L’intelligence artificielle au service de la sélection avec le robot TerraSentia

L'intelligence artificielle gagne du terrain en agriculture dans la sélection des semences. KWS développe un outil spécifique et réalise actuellement des tests avec un robot autonome aux États-Unis. Son objectif : identifier les caractéristiques des plantes avec plus de précision pour soutenir les décisions de sélection variétale. L’amélioration des rendements et les résistances des cultures agricoles sont au cœur du projet.

Temps de lecture : 8 minutes

Un robot agile et autonome aux côtés des sélectionneurs

Un mince mât avec un tube noir qui se déplace entre les épis de blé - c'est tout ce que l'on peut voir de TerraSentia depuis le bord de la parcelle. Ce robot de petite taille est alimenté par une batterie et guidé par GPS. Il se déplace dans un champ d'essai localisé à Champaign, près de Chicago, dans l'État américain de l'Illinois. Avec ses quatre roues aux bords dentelés, le robot dispose d’une très bonne agilité qui lui permet d’avancer presque sans effort en dépit des irrégularités du terrain, mottes de terre et sillons y compris. Son rôle est d’assister les sélectionneurs qui ont pour tâche de produire des végétaux moins sujets aux maladies et mieux adaptés au changement climatique. L’objectif reste avant tout de sécuriser et d’augmenter les rendements des agriculteurs dans un contexte fluctuant.

La collecte de données : le défi majeur pour la sélection variétale

Des milliers d’espèces, de parcelles, et de végétaux

L’un des plus grands défis des sélectionneurs aujourd’hui est la collecte de données pour une prise de décision optimale. KWS propose et sélectionne aujourd’hui des centaines de variétés et plus de 20 cultures. Betteraves à sucre, blé, maïs, colza, sorgho,… ne sont qu’une partie du potentiel des espèces travaillées. En tout, les experts de KWS testent chaque année des millions de plantes sur des dizaines de milliers de parcelles d'essais. Les coûts de la sélection variétale en termes de temps, de travail et d'efforts sont très importants pour la société. "Et pourtant, les sélectionneurs ne peuvent suivre qu'une partie de chaque parcelle d’essai", explique Jia Yan, chef de projet, responsable des innovations numériques chez KWS. "Il est d’autant plus pertinent de veiller sur un plus grand nombre de plantes pour être plus juste en termes de comportement sur le terrain." Mais où trouver ce temps, considérant le nombre d'épis, de feuilles ou de plantes dans chaque micro-parcelle ? A cela s’ajoute la nécessité d’étudier les végétaux dans des intervalles très courts et à travers les nombreux pays où KWS mène des activités de sélection.

La prise de données en continu

Les sélectionneurs sont assistés par le robot TerraSentia dans les parcelles d’essai situées dans l'Illinois (USA). Il a été développé et construit par la start-up EarthSense de l'Université du même état, à Urbana-Champaign. Le tube sur le mât contient deux caméras qui capturent des photos des micro-parcelles de blé. Celles-ci sont prises lors du déplacement du robot dans le champ, de façon continue. Le robot garde également en mémoire la géolocalisation des prises de vue. Grâce à lui, les sélectionneurs connaissent le stade de développement des plantes (comme le stade de l’épiaison) sur chacune des nombreuses parcelles d’essais. Jusqu'à présent, ce travail de notation était effectué par des personnes sur le terrain, qu'il pleuve ou qu'il vente.

  • 1 / 9

    Le robot ne remplace pas l'oeil expérimenté de Jana Murche, responsable du programme de sélection blé aux États-Unis, et de son équipe; cela augmente simplement la quantité de données collectées.

  • 2 / 9

    Pour former l'intelligence artificielle, Jana Murche recueille des caractéristiques phénotypiques sur le terrain.

  • 3 / 9

    Les sélectionneurs ne peuvent surveiller qu'une toute petite partie de la parcelle. Un coup d'œil sur celle de Champaign (Illinois) nous montre clairement pourquoi : elle est tout simplement immense.

  • 4 / 9

    Le robot autonome TerraSentia suit obstinément et presque inlassablement un itinéraire donné.

