ont même adapté ces modèles pour la segmentation d’images médicales 3D, démontrant leur polyvalence. D’autres approches, comme celle basée sur le réseau FCN (Fully Convolutional Network) décrite par Long, Shelhamer et Darrell (2015), sont également utilisées pour la segmentation des cultures et des mauvaises herbes, notamment dans le cadre d’applications liées à l’Internet des objets (IoT) (Kamal et al., 2022).

L’apprentissage profond, et en particulier les transformateurs de vision, jouent un rôle central dans ces avancées. Des modèles comme Swin Transformer (Liu et al., 2021) et Vision Transformer (Dosovitskiy et al., 2021) ont démontré des performances remarquables dans la reconnaissance d’images à grande échelle. Ces architectures sont de plus en plus utilisées pour la détection et la segmentation de fruits et de légumes, comme le montrent les travaux de Yu et al. (2019) sur la récolte de fraises robotisée et ceux de Sun et al. (2021) sur la détection de fleurs de pommiers, de pêchers et de poiriers. Des ensembles de données spécifiques, tels que Fruitseg30_segmentation (Shamrat et al., 2024) et Agrivision (Owaïs et al., 2025), sont également mis à disposition pour faciliter la recherche et le développement dans ce domaine. Accéder à l’ensemble de données Agrivision.

Les applications de ces technologies sont nombreuses et variées. Elles permettent par exemple d’optimiser la pulvérisation de pesticides (Lochan et al., 2024), d’automatiser la récolte des fruits (Yu et al., 2019), d’estimer le rendement des cultures (Maheswari et al., 2022; Razavi et al., 2024) et de détecter les maladies des plantes (Abd Almisreb et al., 2022; Abdallah et al., 2019). Des recherches récentes se concentrent également sur la détection des mauvaises herbes, notamment à l’aide de drones (Rehman et al., 2024; Jiang et al., 2022) et de techniques d’apprentissage profond enrichies en fonctionnalités. L’amélioration continue des algorithmes et la disponibilité de données de qualité sont essentielles pour garantir le succès de ces applications et pour faire progresser l’agriculture de précision.