La science des données et l’intelligence artificielle au service de l'agriculture : synthèse des travaux des instituts techniques agricoles

Assistez aux interventions à ce sujet durant le Salon International de l’Agriculture 2024

• 27 février 2024, 11h à 12h, Conférence L’Intelligence artificielle au service de l’élevage : l’imagerie 3D pour évaluer le poids des veaux, organisée par Adrien LEBRETON (Idele-Institut de l’Élevage) avec Maxence BRUYAS (Eliance), sur le stand Acta-ITA;
• 27 février 2024, 14h à15h, Conférence “Sciences des données et Intelligence artificielle pour créer des outils d’aide à la décision (OAD) concrets pour les agriculteurs”, organisée par F. BRUN (Acta) avec les Instituts techniques agricoles dont Yannis DO (Idele – Institut de l’Élevage), Benoit DE SOLAN (ARVALIS),  Maxime QUENTIN (ITAVI) sur le stand Acta-ITA;
• 29 février 2024, 11h à 12h, Conférence parlementaire L’intelligence artificielle dans les défis de l’agriculture de demain ? organisée par l’Acta et Groupama avec Jean-Paul BORDES, Mehdi SINE (Acta), Uranie JEAN-LOUIS (Idele-Institut de l’Élevage) et Stéphane JEZEQUEL (ARVALIS) sur le stand Groupama Hall 4.

Revisiter les données existantes avec l’apprentissage automatique pour créer des outils prédictifs

Historiquement, les instituts techniques agricoles accumulent de vastes ensembles de données au fil des années issues des expérimentations et des réseaux d’observation, pour constituer des références solides et répondre à des questions précises. Avec l’arrivée de l’apprentissage automatique, on peut renverser ce paradigme et voir le potentiel de ces données pour en tirer de nouvelles valorisations. En levant les verrous inhérents aux démarches statistiques classiques, une diversité d’algorithmes puissants est mobilisée pour évaluer le pouvoir prédictif de nos jeux de données. Par exemple, sur la cercosporiose en betterave, la valorisation des données épidémiologiques issues des réseaux d’observation du Bulletin de Santé du Végétal et des expérimentations de l’ITB combiné à des données météorologiques et des données agronomiques permettent de construire un outil d’aide à la décision utile pour rationaliser la lutte contre cette maladie majeur de la Betterave sucrière (projet CERCOCAP). Dans le cadre d’une thèse avec l’Inria, le potentiel de cette approche a pu être évalué pour prédire la dynamique de la cercopsporiose de la betterave et le mildiou de la vigne tout en mettant en avant les besoins d’aboutir à des algorithmes interprétables (projet REGEPI).

Autre exemple, en élevage, le poids à âge type (PAT), nécessaire pour le contrôle de performances des bovins viande, est calculé à partir d’une ou plusieurs pesées et utilisable dans divers contextes tels que le conseil, l’évaluation génétique et la sélection. Afin d’obtenir un PAT fiable, il est essentiel de planifier les pesées selon une série de critères. Ces méthodes permettent de proposer un outil intégrant un algorithme permettant de déterminer les dates de pesées optimales, en tenant compte des exigences spécifiques de l’élevage, telles que le type de système, la race, les périodes de naissance, la distribution des vêlages (projet PATApi).

Émergence de nouvelles données complexes : image, son, vidéo…  

L’évolution rapide de la technologie a donné naissance à une panoplie de capteurs multidimensionnels, tels que ceux dédiés à la capture d’images, de sons et de vidéos. Ces capteurs se développent de plus en plus dans le domaine agricole pour faciliter la surveillance et le pilotage des productions en fournissant des données d’une grande richesse. Aujourd’hui, les cinq sens de l’agriculteur peuvent être reproduits voire augmentés au moyen de nouvelles technologies, couplées à de l’intelligence artificielle. Les images aériennes capturées par des drones ou des images prises par des caméras qui comptabilisent les insectes sur des pièges, les enregistrements sonores ou encore des vidéos surveillant le comportement des animaux en élevage sont autant d’exemples de sources d’informations nouvelles.

Par exemple, en appui à la sélection variétale, le phénotypage à haut débit permet l’acquisition rapide de données nombreuses et précises d’un grand nombre d’individus issues de capteurs dont des images à haute résolution acquises par drones ou par système au sol. Mais la masse et diversité de ces données requiert des travaux et des méthodes avancées pour en extraire les informations pertinentes.

