Le 6/3/2020

Projet Smart Vineyard : travaux sur le calcul rendement

Ce projet a été présenté par Capgemini- Sogeti lors du FIRA 2020 pendant le colloque scientifique organisé par Robagri

Capgemini – Sogeti, entreprend depuis un peu plus d’un an un projet expérimental visant à démontrer l’intérêt de sa plateforme IoT CBioTS pour le monitoring de systèmes complexes comme les vignobles. Le vignoble de Château-Talbot, dans le bordelais, collabore à ce projet et nous propose de répondre à deux exigences : la détection de maladie et le calcul du rendement. Nous abordons ici cette seconde exigence.

Le calcul du rendement par parcelle, et donc par cépage, constitue pour un vignoble comme Château-Talbot le premier maillon dans l’évaluation de la chaîne de valeur du vin. Cette évaluation est d’autant plus importante lorsque l’on considère le cycle de vie du vin à travers les mélanges et assemblages obtenus à partir de productions s’étalant sur plusieurs années. Actuellement l’évaluation du rendement est réalisée d’une part, à l’aide d’analyse chimique d’échantillons de la production annuelle, il s’agit là de la part qualitative, et d’autre part d’une évaluation quantitative de la production annuelle par parcelle réalisé par l’expert technique du vignoble, avec une marge d’erreur de l’ordre de 10% à 15%. Nous proposons dans notre solution de répondre de façon plus précise au calcul du rendement, en projetant l’atteinte d’un taux de fiabilité supérieur à 90%. Pour cela, nous proposons de compter le nombre de grains de raisins par grappe et par parcelle à l’aide des techniques et technologies de reconnaissance d’objets dans des photos prises en conditions naturelles et sans dispositifs spécialisés de prise de vue. Par ailleurs, notre solution prévoit dans sa conception un usage embarquée dans des robots parcourant les parcelles. En effet, à dire d’experts, une estimation du comptage des grains pour le calcul du rendement serait moins fiable si elle est réalisée à partir d’échantillonnage par parcelle, que si elle est réalisée à partir d’un comptage exhaustif à partir de chacune des grappes des parcelles. Et enfin, nous souhaitons que notre solution soit embarquée pour répondre à la seconde exigence : la détection de maladie, voire la prédiction de l’apparition de certaines maladies avec la détection de certains insectes vecteurs de ces maladies, apparitions corrélées avec des données environnementales remontées au niveau de la plateforme CBIoTS par différents capteurs disposés sur les parcelles.

Pour notre expérimentation, nous avons réalisés entre le 10 et le 20 septembre 2018 environs 2000 photos de grappes de trois cépages : Cabernet Sauvignon, Merlot et Petit-Verdot. Ces photos ont été réalisées à partir de caméras standards et sans dispositif particulier d’amélioration de la stabilité ou de l’éclairage. Ces conditions ont été décidés à dessein, afin de valider les performances des techniques et technologies de reconnaissance disponibles sur étagère et/ou que nous serions en mesure de développer nous-même. Compte tenu du masquage totale de grain, intérieur de la grappe ou recouvrement totale par des éléments de l’environnement (feuilles, branches, etc.), nos algorithmes doivent reconnaitre plus de 98% des raisins décelables sur une photo de grappe, pour atteindre notre objectif de 90% de fiabilité pour le calcul du rendement.

Au cours de la dernière décennie, de nombreuses méthodes de traitement d’images et de « deep-learning » (ou apprentissage profond) ont été mises au point pour les tâches liées au comptage d’objets en général et en particulier de fruits. Cependant, les précisions des comptages sont fortement influencées par les conditions de prise de vue. La stabilité des caméras, les conditions d’éclairage, les recouvrements, les ombres, les reflets et autres bruits comme certains galets qui peuvent être confondus avec des grains, sont autant de facteur qui diminues grandement l’efficacité des algorithmes les plus performants comme Mask R-CNN et ses dérivés. En effet, l’application de ces algorithmes sur nos photos ne dépassent pas 60% de taux de reconnaissance des grains.

Pour atteindre notre objectif, nous avons développé un processus maison complet de reconnaissance. Ce processus combine les avancées les plus récentes en « deep learning » et des stratégies innovantes pour les chaînes de traitements des images, avant l’application de modèles (réseaux de neurones) mis en parallèle, et pour les chaînes de fusion des sorties de ces modèles. Grâce à ces travaux, nos taux de reconnaissance sont un peu supérieurs à 95% actuellement, pour une base d’apprentissage de moins de 100 photos. Nous atteindrons facilement 96% - 97% en augmentant simplement notre base d’apprentissage. Nous savons d’ores-et-déjà pouvoir atteindre notre objectif de 98%, voire plus, par l’amélioration du parallélisme et le séquencement des fusions des sorties modèles. D’où la publication de ces résultats.


Notre méthode peut être facilement généralisée à d'autres cultures fruitières. Et bien plus largement, moyennant des modifications mineures apportées à notre processus, le comptage de n’importe quel type d’objet à partir de photos réalisées en conditions naturelles et sans dispositif spécialisé. Ce qui nous permet d’envisager dès maintenant la détection et le comptage d’anomalies sur des feuilles ou fruit, symptômes d’une maladie, ou encore la détection et le comptage de certains insectes vecteurs de maladies. Ils nous manquent juste les robots porteurs de notre technologie...

Catégories : #Labs #Robots