Apprentissage en temps réel basé sur la technologie 5G dans l'agriculture durable : Une étude sur la betterave à sucre

Nous sommes ravis d'annoncer la réussite du projet “ Les réseaux 5G comme catalyseur de l'apprentissage en temps réel dans l'agriculture durable ”, soutenu en partie par le ministère des Affaires économiques, de l'Industrie, de l'Action climatique et de l'Énergie du Land de Rhénanie-du-Nord-Westphalie.

Cette initiative représente un pas en avant significatif dans l'exploration du potentiel transformateur de la technologie 5G dans l'agriculture, visant spécifiquement à améliorer les aspects écologiques, économiques et durables de la culture de la betterave sucrière.

Elle a tiré parti de la faible latence de la 5G pour intégrer en temps réel des systèmes informatiques avancés, permettant des réponses immédiates aux données des capteurs et de positionnement dans des délais prédéfinis.

Objectifs et partenariats du projet

En collaboration avec des partenaires du HSHL et avec le soutien de Pfeifer & Langen, le projet s'est concentré sur l'étude du cycle de vie complet de la culture de la betterave sucrière sur les exploitations des partenaires. Il visait à démontrer comment la 5G pourrait jouer un rôle de catalyseur technologique essentiel au sein du secteur agricole de Rhénanie-du-Nord-Westphalie, en mettant en évidence son potentiel en tant que facteur d'innovation et d'efficacité.

Rôle de l'agriculture GeoPard

GeoPard Agriculture a joué un rôle crucial dans la définition et la mise en œuvre d'aspects clés du projet, notamment les scénarios de détection, de surveillance et de prévision de la production des plantes. Nous avons développé un prototype de système d'IA adapté à l'environnement agricole 5G, exécuté des modèles au sein d'une infrastructure cloud et créé une application mobile permettant une interaction en temps réel avec ces modèles.

Intégration technologique

Des méthodes d'intelligence artificielle (IA) ont été déployées via une infrastructure cloud robuste dotée de capacités de calcul élevées. Les algorithmes d'IA ont catégorisé les plantes en temps réel lors de chaque croisement et ont suivi leur croissance tout au long de leur cycle de vie, éliminant ainsi le besoin de visites de terrain inutiles à des fins de simple collecte de données.

Cette avancée a permis l'application précise d'engrais et de produits phytosanitaires, en ajustant dynamiquement les doses d'application lors des croisements grâce à des algorithmes d'apprentissage automatique.

Déploiement de véhicules sans pilote

De plus, le projet a tiré parti de la faible latence de la 5G pour déployer des véhicules autonomes dédiés à la surveillance des cultures et à la collecte de données. Ces véhicules ont joué un rôle crucial dans l'obtention d'informations en temps réel et dans l'optimisation des pratiques agricoles.

Résultats du projet : Amélioration de la production de betteraves sucrières grâce à la technologie 5G

Le projet a démontré comment la technologie 5G pouvait transformer en profondeur le secteur agricole de Rhénanie-du-Nord-Westphalie en analysant l'ensemble du cycle de vie de la culture de la betterave sucrière et en mettant en évidence les améliorations substantielles permises par cette technologie. Toutefois, afin de présenter efficacement les résultats du projet, les chercheurs ont utilisé des lots de travaux comprenant différents scénarios et infrastructures.

Définition du scénario prenant en compte l'infrastructure de géodonnées et d'apprentissage automatique existante

Le projet a démontré comment les processus traditionnels du cycle de vie de la production de betteraves sucrières pouvaient être améliorés grâce à l'intégration de la technologie 5G. Les principaux objectifs étaient les suivants :

• Élaboration de scénarios prêts à l'emploi pour la reconnaissance, la surveillance et la prévision de la production des plantes.
• Exigences techniques établies nécessaires au déploiement réussi de ces scénarios.
• Identification et évaluation des indicateurs écologiques et économiques pertinents afin d'évaluer la valeur ajoutée apportée par le réseau 5G.

Cette phase a souligné l'engagement du projet à intégrer des technologies de pointe aux pratiques agricoles existantes. Cette architecture a tiré parti de la connectivité haut débit du réseau 5G pour faciliter la collecte et le traitement des données en temps réel entre les dispositifs périphériques et le cloud. L'infrastructure cloud a fourni les ressources essentielles à l'entraînement et au déploiement de modèles d'IA à grande échelle, tandis que la plateforme d'IA a offert des outils performants pour le développement et le déploiement de ces modèles. La couche applicative a présenté aux utilisateurs finaux des informations exploitables issues des modèles d'IA, améliorant ainsi leurs capacités de prise de décision.

