Infodoc : Sciences, Techniques et Culture

Résumé de l'auteur : "Dans le cadre du "projet drone" visant à effectuer un comptage du nombre de plantes (QNPL) sur des images aériennes prises par drone, nous nous sommes intéressés à l'implémentation en interne d'une approche de détection automatique d'objets via les réseaux de neurones convolutifs profonds. Plusieurs approches de traitement classique d'image ou encore de Machine Learning dédiés à cette mesure avaient été développées auparavant, chacune présentant des avantages et des inconvénients. Le comptage précis du nombre de plantes sur ce type d'images s'avère complexe et se confronte à différentes contraintes lors de leur acquisition et de leur traitement. La création d'un jeu de données, spécifique à notre réseau maïs, a été effectuée. Un total de 345 images a été labellis[...]

Résumé de l'auteur : "Dans le cadre du "projet drone" visant à effectuer un comptage du nombre de plantes (QNPL) sur des images aériennes prises par drone, nous nous sommes intéressés à l'implémentation en interne d'une approche de détection automatique d'objets via les réseaux de neurones convolutifs profonds. Plusieurs approches de traitement classique d'image ou encore de Machine Learning dédiés à cette mesure avaient été développées auparavant, chacune présentant des avantages et des inconvénients. Le comptage précis du nombre de plantes sur ce type d'images s'avère complexe et se confronte à différentes contraintes lors de leur acquisition et de leur traitement. La création d'un jeu de données, spécifique à notre réseau maïs, a été effectuée. Un total de 345 images a été labellisé à la main dont 80% ont été utilisé pour l'entraînement du modèle et 20% pour son évaluation. Nous avons montré que l'approche par Deep Learning est plus précise pour compter le nombre de plantes de maïs en comparaison avec les autres méthodes et que cette approche s'adapte mieux dans quasiment tous les cas de figure, elle est donc plus généralisable. Nous avons obtenu une mAP@0.50 de 0.853. Les résultats de la comparaison avec les autres méthodes développées précédemment placent ce modèle en première position avec un R2 de 0.989 et un RMSE de 2.65. Ses résultats sont proches - mais légèrement plus faibles - de ceux d'un modèle commercial de comptage de plantes actuellement sur le marché qui atteint un R2 de 0.99 et un RMSE de 2.5. Les résultats de cette étude montrent que le développement de cette nouvelle approche se montre prometteuse pour effectuer le comptage de plantes de maïs sur micro-parcelles expérimentales.