L'apprentissage automatique dans l'agriculture: 100% d'économies sur les pesticides et les ressources humaines

Innowise a intégré une technologie de vision par ordinateur dans des robots agricoles autonomes, ce qui leur permet de nourrir automatiquement les plantes et d'éliminer les mauvaises herbes à l'aide de lasers.

Client

Industrie

Agriculture, IdO

Région

Client depuis

2021

Notre client est une entreprise qui produit des robots agricoles autonomes pour automatiser et accélérer le travail agricole dans la région européenne.

Les informations détaillées sur le client ne peuvent être divulguées en vertu des dispositions de la NDA.

Défi: Surmonter les limites de l'entretien manuel des plantes grâce à la technologie de l'IA dans l'agriculture

L'utilisation de systèmes de fermes intelligentes et de robots dans le secteur agricole devient de plus en plus cruciale en raison des obstacles considérables posés par le soin manuel des plantes, qui exige beaucoup d'efforts humains, de temps et de dépenses. Ces technologies avancées permettent de relever divers défis, notamment la pénurie de main-d'œuvre et l'efficacité des ressources. Il en résulte une solution plus complète et plus efficace aux problèmes de l'agriculture moderne.

Notre client fabrique des robots et des appareils autonomes censés automatiser le processus de culture et d'entretien des plantes. Bien que les robots puissent se déplacer dans les plates-bandes et les champs, ils n'ont pas la capacité de faire la différence entre les plantes et les mauvaises herbes pour la fertilisation sélective et l'arrosage.

Nos experts ont été confrontés à un défi de taille: intégrer dans les robots un logiciel spécialisé capable de distinguer et de séparer avec précision les plantes arrachées. L'objectif ultérieur du programme était d'éliminer des mauvaises herbes spécifiques à l'aide de lasers avec une précision optimale. En outre, les systèmes agricoles ML devaient déterminer le type de plantes et leur fournir une quantité suffisante d'engrais approprié, en fonction de leur classe et de leur état.

En résumé, la portée du travail comprenait:

la collecte de données;
balisage manuel des données;
l'augmentation des données;
la formation au modèle;
l'intégration du modèle;
le traitement en temps réel.

Solution: Mise en œuvre de l'apprentissage automatique dans le secteur agricole pour l'élimination des mauvaises herbes et l'alimentation sélective des plantes.

Nos développeurs ont mené à bien le projet et mis en œuvre une solution d'IA dans les robots autonomes pour le traitement en temps réel des images scannées des champs et l'identification des mauvaises herbes en quelques millisecondes. Équipés de lasers calibrés avec précision, les robots peuvent éliminer jusqu'à 100 000 mauvaises herbes par heure. En outre, les robots sont désormais capables de classer les plantes et d'administrer des engrais en fonction de leurs besoins individuels. De plus, ils peuvent déterminer l'état des champs et les paramètres afin d'optimiser les pratiques agricoles et d'accroître l'efficacité.

À l'aide d'une caméra vidéo intégrée, nous avons rassemblé et étiqueté un ensemble de données comprenant plus de 10 000 images de plantes. Notre équipe a ensuite procédé à des tâches telles que le marquage, l'augmentation et l'entraînement de modèles sur un ensemble de données élargi. Innowise a réussi à mettre en œuvre un modèle d'apprentissage automatique supervisé capable d'établir automatiquement le lien entre les variables d'entrée et les sorties cibles, ce qui permet d'obtenir des prédictions précises sur des images de tiges et de champs nouvelles et inédites. Cela facilite la classification des plantes et la détection des tiges, l'éradication des mauvaises herbes et la fertilisation sélective. Cette solution constitue un cas d'utilisation exceptionnel de l'apprentissage automatique dans le secteur agricole, offrant des résultats remarquables en termes d'automatisation des tâches, de conservation des ressources, d'amélioration de la fertilité et d'atténuation de l'impact négatif des pesticides sur l'environnement.

Réseau neuronal de segmentation des plantes et de détection des tiges de bout en bout

Au cours de la phase d'acquisition des données, nous avons recueilli des images de plantes et de mauvaises herbes à l'aide d'une caméra vidéo attachée à un robot agricole naviguant dans un champ. Une fois les images acquises, des spécialistes de l'agriculture ont marqué les données en vue de la détection et de la segmentation des objets lors des étapes ultérieures d'augmentation et d'affinement des données.

Par la suite, notre équipe a développé un réseau neuronal personnalisé capable d'identifier le type et la classe d'une plante à partir d'une image et de prendre des décisions éclairées sur le traitement des plantes sur la base d'expériences antérieures. Nous avons intégré cette solution dans un appareil final équipé d'un GPU, ce qui lui permet de traiter les données en temps réel et de distinguer les plantes à partir d'ensembles de données appris précédemment. Le détecteur de tiges identifie l'emplacement des tiges des plantes pour faciliter le guidage du laser.