Illustration. Phénomobile au service de la caractérisation des couverts pour le phénotypage au débit (Arvalis)

Illustration. Pièges connectés pour mesurer les populations de ravageurs et d’auxiliaires (Astredhor)

Si certains de ces services sont déjà pourvus d’algorithmes permettant l’interprétation des informations collectées par ces capteurs, certaines problématiques nécessitent encore des travaux pour en tirer une information utile et fiable. Il y a encore quelques années, ce travail passait par la mise en place de tout une démarche d’analyse de ces signaux, visant à traiter successivement les données pour en tirer les informations souhaitées. Désormais, avec le Deep learning, tout un potentiel de valorisation de ces données s’est révélé.

Les potentiels du Deep Learning la valorisation des données complexes

En combinant des réseaux de neurones profonds (notamment les réseaux de neurone à convolution) et des algorithmes de transformation et de filtrage, le Deep Learning permet la valorisation de ces données complexes et massives. 

Par exemple, la segmentation d’image par deep learning est adaptée pour identifier les zones de feuillage saines et malades, comme le ferait un observateur humain. En betterave, un des enjeux vise à compléter et étendre le réseau de surveillance d’une maladie foliaire préoccupante comme la cercosporiose en utilisant des caméras connectées et des algorithmes de segmentation d’image (projet CERCOCAP). L’expertise humaine de reconnaissance des symptômes complexes de la maladie pourrait ainsi être assimilée par du machine learning et appliquée massivement sur les bassins producteurs de betterave sans solliciter davantage les observateurs, tout en gagnant en exhaustivité.

Un travail similaire a été mené sur la détection des insectes par des pièges connectés à base de caméra qui comptabilise journalièrement les individus capturés. Un changement d’échelle est possible grâce au deep learning (projet ABAPIC). Travaillé en amont, il permet d’apprendre à l’algorithme, à partir de base de données d’image, à reconnaître de nouveaux insectes ravageurs sur les panneaux de piégeage utilisés. Si la détection des papillons au moyen de piège connecté est assez courante, des ravageurs de l’ordre du millimètre sont maintenant étudiés (pucerons, cicadelles, thrips). Cette tâche fastidieuse et complexe, pour l’œil humain, apporte pourtant des éléments essentiels pour le diagnostic de ravageur et le positionnement des produits de biocontrôle en serre ou se côtoient une grande diversité d’espèces.

Ces techniques sont également fortement mobilisées pour l’aide à la sélection variétale en identifiant les génotypes les plus pertinents pour un contexte agro-climatique donné. Le deep learning rend possible l’automatisation et le traitement des données massives issues du phénotypage à haut débit dont des images à haute résolution pour extraire une large gamme de descripteurs pour chaque type variétal : hauteur, surface de feuille, précocité, tolérance aux maladies, nombre de plantes ou d’épis, etc. Cette standardisation des modes de mesures est également un atout majeur pour constituer des jeux de données acquis dans des situations agronomiques diversifiées, mais dans des conditions homogènes en termes de mode d’acquisition et de traitement. Ainsi se constituent à l’échelle internationale des jeux d’images de référence servant de base à l’entraînement des modèles de reconnaissance de formes. Le Global Wheat Challenge a par exemple associé des laboratoires et instituts des 5 continents afin de bâtir un large jeu de données de référence servant aujourd’hui de base au développement de méthodes de détection d’épis de blé.

Illustration. Détection automatique d’épis de blé par deep learning (Arvalis)

Notons également que le deep learning est de plus en plus mobilisé en contexte d’agroécologie. En effet, la caractérisation de couverts végétaux complexes, associant différentes espèces végétales est particulièrement difficile à mener par des techniques d’observation classiques. L’analyse d’image permet de segmenter rapidement les fractions de couverture, ou les hauteurs respectives des différentes espèces afin de définir des règles de décisions quant à la conduite de ces systèmes culturaux. Par exemple, à partir de quelle fraction de couverture, ou de quelle hauteur la culture associée met en concurrence la culture principale ? Ce type d’indicateur peut être calculé de manière simple et rapide par analyse d’image.

Illustration. Segmentation multi-espèces dans le cas d’une culture mixte blé / féverole (Arvalis)

En élevage, des méthodes de scan d’animaux en 3 dimensions sont développées afin d’aider à la conduite d’élevage (projets OTOP3D et PHENO3D).

