Rejoindre l'aventure Dilepix

Productions végétales Elevages Machinisme Dilepix

Vision par ordinateur et usages de l'IA en agriculture

Usages de la vision par ordinateur en agriculture

Invité de Maurice Thuriau et Clément Moutiez de RCF, Alban Pobla, CEO de Dilepix s'est prêté au jeu des questions-réponses et apporte son éclairage sur les usages de la vision par ordinateur et l'utilisation de l'Intelligence Artificielle au service de l'agriculture. 

Dans cette interview, Alban revient sur les missions de Dilepix, les origines de la startup rennaise et les avantages de ses solutions de suivi en temps réel des élevages et des cultures. "Nous utilisons l'Intelligence Artificielle pour détecter automatiquement des risques à la production comme les invasions d'insectes ravageurs, les maladies ou les adventices dans les cultures. Pour les élevages, comme en bovins par exemple, nos technologies surveillent le comportement des animaux en détectant des boiteries, des problèmes d'accès aux points d'eau ou à l'auge, le temps passé couché à ruminer, la détection des chaleurs ou des vêlages…" explique-t-il.

L'intelligence Artificielle, une réponse aux fortes attentes du secteur agricole

Dilepix assure une veille très poussée des dernières innovations disponibles sur le marché agricole et mène des réflexions conjointes avec les grands acteurs français et internationaux. Cette connaissance précise du marché et ces échanges permettent ensuite de déterminer quels sont les besoins prioritaires des filières élevage, culture et machinisme. En fonction de l'écoute des besoins exprimés par les agriculteurs et les fournisseurs de services, Dilepix détermine les axes prioritaires en terme de développement de ses solutions. 

Les technologies mises au service des agriculteurs doivent pouvoir répondre à plusieurs besoins :

• Réduire la pénibilité des tâches

Certes le bien-être animal est une attente sociétale forte mais améliorer le bien-être des agriculteurs s'avère lui-aussi nécessaire. Ces deux notions vont de pair.

Autrement dit, existe-t-il des solutions qui permettent aujourd'hui d'optimiser les conditions de travail des agriculteurs ? Comment sécuriser leurs outils ? Certaines de leurs tâches pénibles ou risquées peuvent-elles être déléguées ou automatisées ? "La réduction des TMS (Troubles Musculosquelettiques) est un point important et le recours à nos solutions peuvent apporter une aide précieuse dans la réduction des tâches difficiles ou dangereuses" complète Alban.

Concrètement, un robot guidé par la vision par ordinateur peut soulager et sécuriser l'éleveur dans ses missions quotidiennes.

• Bien-être animal et confort de l'éleveur

L'IA à travers la vision par ordinateur peut se substituer à la surveillance de l'éleveur, et ce, tout en respectant le rythme des animaux sans les perturber.

En s'équipant de caméras de surveillance automatique, l'éleveur reste informé en temps réel de l'état de santé et des bonnes conditions d'élevage de ses animaux. Il est alors plus serein et gagne du temps dans la gestion de son exploitation en se consacrant à d'autres tâches. 

Cette surveillance rapprochée permet de réagir plus vite et de prendre les bonnes mesures au bon moment. Elle contribue, par la même occasion, à améliorer les résultats technico-économiques de l'exploitation.

• Proposer une offre adaptée à des tarifs acceptables 

Aujourd'hui, il n'existe pas de freins technologiques exprimés par les agriculteurs. Bon nombre d'entre eux sont déjà très bien équipés en outils digitaux. C'est plutôt l'aspect financier qui peut être un frein à l'utilisation d'une solution.

Les agriculteurs sont plutôt extrêmement vigilants à ce que l'usage d'une solution réponde précisément aux besoins de leur exploitation sous un angle technico-économique.

Alban ajoute que "beaucoup de choses sont possibles avec l'Intelligence Artificielle mais pas toujours à un prix acceptable par l'éleveur. Notre défi est d'être capable de produire des solutions acceptables financièrement avec un retour sur investissement sous 3-4 ans maximum".

IA en agriculture. Ce que nous pouvons et ne pouvons pas faire

L'IA en agriculture permet beaucoup de choses mais elle ne permet pas tout ! C'est pour répondre aux nombreuses interrogations de nos clients et prospects que nous avons lancer un blog qui démocratise les usages de l'IA en agriculture.

Pour le directeur général de Dilepix, "L'idée est d'expliquer de façon pédagogique ce que permet notre technologie.  Nous devons évangéliser les concepts et expliquer comment cette technologie peut servir l'agriculture. Le recours à l'Intelligence Artificielle en agriculture ne va pas perturber les pratiques des agriculteurs mais participer à la performance technico-économique des exploitations, contribuer au confort de travail des éleveurs tout en assurant un meilleur revenu, et veiller au bien-être des animaux".

Le blog de Dilepix a pour mission d'expliquer aux clients de la startup (constructeurs de tracteurs , fabricants de matériel agricole,  fournisseurs de services ou de conseils, coopératives et groupements vétérinaires), ce qu'il est possible de faire ou ne pas faire avec l'IA !

