EN FR

ACCUEIL ›BLOGS

Un outil d'évaluation et de prévision des ravageurs de la tomate par vision par ordinateur
-

Ce projet a été réalisé par l'un des lauréats du Appel à propositions AI4D Africa Innovation 2019. En savoir plus sur ce que les autres gagnants ont fait ici

13 avril 2020

Projet par : Denis Pastory Rubanga, Dr Zekaya Never, Dr Machuve Dina, Lilian Mkonyi, Loyani K. Loyani, Richard Mgaya.
Université d'agriculture de Tokyo, Institution africaine de science et technologie Nelson Mandela et Université d'agriculture de Sokoine, Tanzanie

Nom du projet: Un outil d'évaluation et de prévision des ravageurs de la tomate par vision par ordinateur    

Description du projet: Surveillance des ravageurs en utilisant une technique de vision par ordinateur basée sur les données pour diriger les services de soutien des agents de vulgarisation à travers l'Afrique subsaharienne dans un système en temps réel d'évaluation des dommages causés par les ravageurs et de recommandation pour les petits producteurs de tomates.


Une culture à haut rendement telle que la tomate avec des rendements économiques élevés peut considérablement augmenter les revenus des petits agriculteurs lorsqu'elle est bien gérée. Cependant, il est apparemment contraint par l'invasion récente du ravageur de la tomate Tuta absolu c'est le rendement dévastateur de la tomate. Regardez la situation des champs de tomates dans les zones très touchées des régions d'Arush [vidéo Arusha-mp4] et de Morogoro.

Pour relever ce défi, nos travaux se concentrent sur des initiatives de détection précoce et de mesures de contrôle afin de renforcer les capacités et les systèmes phytosanitaires pour aider à résoudre Tuta absolu dévastation en utilisant la technique de vision par ordinateur. Il faut noter que Tuta absolu le contrôle repose toujours sur une identification manuelle inefficace à faible vitesse et quelques-uns sur le soutien d'un nombre limité d'agents de vulgarisation agricole.

Nos premiers travaux impliquaient un travail de terrain et interne expérimentations pour collecter des données dans les zones les plus touchées par Tuta absolu. Nous avons collecté des données d'images dans les régions d'Arusha et de Morogoro en Tanzanie.

Comme pour toute tâche de vision par ordinateur, obtenir les bonnes images pour la tâche à accomplir est parfois difficile. Concernant notre cas d'utilisation, nous devions générer nos propres données d'image. Pour accumuler suffisamment de données pour la formation des modèles, nous collectons des données depuis juin 2018 et avons mené quatre (4) expériences en interne dans les zones cibles.

Le processus de collecte de données a consisté à prendre des images de tomates inoculées avec Tuta absolu larves pendant les deux (2) premières semaines de croissance de la tomate depuis la date de repiquage. Des images ont été prises quotidiennement pour chaque plante. Ces images sont des photos RVB (rouge, vert, bleu) de haute et basse résolutions. Afin d'acquérir des images haute résolution, nous avons utilisé un appareil photo Canon EOS KISS X7 avec une résolution de 5184 x 3456 pixels et nous avons utilisé un appareil photo de téléphone portable (réglé sur une faible résolution).

Pour notre première expérience en interne précédente, nous avions rencontré des difficultés avec le processus de collecte de données. Les tomates inoculées ont été étiquetées avec un ruban rouge. Le marquage d'espèces ou d'organismes cibles est une pratique courante dans des domaines tels que l'entomologie. Nous avons réalisé que ces images étiquetées ne pouvaient pas être incluses dans l'ensemble de données pour la formation de nos modèles et ont donc dû les exclure de notre modèle.

Pour atteindre nos objectifs, nous avons travaillé sur un modèle basé sur le réseau de neurones à convolution (CNN) pour une classification binaire qui pourrait être en mesure d'identifier les tomates affectées et non affectées par Tuta Absoluta utilisant l'état de l'art des architectures CNN (VGG16, VGG19, ResNet50, InceptionV3). Les résultats de cette tâche étaient prometteurs. Les tâches de prétraitement primaires se limitaient à sélectionner les images appropriées pour la formation du modèle CNN.

Nous sommes certains que les images que nous avons collectées représentaient des images réelles des champs de petits agriculteurs. Les images collectées contenaient plus d'images avec des feuilles de tomates saines que celles inoculées avec salopette absoluta ce qui implique un déséquilibre des données. Pour réduire le biais que notre modèle CNN peut rencontrer vers des images sans Tuta absolu échantillons, le nombre d'échantillons par classe a été sélectionné pour créer des classes équilibrées pendant la formation du modèle.

L'objectif principal du processus de collecte de données d'image était censé couvrir les principales régions productrices de tomates en Tanzanie touchées principalement par Tuta absolu, bien que nous ayons fini par obtenir des données de seulement deux domaines principaux. Notre équipe est convaincue que les données collectées peuvent être un cas représentatif couvrant la situation en Tanzanie. Nous avons également dû adopter les pratiques agronomiques locales des deux zones.

Par exemple, nous avons collecté des données sur les variétés de tomates couramment cultivées. L'expérience en interne a également été réalisée en suivant le calendrier de culture des deux régions respectées. Pour couvrir les deux principales saisons de croissance à Arusha, nous avons dû réaliser trois expériences et une expérience à Morogoro.

Au cours de la formation sur le modèle CNN, suite à une approche typique de la détection précoce des ravageurs ou des maladies, nous avons réussi à nous concentrer sur l'identification des plantes affectées et non affectées. Nous avons réussi à développer ce type de modèle de classification binaire pour identifier la tomate affectée par tuta et non affectée par tuta.

Nous avons en outre développé une autre classification multiclasse, qui serait utilisée pour classer la tomate affectée principalement à trois niveaux de dommages, à savoir faible, élevé et aucun dommage. Cette approche nous a donné une bien meilleure idée de l'idée originale que nous avions. Les résultats du modèle nous ont montré que pour répondre à un système de détection précoce dans la détermination des dommages à un stade précoce, un modèle basé sur la quantification typique est bien meilleur qu'un modèle de classification binaire.

Par exemple, les résultats du modèle multiclasse nous ont montré que les tomates très endommagées sont facilement identifiables par rapport aux tomates faiblement endommagées. Dans ce cas, il serait préférable d'identifier les dommages causés par les tomates à un stade précoce, c'est-à-dire à un niveau de dommage faible, afin d'améliorer les mesures de contrôle précoce pour Tuta absolu.

Et sur ce point, nous devons redéfinir l'approche de classification des modèles. Puisque l'objectif est l'identification précoce et si un modèle de classification simple ne peut pas effectuer une telle tâche, cela nous met en danger. Dans cet esprit, nous travaillons plus avant sur des modèles permettant d'identifier Tuta absolu la densité de la mine, une méthode de quantification basée sur la segmentation d'instances.