Le logiciel permet au robot de prendre des décisions sans accès à Internet lorsqu'il travaille dans des champs agricoles. De retour à la station et en accédant au réseau, l'ensemble de données peut être mis à jour avec des informations et des paramètres supplémentaires. Les capacités du réseau neuronal ne se limitent pas à une seule base de données : le système d'apprentissage automatique permet de recycler les réseaux neuronaux à l'aide d'ensembles de données actualisés afin de faire pousser de nouveaux types de plantes et d'éradiquer divers types de mauvaises herbes.

Outre l'identification des classes de plantes et de mauvaises herbes, le réseau neuronal peut également déterminer l'état du champ et les paramètres clés, qui sont ensuite utilisés pour réguler l'intensité de l'irrigation.

Élimination de haute précision des mauvaises herbes au laser et alimentation sélective des plantes

Les systèmes agricoles ML utilisent une technologie de pointe pour révolutionner l'industrie agricole. Au cours de la phase d'acquisition des données, la caméra vidéo intégrée recueille des images de plantes et de mauvaises herbes au fur et à mesure que le robot agricole se déplace dans le champ. Les données collectées sont ensuite marquées par des spécialistes de l'agriculture en vue de la détection et de la segmentation des objets.

Le réseau neuronal de segmentation de bout en bout des cultures et des mauvaises herbes fournit une segmentation sémantique précise de la scène, en distinguant les cultures, les mauvaises herbes et l'herbe. Le système envoie des signaux à plusieurs modules laser qui fonctionnent simultanément, ce qui permet aux désherbeurs autonomes de tuer plus de 100 000 mauvaises herbes par heure, automatiquement et sans produits chimiques. La grande précision du système laser est due à des détecteurs ultra-précis, avec des paramètres laser finement réglés permettant de déterminer la portée jusqu'à 2 mm.

Le système utilise également l'alimentation sélective, qui permet de traiter individuellement chaque plante sur le terrain. La vision par ordinateur analyse l'état actuel de chaque plante, en tenant compte de facteurs tels que le stade de croissance, l'état de santé et les besoins en nutriments. Sur la base de ces informations, le système détermine le traitement le plus approprié pour chaque plante, en sélectionnant les bonnes portions d'aliments à appliquer. Il en résulte une réduction des ressources et une approche plus rentable de l'alimentation des plantes.

Les systèmes de ML farm sont conçus pour être flexibles et adaptables à différents types de plantes. Le réseau neuronal peut apprendre et réapprendre à partir de nouveaux ensembles de données, qui peuvent être utilisés pour entraîner le moteur d'IA à identifier et à traiter différentes espèces de plantes. Cela implique de collecter et d'étiqueter des images des nouvelles plantes, d'augmenter les données et d'affiner les nouvelles données, ce qui permet au système d'élargir continuellement sa base de connaissances et ses capacités.

Dans l'ensemble, le système agricole ML développé par le groupe Innowise est un excellent exemple des avantages de l'apprentissage automatique dans le secteur agricole, permettant des solutions rentables et efficaces pour la gestion et le traitement des cultures.

Technologies

ML & MLOps

Python, PyTorch, OpenCV, MMSegmentation, TensorFlow, AWS (S3, Lambda, EC2, CloudWatch)

Processus

Notre équipe a organisé une réunion initiale avec le client afin de recueillir ses exigences et de comprendre ses besoins spécifiques en matière de robots autonomes. Sur la base de ces exigences, nous avons créé un plan de conception complet pour développer le système logiciel, qui comprenait deux étapes principales: la collecte et l'étiquetage des données à l'aide d'une caméra vidéo intégrée et la mise en œuvre d'un modèle d'apprentissage automatique supervisé.

Pour gérer efficacement le projet, nous avons suivi la méthodologie Agile et organisé des réunions quotidiennes pour suivre les progrès et discuter des problèmes ou des préoccupations. Nous avons également utilisé des outils de communication tels que Google Chat et des logiciels de gestion de projet tels que Jira et Confluence pour assigner les tâches et contrôler les performances.

Après un mois et demi de développement, nous avons pu créer la version MVP du réseau neuronal, capable de prendre des décisions efficaces sans contrôle supplémentaire. Cette approche nous a permis de développer un système flexible et évolutif pouvant être adapté à différents contextes agricoles et cas d'utilisation, offrant ainsi aux agriculteurs une solution rentable et efficace pour la gestion de leurs opérations.

