Des algorithmes plus précis
Suite aux modifications apportées en 2020, Bettybot est aujourd’hui plus proche de l’autonomie totale. Les équipes de l’Inrae ont implémenté des algorithmes actifs, qui permettent de bouger le bras en fonction des informations reçues par la caméra du robot. L’outil est maintenant capable de détecter chaque plant de betterave au sein de la microparcelle, via des méthodes d’intelligence artificielle, et de s’en rapprocher afin de prendre des photos plus détaillées. Les derniers travaux réalisés par l’UMR Agroécologie ont, eux, consisté à caractériser et à améliorer les images brutes fournies par la caméra pour mieux les analyser. Il a ainsi été montré que ces étapes de filtrage et de rectification optimisaient les performances des étapes suivantes de segmentation des feuilles et de détection des maladies.
Des avancées au niveau du pilotage
Le robot est constitué d’un bras articulé à sept axes, qui coulisse le long d’un rail motorisé perpendiculaire à un tracteur. Une armoire électrique lui est adossée pour l’alimenter, héberger les modules de contrôle et aussi, à terme, l’ordinateur de pilotage des acquisitions. Cela permet d’automatiser le pilotage afin de suivre des déplacements préprogrammés et de parcourir l’ensemble de la microparcelle. Désormais, grâce à la détection de la position des plantes, la recherche de symptômes n’est plus limitée par un parcours préenregistré. Ces déplacements actifs permettront également de mieux identifier les maladies et, en même temps, de se diriger plus rapidement vers les zones touchées.
Des algorithmes de détection plus poussés
La qualité des images capturées est d’abord quantifiée à l’aide d’indicateurs spécialement étudiés pour ce projet : sous-exposition, surexposition, flou. En ce qui concerne l’exposition, les histogrammes des images sont analysés, comme en photographie, un décalage trop marqué vers des valeurs hautes ou basses traduisant un défaut. La netteté des photos a pu être mesurée en s’appuyant sur les variations de luminosité. Par exemple, sur une image floue, les transitions sont moins marquées entre les zones sombres et les zones lumineuses par rapport à la même scène nette. Un filtrage est ensuite réalisé sur la base de ces indicateurs de qualité. Les images trop dégradées sont alors abandonnées. Les autres font l’objet de corrections, tel que le rehaussement de contrastes.
Du projet de recherche à l’utilisation au champ
Lancé en janvier 2017, ce projet Casdar RT a pour objectif de développer un outil automatisé de mesure des symptômes des principales maladies foliaires fongiques (cercosporiose, oïdium, rouille, ramulariose). Il est issu du travail coordonné de trois partenaires : l’Inrae (via l’ex-Irstea), l’ITB et l’UMR Agroécologie, afin de combiner robotique, expertise terrain et traitement d’images.
Le système a pour but d’épauler les expérimentateurs dans la notation des gravités des maladies. En effet, chaque année, plus de quatre-vingts variétés sont testées dans le réseau d’essais des variétés commerciales et une centaine dans celui des variétés candidates à l’inscription au catalogue français.
Le bras articulé du robot permet de parcourir 6 m² de microparcelle d’essai sans intervention humaine. En début d’infestation, la caméra ira prendre des photos au plus près des suspicions de maladies. Puis, lorsque la fréquence de contamination deviendra trop importante, les capteurs exploreront entièrement le couvert. Les algorithmes distingueront ensuite les différents bioagresseurs et dénombreront les feuilles touchées. Ceci afin d’obtenir la fréquence de maladies ainsi que la surface nécrosée de manière à calculer le degré de gravité.
Le couplage du phénotypage et de la robotique permettra ainsi de gagner du temps, tout en normalisant les notations entre observateurs et en rendant la répétition des mesures possible.
Les essais variétés seront les premiers bénéficiaires de cette technologie. À terme, d’autres domaines d’expérimentation profiteront des avancées robotiques et analytiques de Phenaufol. Le projet Casdar RT Cercocap prévoit, par exemple, de réutiliser les algorithmes de détection de maladies afin de suivre le développement de la cercosporiose en parcelle agriculteur.