Apprentissage automatique et intelligence artificielle dans le contexte de la 5G

Cette partie visait à adapter les systèmes d'apprentissage automatique et d'IA existants aux scénarios décrits ci-dessus, en les optimisant en conséquence. Les principaux objectifs étaient les suivants :

• Définir les objectifs du système et développer son architecture.
• Collecte de données de référence pour l'entraînement et la validation des modèles d'IA.
• Création et annotation d'une base de données adaptée à l'identification et au suivi des plantes.
• Intégration transparente des modèles d'IA à l'infrastructure du réseau 5G.

Dans cette phase, les dispositifs périphériques équipés de cartes SIM mobiles utilisant la technologie 5G ont joué un rôle crucial. Les indicateurs clés de performance (KPI), tels que la latence et la latence de bout en bout (E2E), ont été surveillés de près. Les mesures ont consisté à évaluer avec précision la fiabilité et la disponibilité des paquets de données reçus, ainsi qu'à analyser les débits de données des utilisateurs et les débits de pointe.

De plus, des hypothèses ont été formulées à partir de la diffusion de vidéos en résolution UHD au format MP4, transmises via le protocole TCP. Parmi les solutions envisagées figuraient l'optimisation sur des images uniques plutôt que sur des flux vidéo continus, l'exécution d'optimisations de base directement sur les périphériques et la mise en œuvre de techniques de quantification du modèle pour améliorer l'efficacité.

Infrastructure cloud et services AWS

Le projet s'appuyait fortement sur une infrastructure cloud tirant parti des services AWS tels que Lambda, SageMaker, S3, CloudWatch et RDS, qui ont joué un rôle essentiel en fournissant les ressources nécessaires à l'entraînement et au déploiement des modèles d'IA.

AWS Lambda a été utilisé pour une gestion efficace des instances et la diffusion des applications, tandis qu'AWS SageMaker a facilité la construction de pipelines d'apprentissage automatique robustes. Des solutions de stockage telles que S3, CloudWatch et RDS étaient essentielles pour stocker les ensembles de données et les journaux indispensables au fonctionnement des modèles d'apprentissage automatique et des réseaux neuronaux.

Par conséquent, cette infrastructure a permis de soutenir les capacités de traitement des données en temps réel offertes par le réseau 5G.

Latence du réseau 5G

Les réseaux 5G ont été conçus pour atteindre une latence ultra-faible, généralement comprise entre 1 et 10 millisecondes. Cette latence correspond au temps nécessaire aux données pour transiter entre les appareils mobiles et les serveurs AWS via le réseau 5G. Les capacités de traitement propres à chaque appareil, comme la vitesse de capture et de traitement des photos sur les smartphones dotés de processeurs hautes performances, influent également sur la latence.

Les débits de chargement sur le réseau 5G et la taille des photos ont influencé les temps de transfert des données vers AWS. AWS a également contribué à la latence avec les temps de traitement de tâches telles que la détection et la segmentation par réseau neuronal, qui variaient selon la complexité de l'algorithme et l'efficacité du service AWS. Après traitement, les résultats ont été téléchargés sur les appareils mobiles, le temps de téléchargement étant influencé par le débit 5G et la taille des données.

Reconnaissance des plantes par l'IA

Dans le domaine de la reconnaissance des plantes, les processus basés sur l'IA ont consisté à créer une base de données exhaustive d'images de plantes pour l'entraînement d'algorithmes fondés sur des réseaux neuronaux. Ces algorithmes ont été entraînés à distinguer les espèces de betterave sucrière des autres plantes en reconnaissant des caractéristiques spécifiques à chaque type de plante, telles que la forme des feuilles, la couleur des fleurs, etc.

Ici, par reconnaissance des plantes, nous entendons la tâche de détection des mauvaises herbes et de segmentation des plants de betterave sucrière.

• Détection des mauvaises herbes

Pour la détection des mauvaises herbes, le projet a utilisé MobileNet-v3, entraîné grâce à un important enrichissement des données et à un échantillonnage pondéré. Ce modèle a atteint une précision remarquable de 0,984 et une aire sous la courbe (AUC) de 0,998.