En effet, il est possible d’estimer le poids d’un animal à partir de sa reconstruction 3D en se basant sur des techniques d’analyse d’images 3D et de deep learning, ce qui permet de limiter la manipulation des animaux. De telles techniques permettent également de remplacer le pointage (p.ex. la NEC, ou note d’état corporelle) manuel des animaux par un pointage automatisé moins coûteux, plus rapide et plus objectif.

Illustration. reconstruction 3D d’un bovin pour déterminer des caractéristiques corporelles (Idele)

L’utilisation de drônes en élevage offre une nouvelle source de données complexes. En s’appuyant sur des algorithmes de détection d’objet (tels que YOLO, RetinaNet, etc..), technique d’analyse d’image qui a fait ses preuves dans de nombreux domaines, les données issues d’imagerie par drône sont exploitées afin de détecter automatiquement des animaux en pâturage (projet ICAERUS). A l’aide de telles méthodes, il est possible de rapidement retrouver et compter les animaux sur des parcelles parfois très grandes.

En aviculture, un système de tracking par imagerie a été développé (projet EBroiler track) pour  détecter et suivre chaque poulet de chair dans le champ de vision de la caméra, en élevage commercial, pour quantifier sa mobilité (vitesse, distance parcourue, fréquentation des mangeoires et pipettes d’abreuvement, temps passé au repos, …). Ces données permettent de relever automatiquement certains indicateurs de santé et bien-être des poulets(animaux au repos, boiteux, morts). (voir encadré)

La prochaine étape de ce travail est en cours afin de déterminer des seuils d’alerte pour la détection précoce de désordres de santé et de bien-être des poulets de chair en élevage (EWelfareTrack 2.0). Un nouveau modèle est en cours de développement également pour prédire l’expression de comportements spécifiques, tels que l’exploration et le toilettage, avec les données de mobilité issues du tracking individuel.

Les sons peuvent également être analysés avec ces méthodes de deep learning pour notamment caractériser des toux, éternuements ou râles. En effet, chez les volailles, les vocalisations apportent des informations sur leur santé et leur bien-être (vocalisation de stress ou de confort par exemple). Ces informations, complémentaires à celles fournies par l’éleveur, peuvent permettre une détection plus précoce de l’apparition d’une pathologie. A ce jour aucune solution d’analyse acoustique n’est commercialisée pour cet usage en élevage.

Cette technologie permettrait d’avertir l’éleveur en cas de dépassement de critères d’alerte de façon à prendre immédiatement des mesures correctives adaptées et ainsi limiter l’aggravation du problème. L’objectif des travaux réalisés étaient d’évaluer la faisabilité de détecter automatiquement des symptômes de la Bronchite Infectieuse (éternuement et râles) chez les volailles. Un second objectif était d’identifier un ou plusieurs indicateurs acoustiques permettant de détecter précocement la mise en place de ce virus. Une première étape a consisté à collecter des bandes sonores en conditions expérimentales contrôlées sur des groupes de poulets de chair ROSS 308 infectés (essai ; n=30) et non infectés (témoin ; n=30) par la bronchite infectieuse.

Une première étape d’écoute par un groupe d’experts a permis de détecter et d’isoler des râles et des éternuements, permettant ainsi de les caractériser à l’aide de descripteurs acoustiques. Ensuite, un algorithme a été développé pour détecter et isoler automatiquement et spécifiquement ces symptômes sur le groupe essai. La deuxième étape de ce travail a permis de différencier le groupe de poulets sains du groupe de poulets malades au regard de l’évolution temporelle du niveau sonore relatif. Trois jours post-inoculation, une différence de 3 décibels est observée en période de nuit entre les groupes (+3 dB pour le groupe infecté ; intensité sonore multipliée par 2). Ce travail a permis de mettre en évidence l’intérêt de l’analyse acoustique pour la détection précoce de pathologies chez le poulet de chair.

Les travaux en acoustique ont volonté à être continué au sein des instituts techniques avec de prochains travaux en élevages commerciaux de poulets et poules pondeuses dans l’objectif de détecter précocement des désordres de santé et de bien-être des volailles (Acoust’CHICK 2.0 en dépôt).

Ces prochains travaux intégreront de nouvelles techniques de deep learning, spécifiques au traitement de signaux complexes comme le son.

Pour conclure

Avec ces travaux, ces services et également une offre de formation sur ces méthodes, les instituts techniques agricoles maîtrisent ces compétences indispensables pour innover et proposer de nouveaux services en s’assurant de leur qualité. En compléments, depuis peu, les instituts techniques agricoles commence à explorer l’intelligence artificielle générative pour développer des outils afin notamment de valoriser nos ressources documentaires et nos données.