Deep Learning en agriculture : état des recherches en cours

BASF lance une application mobile collaborative de surveillance des cultures
mars 7, 2018
Un robot ramasseur de choux-fleurs
mars 8, 2018
Show all

Deep Learning en agriculture : état des recherches en cours

Depuis 2012, le deep learning est rentré progressivement dans notre quotidien à travers des applications spectaculaires de reconnaissance d’objets dans les images, de reconnaissance des visages, de reconnaissance vocale et même plus récemment de traduction automatique. Mais qu’en est-il des applications futures dans le domaine de l’agriculture ? Quelle est l’état des recherches dans ce domaine ? Et quelles sont les perspectives d’applications spécifiques auxquelles il faut s’attendre dans les prochains mois ? Pour tenter de répondre à ces questions, il est intéressant de souligner la sortie récente d’un article scientifique état de l’art (review) qui vient d’être publié par des chercheurs de l’IRTA en Espagne.

Pour commencer, si comme moi vous n’êtes pas sûr de bien comprendre la rupture qu’engendre le deep learning (apprentissage profond) par rapport au machine learning dans le domaine de l’intelligence artificielle, je vous conseille de regarder une video particulièrement pédagogique sur ce théme : https://www.youtube.com/watch?v=trWrEWfhTVg 

Pour revenir à l’article scientifique, les auteurs ont passé au crible 47 articles scientifiques spécifiquement consacrés à l’utilisation du deep learning en agriculture. On remarquera tout d’abord que cela représente peu d’articles. La majorité des articles, à l’exception de 3, ont été publiés après 2014, ce qui indique à quel point cette technique est récente dans le domaine de l’agriculture. Les articles sont même très récents: 7 en 2015, 15 en 2016 et 15 articles ont été publiées en 2017. Dans un deuxième temps, les auteurs se sont naturellement intéressés aux applications traitées  ainsi qu’aux méthodes utilisées, aux procédures de test utilisées, les sources de données, etc. L’idée de ce billet n’est pas de rentrer dans les détails techniques, mais bien de se concentrer sur les applications spécifiques recensées.  La plupart des domaines d’application concernent l’analyse d’images : identification des mauvaises herbes (5 articles), classification de l’occupation du sol par télédétection (4 articles), reconnaissance des plantes (4 articles), comptage des fruits (4 articles) et classification des types de cultures par télédétection (4 articles). Les autres articles traitent d’applications variées : reconnaissance des maladies sur feuille par vision (1 article), prédiction du rendement de maïs à partir de séries temporelles climatiques (1 article), estimation de l’humidité du sol  (1 article), prédictions météorologiques (1 article), reconnaissance des races d’animaux par vision (1 article), mesure de la croissance des porcs par vision (1 article), mesure de la croissance des poulets (1 articles). Au regard des activités de recherche actuelle, il est clair que les applications du deep learning spécifiques à l’agriculture concerneront essentiellement (et sans grande surprise) des applications impliquant l’imagerie par télédétection ou par proxy-détection.

Résumé : Deep learning constitutes a recent, modern technique for image processing and data analysis, with promising results and large potential. As deep learning has been successfully applied in various domains, it has recently entered also the domain of agriculture. In this paper, we perform a survey of 40 research efforts that employ deep learning techniques, applied to various agricultural and food production challenges. We examine the particular agricultural problems under study, the specific models and frameworks employed, the sources, nature and pre-processing of data used, and the overall performance achieved according to the metrics used at each work under study. Moreover, we study comparisons of deep learning with other existing popular techniques, in respect to differences in classification or regression performance. Our findings indicate that deep learning provides high accuracy, outperforming existing commonly used image processing techniques.

référence : Kamilaris, A., & Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture147, 70-90.