G. Jones, M. Louargant, S. Villette, J.N. Paoli, T. Maillot & C. Gée Agroécologie, AgroSup Dijon, INRA, Univ. Bourgogne Franche-Comté, F-21000 Dijon, France Correspondance : gawain.jones@agrosupdijon.fr
Résumé
Dans un cadre de diminution des produits phytosanitaires, l'agriculture de précision est une solution technique pour diminuer l'impact environnemental de l'agriculture sans transformer les systèmes de production actuels. La démocratisation des drones aériens pour l'agriculture permet leur utilisation afin de discriminer culture et adventices au sein de parcelles cultivées. Nous avons développé et testé des algorithmes non supervisés (ne nécessitant pas l’intervention d’un humain) combinant l'information spatiale et spectrale pour réaliser cette discrimination. Cette présentation sera l'occasion de revenir sur les résultats de ces algorithmes et de présenter également les limites rencontrées ainsi que des perspectives d'évolution.
Mots-clés : Discrimination culture/adventices, traitement d’images, information spatiale et spectrale, algorithme non supervisé.
1. Introduction
L’agriculture de précision repose sur la caractérisation et l’exploitation de l’hétérogénéité intra-parcellaire. Dans ce cadre, la gestion des adventices repose alors sur une détection de celles-ci, suivie d’une pulvérisation localisée. De nombreux travaux basés sur l’analyse d’image visent à offrir la meilleure détection possible. Ceux-ci sont bien souvent spécifiques à certaines culture et adventices ou aux vecteur/capteur utilisés et ne sont pas transposables à d’autres systèmes. Nous avons initié des travaux visant à développer un algorithme générique, utilisable dans de multiples scénarios (différentes combinaisons culture/adventices et/ou vecteur/capteur), reposant sur une combinaison de l’information spatiale et spectrale pour discriminer culture et adventices.
Les algorithmes permettant de discriminer cultures et adventices se divisent en deux grandes familles, les algorithmes nécessitant une intervention humaine (dits supervisés) et ceux pouvant s’en passer (dits non-supervisés). Usuellement, les algorithmes basés sur l’information spectrale requièrent l’intervention d’un humain pour indiquer à quelle classe (culture/adventice) correspond chaque groupe de signatures spectrales. Cette supervision est rédhibitoire dès lors qu’un grand nombre d’images doivent être traitées.
Nous présenterons ici l’algorithme non supervisé développé, ses résultats ainsi que ses limites.
2. Matériel et méthodes
Le capteur utilisé est le multiSPEC 4C (Airinov, Paris), un capteur développé pour une utilisation par drone qui permet l’acquisition d’images dans le visible et le proche infra-rouge : soit à 550 [40] nm, 660 [40] nm, 735 [10] nm et 790 [40] nm. Les besoins en résolution spatiale nous ont conduit à installer ce capteur sur une perche afin de se rapprocher de la culture (h = 3 m). Une vérité terrain manuelle distinguant culture et adventices a été réalisée sur 14 images (7 provenant d’une parcelle de betterave, 7 d’une parcelle de maïs).
L’algorithme développé réalise une première détection (non supervisée) des adventices à l’aide de l’information spatiale (les cultures sont en rangs) pour nourrir une base de données d’apprentissage constituée des caractéristiques multispectrales des plantes. C’est cette étape d’apprentissage normalement manuelle qui est ici automatisée et qui permet d’obtenir une méthode non-supervisée. Un algorithme utilisant cette base de données peut alors être mis en œuvre pour améliorer la discrimination culture/adventices. La Figure 1 présente de façon graphique le fonctionnement de cet algorithme.
78
Figure 1. Démarche générale pour la détection non-supervisée des adventices à l’aide d’une combinaison de l’information spatiale et spectrale. L’image multispectrale (1) permet d’extraire les classes culture/adventices/non déterminées à l’aide d’une analyse spatiale (2). Les informations spectrales de ces classes permettent la création d’une base de données d’apprentissage (3). Les informations spatiales et spectrales sont ensuite combinées pour construire la classification culture/adventices définitive (4).
Tableau 1. Évaluation de l’algorithme non-supervisé combinant information spatiale et spectrale (à partir de la vérité terrain manuelle). Les taux de détections représentent un nombre de pixels de végétation correctement classés entre culture et adventices (le sol n’est pas considéré car très facile à soustraire des images). Les erreurs de classification concernent des pixels de la classe culture classifiés en adventices (et inversement).
Culture Taux moyen de détection correcte des plantes (pixel/pixel)
Cultivées Adventices
Betterave 0.92 0.81
Maïs 0.74 0.97
Moyenne 0.83 0.89
3. Résultats et limites
Les résultats de classification présentés dans le tableau 1 représentent une amélioration significative par rapport aux résultats obtenus sans la combinaison de l’information spatiale et spectrale. Cela représente en effet 10 à 14% d’adventices correctement détectées en plus (ces adventices étant détectées comme de la culture par l’algorithme utilisant uniquement l’information spatiale). Ils permettent surtout de montrer qu’il est possible d’automatiser des algorithmes supervisés en conservant des résultats probants.
Ce travail a également permis de pointer les limites des approches actuelles en termes de résolution spatiale, de stade de développement des plantes ainsi que du type d’algorithme utilisé. Les résolutions spatiales actuellement obtenues lors de survol par drone ne permettant pas d’acquérir une information spectrale d’une qualité suffisante. Il en est de même concernant le stade de développement des plantes qui est directement lié (de par la résolution spatiale) à la taille de la plante dans l’image.
79
4. Perspectives
Les méthodes développées dans la littérature sont toutes très sensibles à ces différents aspects et il n’y a pas d’approche visant à caractériser les algorithmes les plus performants en fonction d’une résolution spatiale et/ou d’un stade de développement. Nous comptons donc poursuivre ces travaux en explorant la relation entre qualité de classification/résolution spatiale/stade de développement et en appliquant les résultats obtenus à l’aide d’un robot de désherbage autonome. La poursuite de ces travaux est financée par le projet H2020 IWMPRaise (grant agreement no. 727321) et l’ANR Challenge ROSE (ANR-14-CE18-0007).
5. Références
Louargant, M., G. Jones, R. Faroux, J.-N. Paoli, T. Maillot, C. Gée and S. Villette (2018). "Unsupervised Classification Algorithm for Early Weed Detection in Row-Crops by Combining Spatial and Spectral Information." Remote Sensing 10(5): 761.
Louargant, M., S. Villette, G. Jones, N. Vigneau, J. N. Paoli and C. Gée (2017). "Weed detection by UAV: simulation of the impact of spectral mixing in multispectral images." Precision Agriculture:
1-20.
Louargant, M. (2016). Proxidétection des adventices par imagerie aérienne : vers un service de gestion par drone, Université de Bourgogne.
80