• Segmentation de la betterave sucrière

Pour les tâches de segmentation, des modèles tels que YOLACT, ResNeSt, SOLO et U-Net ont été utilisés afin de délimiter précisément les échantillons individuels de betterave sucrière dans les images. Le modèle le plus performant a ensuite été sélectionné selon différents critères : vitesse, temps d’inférence, etc. Les données de segmentation provenaient d’images RVB acquises par drone, redimensionnées et annotées à des fins d’entraînement et de validation.

Les tâches de segmentation consistaient à créer des masques délimitant précisément les contours des plantes. Cette méthode a permis de réduire l'effort d'annotation humaine tout en optimisant l'efficacité. En priorisant l'étiquetage des échantillons complexes, les performances du modèle ont été considérablement améliorées. Les stratégies de réentraînement itératif et d'échantillonnage de l'incertitude se sont avérées efficaces, atteignant des taux de précision de segmentation supérieurs à 98% à différents stades de croissance.

• Évaluation du modèle

Le modèle a été entraîné avec des augmentations de données rigoureuses. Son évaluation a été réalisée à l'aide de différentes métriques, dont l'intersection sur l'union (IoU). L'analyse d'inférence du modèle construit, menée sur un sous-ensemble du jeu de données ‘ plant seeds v2 ’, a démontré une précision de 81%. Le temps de calcul de l'inférence était d'environ 320 millisecondes après une période d'initialisation de 7 secondes, nécessaire une seule fois par session.

Dans le cadre de la surveillance des plantes par intelligence artificielle (IA), des caméras et des capteurs ont permis de recueillir des données essentielles, analysées ensuite par des algorithmes d'apprentissage automatique et d'IA. Cette analyse a joué un rôle crucial dans l'évaluation de la santé des plantes, la détection du stress, des maladies ou d'autres facteurs ayant un impact sur leur croissance.

Les applications s'étendent de l'optimisation de la productivité agricole à la surveillance des écosystèmes naturels comme les forêts, en passant par le soutien aux efforts de conservation et l'amélioration de la compréhension des impacts environnementaux.

Détection d'objets dans la surveillance des installations

Après la segmentation des plants de betterave sucrière, l'étape suivante consiste en la détection d'objets afin de comprendre les spécificités de chaque plant en termes de santé, de croissance et d'autres facteurs. Pour la détection d'objets dans le cadre de la surveillance des plants, des modèles avancés tels que YOLOv4, MobileNetV2 et VGG-19, intégrant des mécanismes d'attention, ont été utilisés. Ces modèles ont analysé des images segmentées de betteraves sucrières pour détecter les zones de stress et de maladie, permettant ainsi des interventions précises et ciblées.

Le projet a franchi des étapes importantes dans la détection des maladies, grâce à l'entraînement des modèles ResNet-18 et ResNet-34 pré-entraînés sur ImageNet. Ces modèles ont démontré une précision remarquable de 0,88 dans l'identification des maladies affectant les plants de betterave sucrière, avec une aire sous la courbe ROC (AUC) de 0,898. Ils ont affiché une grande fiabilité de prédiction, distinguant avec précision les plants malades des plants sains.

Le projet a mis en œuvre une approche systématique de détection des maladies, en segmentant les images en zones standardisées. Ces zones ont ensuite fait l'objet d'une annotation minutieuse à l'aide d'outils interactifs afin de localiser précisément les zones affectées par les maladies. La détection d'objets a permis d'améliorer encore la précision en délimitant des cadres autour des plantes, facilitant ainsi un suivi précis de leur état sanitaire.

Prédiction de la production végétale

Dans le domaine de la prévision de la production végétale, les modèles d'IA ont exploité des données environnementales telles que les conditions météorologiques et les paramètres du sol pour prévoir les rendements des cultures. Des modèles de régression comme Isolation Forest, la régression linéaire et la régression Ridge ont été utilisés.

Ces modèles intégraient des caractéristiques numériques extraites des régions englobantes ainsi que des données sur le sol afin d'optimiser l'application d'engrais.

Considérations relatives au déploiement du modèle

Les stratégies de déploiement des modèles développés ont été évaluées pour les dispositifs périphériques et les plateformes cloud. Le déploiement des modèles sur des dispositifs périphériques a offert des avantages tels que des coûts réduits et une latence plus faible.

Toutefois, cette approche peut nuire à la précision potentielle en raison des limitations matérielles. Par ailleurs, le déploiement dans le cloud offre des temps d'inférence plus rapides grâce à l'utilisation de GPU haute performance, mais peut engendrer des coûts supplémentaires et dépend d'une connexion Internet, ce qui peut introduire une latence de communication.

