Dépistage automatique du doryphore de la pomme de terre à l’aide de l’imagerie ultra-haute résolution acquise par drone et de l’apprentissage profond.

Thériault, Dominic (2019). Dépistage automatique du doryphore de la pomme de terre à l’aide de l’imagerie ultra-haute résolution acquise par drone et de l’apprentissage profond. Mémoire. Québec, Université du Québec, Institut national de la recherche scientifique, Maîtrise en sciences de l'eau, 145 p.

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

Le Doryphore de la pomme de terre (Leptinotarsa decemlineata) pose une menace d’importance pour la culture de la pomme de terre. Le contrôle de l’insecte ravageur se fait principalement en combinant les rotations de cultures et l’utilisation d’insecticide chimique. Malgré que les populations du ravageur sont très agrégées naturellement à cause de leur mode de reproduction, les interventions phytosanitaires sont souvent peu ciblées. Les méthodes de dépistage conventionnelles sont souvent très laborieuses et coûteuses en ressources humaines et sont donc souvent négligées. L’utilisation de drone se voit comme une alternative rapide au dépistage conventionnel afin de localiser avec précision les foyers d’infestation et de calculer les seuils d’intervention phytosanitaire. Ce projet en partenariat avec le producteur de pommes de terre Patates Dolbec a pour but de développer une méthode de dépistage du doryphore de la pomme de terre en utilisant l’imagerie d’ultra-haute résolution acquise par drone afin de permettre le décompte des grosses larves et adultes au sommet de la canopée. L’étude consiste à 1) déterminer les paramètres optimaux d’acquisition des images par drone, 2) concevoir un algorithme de détection basé sur les réseaux de neurones convolutifs permettant de dénombrer les individus (grosses larves et adultes) et 3) optimiser l’algorithme afin de réduire le temps de calcul afin que celle-ci puisse être utilisable opérationnellement. Une parcelle agricole densément infestée a été survolée a deux reprises lors de l’été 2018 et un dépistage conventionnel a été fait dans ce champ afin d’être comparé au dépistage par drone et afin de valider les observations. L’algorithme développé se décompose en deux phases de détection : 1) Une détection des zones potentielles par caractéristiques définies par un expert, 2) Une classification des zones potentielles à l’aide de l’apprentissage profond afin de déterminer une classe d’appartenance (doryphore ou non). Comme il peut y avoir plusieurs centaines de zones potentielles pour quelques doryphores dans une image, il s'agit d'un problème de classification non balancée. Pour pallier ce déséquilibre des classes, différentes stratégies d’entraînement de réseaux de neurones convolutifs ont été comparées. Le suréchantillonnage par augmentation de données et l’apprentissage sensible au coût ont démontré être les stratégies les plus efficaces. Une validation a été effectuée à l’échelle des individus ainsi qu’à l’échelle des foyers d’infestations. À l’échelle des individus de doryphores, le meilleur modèle présente un f1-score de 77% avec une précision de 82% et un rappel de 72%. Au niveau des foyers d’infestation, le meilleur modèle présente un f1-score de 87% avec une précision de 82% et un rappel de 93%. Le meilleur modèle a présenté un coefficient de détermination de 70% entre le nombre de détections et le nombre de grosses larves et adultes au sommet de la canopée pour les parcelles de dépistage conventionnel. Le temps de traitement demeure un enjeu important du projet et les résultats démontrent que la phase de détection préliminaire est l’étape la plus coûteuse en temps de calcul. Par l’utilisation de processeurs graphiques, il est possible de traiter des images couvrant une superficie de 1 ha en environ 8 heures. La méthode développée permet de cibler les foyers d’infestation et ainsi de déterminer les seuils d’intervention phytosanitaire automatiquement avec un minimum de main-d’oeuvre nécessaire. Finalement, l’utilisation d’une telle méthode appuie les principes d’agriculture de précision et devrait contribuer à réduire les applications d’insecticides dans l’environnement en appliquant le bon traitement, à la bonne dose, au bon moment, et au bon endroit.

Type de document:	Thèse Mémoire
Directeur de mémoire/thèse:	Chokmani, Karem
Mots-clés libres:	agriculture de précision; drones; doryphore; pomme de terre;
Centre:	Centre Eau Terre Environnement
Date de dépôt:	25 sept. 2020 21:35
Dernière modification:	25 sept. 2020 21:35
URI:	https://espace.inrs.ca/id/eprint/9727

Gestion Actions (Identification requise)

Modifier la notice