Équipe

Chef de projet

ML Ingénieurs

Développeur Back-End

Résultats: Réduction de l'utilisation des pesticides et du coût des ressources humaines

La mise en œuvre de l'apprentissage automatique dans l'agriculture par l'utilisation de robots agricoles équipés d'un système de vision par ordinateur et de moteurs basés sur l'IA présente de nombreux avantages pour l'industrie. Elle favorise la rentabilité en réduisant l'utilisation d'engrais et de produits chimiques inutiles et en améliorant la productivité agricole grâce au traitement sélectif de chaque plante. En outre, il permet une surveillance et une cartographie détaillées des champs sans intervention humaine, fournissant aux agriculteurs des informations vitales sur l'état de leurs champs.

Le résultat de la mise en œuvre de cette technologie pour le client est une réduction de l'ensemble des ressources utilisées, ce qui se traduit par des avantages économiques grâce à l'entretien automatique continu des cultures, à des rendements élevés et à une parfaite santé des plantes. En outre, l'élimination des mauvaises herbes par laser et sans produits chimiques protège les écosystèmes agricoles, minimisant ainsi l'impact négatif des pratiques agricoles traditionnelles sur l'environnement. La capacité du système à apprendre et à s'adapter en permanence permet aux agriculteurs de mettre à jour régulièrement l'ensemble des données et de s'adapter à de nouveaux types de plantes et de travaux agricoles.

Dans l'ensemble, l'intégration de la technologie de l'IA dans l'agriculture a un énorme potentiel pour apporter des avantages au secteur, à l'environnement et à la nature. Les robots de ML peuvent améliorer la qualité et la fertilité des cultures, réduire les coûts, préserver les ressources naturelles et éliminer les risques potentiels pour l'homme en accomplissant des tâches complexes de manière automatique.

Durée du projet

Septembre 2021 - novembre 2022

64%

économies d'engrais

100%

économies de pesticides et de ressources humaines

Exemples de projets similaires

Contactez nous!

Réserver un appel ou remplissez le formulaire ci-dessous et nous vous contacterons dès que nous aurons traité votre demande.

Nom

Entreprise

Courriel :

Téléphone

Message S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes nécessaires et d'autres informations pertinentes

S’il vous plaît, ajouter les détails du projet, la durée, la pile technologique, IT spécialistes
nécessaires et d'autres informations pertinentes

Joindre des documents supplémentaires au besoin

Charger file

Vous pouvez joindre jusqu'à 1 fichier de 2MB au total. Fichiers valides : pdf, jpg, jpeg, png

Nous vous informons que lorsque vous cliquez sur le bouton Envoyer, Innowise traitera vos données personnelles conformément à notre Politique de confidentialité dans le but de vous fournir des informations appropriées.

Que se passe-t-il ensuite?

Après avoir reçu et traité votre demande, nous reviendrons vers vous pour détailler les besoins de votre projet et signer un accord de non-divulgation pour assurer la confidentialité des informations.

Après avoir examiné les exigences, nos analystes et nos développeurs élaborent une proposition de projet avec l'étendue des travaux, le nombre de membre de l'équipe, les délais et les coûts des coûts.

Nous organisons une réunion avec vous pour discuter de l'offre et parvenir à un accord.

Nous signons un contrat et commençons à travailler sur votre projet le plus rapidement possible.

L'apprentissage automatique dans l'agriculture: 100% d'économies sur les pesticides et les ressources humaines

Client

Défi: Surmonter les limites de l'entretien manuel des plantes grâce à la technologie de l'IA dans l'agriculture

Solution: Mise en œuvre de l'apprentissage automatique dans le secteur agricole pour l'élimination des mauvaises herbes et l'alimentation sélective des plantes.

Technologies

Processus

Équipe

Résultats: Réduction de l'utilisation des pesticides et du coût des ressources humaines

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit^●s développer
logiciel ensemble!

Faire une autre demande

Fermer

L'apprentissage automatique dans l'agriculture: 100% d'économies sur les pesticides et les ressources humaines

Client

Défi: Surmonter les limites de l'entretien manuel des plantes grâce à la technologie de l'IA dans l'agriculture

Solution: Mise en œuvre de l'apprentissage automatique dans le secteur agricole pour l'élimination des mauvaises herbes et l'alimentation sélective des plantes.

Technologies

Processus

Équipe

Résultats: Réduction de l'utilisation des pesticides et du coût des ressources humaines

Exemples de projets similaires

Contactez nous!

Que se passe-t-il ensuite?

Soit●s développer logiciel ensemble!

S'abonner à à notre bulletin d'information

Faire une autre demande

Fermer

Soit^●s développer
logiciel ensemble!

S'abonner à
à notre bulletin d'information