  • 5 / 9

    Deux caméras et lasers filment des caractéristiques tels que la hauteur de la plante et le type de blé.

  • 6 / 9

    Avantage du robot développé par la start-up EarthSense : Il peut être répliqué pour collecter encore plus de données.

  • 7 / 9

    Les producteurs de blé récoltent des lignées sélectionnées pour la prochaine génération de sélection.

  • 8 / 9

    Les meilleures lignées peuvent être déterminées sur la base des données du robot et de l'évaluation par l'intelligence artificielle, explique la sélectionneuse Jana Murche.

  • 9 / 9

    Le sélectionneur blé Mark Christopher mesure la hauteur des lignées sélectionnées. C’est un autre exemple d'intervention humaine préservée dans le processus de sélection.

L’intelligence artificielle pour l’analyse des images

Pourtant, le cœur du système n'est pas le robot à quatre roues, mais une solution logicielle d'intelligence artificielle développée par les sociétés KWS et EarthSense.
On parle d'intelligence artificielle lorsqu'un système est capable de fournir des résultats qui ne pourraient être obtenus qu'à partir d’une analyse faite par des êtres intelligents, comme les humains. Concrètement, la solution d’intelligence artificielle de TerraSentia étudie les images prises par le robot. Il identifie ensuite les éléments intéressants pour les sélectionneurs. Par exemple, il va pouvoir déterminer si l’épi est déjà pleinement développé ou s'il est encore partiellement entouré de feuilles protectrices pour déterminer le stade de développement.

Pour ce faire, le logiciel d’intelligence artificielle doit d'abord être formé à cette tâche. Des sélectionneurs de blé, comme Jana Murche et Mark Christopher examinent les images prises par le robot. Les caractéristiques pertinentes à relever sont : l'émergence des épis, la hauteur des plantes et le type de végétaux. Les maladies foliaires ou celles qui affectent les épis présentent également un grand intérêt pour les sélectionneurs.

Ensuite, des spécialistes des données "alimentent" le logiciel avec les informations fournies par les sélectionneurs. Celles-ci permettent au logiciel de corréler l’image à l’information voulue, par exemple au niveau du stade de développement. L’interprétation « gaine éclatée », « émergence de l’épi » ou « épi dégagé » sera faite automatiquement et avec précision sur la parcelle et à un moment donné.

L’IA, une technologie d’avenir performante dès aujourd’hui

Une fiabilité des données supérieure à 90%, dès la première version

Le logiciel génère des connaissances à partir de l'expérience, par le biais de la répétition. En intégrant les données dans la phase d’apprentissage, son réseau neuronal crée ainsi un nouveau modèle mathématique, appelé « algorithme ». Il est en phase d’"apprentissage". Une fois que le système a obtenu suffisamment de données de la part des sélectionneurs, il les utilise seul pour comparer de nouvelles images et prendre des mesures. Dans le cas de TerraSentia, il évalue les photos de plantes sans avoir besoin de l'aide de l'homme. Si l’on souhaite qu’il travaille sur une autre espèce, comme la betterave sucrière, par exemple, il nécessitera une nouvelle phase d’apprentissage. Le réseau neuronal est réentraîné et l'algorithme adapté à chaque nouvelle application. Les résultats de la première version du système datent de 2018. Ils montrent que l'algorithme fonctionne déjà avec précision. L'intelligence artificielle détecte les épis en phase d’émergence avec une fiabilité de 96 %. Elle peut identifier si un épi est barbu avec une précision de 92 %. Le système est aujourd'hui en constante amélioration. L'objectif est que TerraSentia se déplace chaque jour sans effort et de manière autonome sur le terrain, une, deux voire trois fois selon les besoins. "Cela nous permettra de prendre des décisions plus judicieuses dans le cadre de la sélection", explique Mark Christopher, sélectionneur de blé. "En particulier dans notre pépinière de sélection avec ses centaines de milliers de rangs individuels. Jusqu’à présent, il n'était pas facile pour nous de collecter ces données."