Analyse comparative avec le réseau 5G

Une analyse comparative a démontré que l'utilisation d'un réseau 5G améliorait considérablement la segmentation des betteraves sucrières par rapport aux configurations 4G/WiFi traditionnelles. Cette amélioration s'est traduite par une réduction des temps moyens de configuration et de connexion au réseau, soulignant ainsi les gains d'efficacité obtenus grâce à la technologie 5G.

• Processus de préparation des données

Le processus de préparation des données a consisté à collecter des ensembles de données de plantes saines et malades, à détecter les adventices, à identifier les stades de croissance et à extraire des images à partir de vidéos brutes 4K. Des techniques telles que l'égalisation d'histogramme, le filtrage d'images et la transformation de l'espace colorimétrique HSV ont été utilisées pour préparer les données à l'analyse.

Des échantillons de feuilles de betterave sucrière saines et de feuilles malades, comme des feuilles de maïs atteintes de cercosporiose, ont été prélevés. L'extraction des caractéristiques de la maladie a consisté à séparer la feuille de son fond, à redimensionner, transformer et fusionner les images afin de créer des échantillons réalistes pour l'analyse.

• Boucle d'apprentissage active

Un cycle d'apprentissage actif a été initié avec des données non étiquetées, utilisées pour entraîner des modèles de détection. Ces modèles ont généré des requêtes d'annotation auxquelles ont répondu des annotateurs humains, affinant ainsi continuellement la précision du modèle grâce à des cycles itératifs d'entraînement et d'annotation.

• Annotation des données via un modèle de base multimodal

Pour pallier le manque de données étiquetées, le projet a exploité des modèles de base robustes afin de générer des annotations de référence. En particulier, CLIP, un modèle basé sur l'architecture Transformer développé par OpenAI et entraîné sur un vaste ensemble de données de plus de 400 millions de paires image-texte, a joué un rôle déterminant.

Utilisant Vision Transformers comme base, CLIP a atteint une précision remarquable de 95% sur les ensembles de validation, catégorisant efficacement les images en classes distinctes telles que la betterave sucrière et les mauvaises herbes avec une grande précision.

• Technologie des drones pour la collecte de données

L'une des technologies clés utilisées dans ce projet était le recours à des drones équipés de caméras RVB qui capturaient des vidéos en 4K. Ces drones ont fourni des images détaillées (résolution 3840×2160) pour l'analyse.

Le prétraitement de ces images a considérablement amélioré la précision du modèle, avec des améliorations notables observées dans des modèles comme VGGNet (+38,52%), ResNet50 (+21,14%), DenseNet121 (+7,53%) et MobileNet (+6,6%).

Des techniques telles que l'égalisation d'histogramme ont été utilisées pour améliorer le contraste de l'image, tandis que la transformation en espace colorimétrique HSV a permis de mettre en évidence les zones végétales et les caractéristiques pertinentes.

• Génération de données synthétiques

Pour pallier le manque de données d'images, des jeux de données synthétiques ont été générés grâce à l'apprentissage automatique et à l'intelligence artificielle. La collecte des données a été réalisée à l'aide de drones volant à des hauteurs comprises entre 1 et 4 mètres et à des vitesses supérieures ou égales à 2 m/s, équipés de caméras RVB.

D'autres véhicules, comme des tracteurs, ont également été utilisés pour la collecte de données. Cette génération de données synthétiques s'est avérée particulièrement utile pour la détection des maladies de la betterave sucrière.

Conclusion

Le projet “ Réseaux 5G : un catalyseur d’apprentissage en temps réel pour une agriculture durable ” a démontré avec succès comment la technologie 5G peut améliorer les aspects écologiques, économiques et durables de la culture de la betterave sucrière. Grâce à une collaboration avec HSHL et Pfeifer & Langen, le projet a intégré la collecte de données en temps réel et l’analyse pilotée par l’IA, ce qui a permis d’accroître l’efficacité et de réduire les déplacements inutiles sur le terrain.

Un réseau 5G dédié sur le campus a permis une application précise d'engrais et de produits phytosanitaires. Geopard Agriculture a joué un rôle crucial dans le développement de scénarios de détection et de surveillance des plantes, ainsi que dans la création d'un prototype de système d'apprentissage automatique pour l'environnement agricole 5G. Le succès de ce projet a souligné l'importance des technologies de pointe pour une agriculture durable, mettant en lumière le potentiel de la 5G pour stimuler l'innovation et l'efficacité.