L’expérience des experts toujours essentielle

L’expérience des experts toujours essentielle Pourtant, cet exemple montre également que "la technologie ne remplacera pas l'expérience des sélectionneurs", déclare Jia Yan, responsable du projet. L'intelligence artificielle et la robotique peuvent aider les sélectionneurs en leur fournissant des informations plus complètes. Ils peuvent ainsi prendre des décisions sur une base plus solide. "Mais seuls de bons sélectionneurs peuvent former le système pour qu'il fournisse des informations pertinentes et avec précision." La combinaison de l'intelligence humaine et de l’intelligence artificielle rend le processus de sélection plus rapide et plus fiable. Le travail avec l'intelligence artificielle et les robots autonomes est par conséquent un élément important de la stratégie de recherche de KWS.

Vous souhaitez lire plus d'articles comme celui-ci ?
Rejoignez gratuitement le club myKWS

Une conception simple et rapide qui facilite la démocratisation de la technologie

Plus il y a de robots qui travaillent dans les parcelles, plus les sélectionneurs acquièrent des données. TerraSentia peut manœuvrer dans de nombreuses parcelles. Il est également relativement facile à construire. Le prédécesseur du modèle actuel a même été conçu par une imprimante 3D. La technologie de navigation et les caméras numériques sont désormais répandues et standardisées. Par conséquent, de nouveaux robots peuvent être mis à disposition rapidement. Quant à la puissance de calcul nécessaire à l'entraînement et au fonctionnement d'un réseau neuronal, elle est toute trouvée grâce aux ressources disponibles en un clic, dans le cloud. Les avancées en termes technologiques sur l’intelligence artificielle sont aussi nombreuses. Des chercheurs du monde entier travaillent pour étendre les capacités de l'intelligence artificielle - par exemple pour réduire le nombre d'images d'entraînement nécessaires. "Nous formons notre système en ce moment et ne l'utilisons pas encore à des fins commerciales", explique Jia Yan. "Mais ce n'est qu'une question de temps avant que les robots et l'intelligence artificielle ne nous aident dans la sélection variétale".

Le phénotypage - un regard sur la plante pour la sélection variétale

Pour s'assurer que les plantes se développent correctement, les sélectionneurs les soumettent à une surveillance fréquente et répétitive sur le terrain. L’intérêt est d’étudier l’influence de l’environnement sur leur patrimoine génétique (génotype). Cela demande beaucoup de temps. Beaucoup d'expérience est également nécessaire en matière de sélection variétale pour évaluer les caractéristiques existantes ou souhaitées de la plante - son phénotype - et y répondre par des mesures de sélection appropriées. L’utilisation de la technologie facilite ce travail en automatisant la remontée de données issues des parcelles d’essais et leur analyse. Grâce aux prises de vue des parcelles depuis le sol ou en hauteur, il est par exemple possible de détecter des caractères spécifiques des végétaux. Après traitement sur ordinateur et analyse grâce à l’intelligence artificielle, l’outil en déduit des informations pertinentes pour optimiser la prise de décision en termes de sélection variétale. L’étroite collaboration entre les spécialistes de l'informatique et les sélectionneurs expérimentés est essentielle dans ce processus.

Qu'est-ce que l'intelligence artificielle ?

L'intelligence artificielle (IA) est un domaine de recherche qui a le vent en poupe depuis quelques années. A ses débuts, elle se penchait sur un avenir lointain où les machines assumeraient d'importantes tâches humaines. Ces dernières années, cette vision a pris une forme plus concrète avec des applications commercialisées telles que les assistants vocaux, les traducteurs vocaux, les véhicules autonomes ou la détection du cancer et d'autres maladies.
L'intelligence artificielle est basée sur d’importants volumes de données, communément appelés big data. Elle peut être répartie en trois domaines :
- Perception - comme la reconnaissance vocale, de texte, d’image ou la reconnaissance faciale. - Apprentissage - comme l'apprentissage profond (ou deep learning) et l'apprentissage automatique (ou machine learning) - Application - telle que l'utilisation de robots comme TerraSentia.

Retour à la page principale « World of Farming »
« World of Farming »

Votre contact

Stephan Krings
Stephan Krings
Head of Global Marketing and Communications
Envoyer un email
CONTACT

Common icons/confirm-email