Le recours à l'IA pour suivre les exploitations à distance

En cette 2e vague d'épidémie, le virus frappe fort et n'épargne pas nos agriculteurs. Encore plus en ce moment, techniciens, conseillers et vétérinaires ont besoin d'outils qui leur permettent de garder un pied dans les élevages pour continuer à assurer le suivi optimal des exploitations et apporter le meilleur conseil possible à leurs éleveurs. "Grâce aux solutions que nous développons, ils peuvent surveiller à distance et prévenir les éleveurs de risques éventuels en leur expédiant, par exemple, le produit vétérinaire adapté pour soigner la pathologie détectée. Cela va limiter les déplacements et limiter les risques de contamination d'un élevage à l'autre" complète Alban.

La vision par ordinateur et l'utilisation de l'IA en agriculture permettent d'imaginer un grand nombre d'applications :

• Guidage automatique des engins agricoles et des robots d'élevage,
• Réduction de l'usage des pesticides grâce à la détection automatique des maladies et adventices dans les cultures,
• Amélioration des performances technico-économiques des élevages...

Dans le domaine de l'élevage, ces applications qui apportent souplesse, confort et sécurisent l'outil de travail des éleveurs s'avèrent être des solutions très efficaces pour la détection de pathologies ou de comportements à risque des animaux (bovins, porcs, volailles, insectes).

Rappelons que la startup Dilepix ne développe pas uniquement des outils à destination des filières d'élevage, elle propose également des solutions en machinisme agricole qui permettent notamment d'augmenter les capacités d'actions des engins agricoles.

Enfin, en productions végétales, Dilepix développe des réseaux de neurones qui ont pour objectif de réduire le recours aux produits chimiques mais pas seulement ! Ils sont également utiles pour prévoir les rendements, cartographier les parcelles ou déterminer le stade de maturité des plantes dans les filières arboricoles, viticoles, maraichage et grandes cultures industrielles.

💡 En savoir plus sur nous 

Agriculture de précision Dilepix

Dilepix intègre le programme d'accélération XEurope

Le programme d’accélération XEurope financé par la Commission Européenne H2020 qui a pour but de mettre en relation des startups leaders de la deeptech avec des grands groupes industriels, des fonds d’investissement et des acteurs institutionnels.

A travers un parcours d’accompagnement, les startups organisées en cohorte, ont la possibilité d’étendre leur réseau en Europe.

Pour Dilepix, qui fait partie de la cohorte ArgiTech, c’est l’opportunité de présenter et développer notre activité avec des acteurs importants, de sécuriser nos investissements, de créer des partenariats et d’étendre notre réseau.

Pourquoi intégrer le programme X Europe ?

"Il s'agit pour nous de sortir de l'hexagone et d'évaluer l'intérêt d'aller sur d'autres écosystèmes agritech européens, notamment dans les pays baltes et en Europe Centrale (Visegrad group). Ce programme nous permettra en effet de rencontrer des prospects, des investisseurs et des facilitateurs institutionnels locaux. Il nous permettra également d'échanger des bonnes pratiques avec les autres startups de notre cohorte Agritech".

Alban Pobla - CEO Dilepix

En savoir plus sur X Europe

Europe’s top startups & scaleups driving AgriTech growth

Applications for X-Europe’s second cohort - AgriTech closed on 4 September 2020, after receiving 150 submissions (and 268 expressions of interest). A careful evaluation was made and 26 great AgriTech startups have embarked on their X-Europe journey and are now taking the first steps in the programme.

In their first week of the programme, the selected startups and scaleups were given tickets to #TNW2020, where they had the opportunity to connect with relevant partners and watch great sessions. Read more 

The Numbers Behind X-Europe’s 2nd Open Call: AgriTech

We are thrilled to share some statistics behind our open call for next-generation AgriTech innovators

The second X-Europe open call for startups and scaleups closed on the 04th September, with 150 finalised applications. The 26 brightest teams have been selected to join our second cohort - AgriTech - and are already on their way to pave Europe’s way to a more fertile future. Read more 

Agriculture de précision

Combien de temps faut-il pour créer un réseau de neurones agricole ?

L’intelligence artificielle révolutionne l’agriculture de précision. En effectuant l’analyse d’images agronomiques à haute cadence, les réseaux de neurones permettent notamment de fournir à l’agriculteur des données précieuses auxquelles il n’aurait pas accès par ailleurs. 

Conscient des avantages que peut vous apporter l’intelligence artificielle, vous avez décidé de vous lancer dans un projet de détection automatique d’une situation en élevage ou en production végétale. Cette décision permettra à votre entreprise de gagner un temps précieux et vous apportera un réel avantage concurrentiel… 

Mais avant de vous lancer, avez-vous estimé le temps de développement de votre projet ? Savez-vous combien de temps il faudra pour entraîner le réseau de neurones qui vous aidera tant au quotidien ? Vous et vos équipes sont-elles disponibles et organisées pour fournir les images sur lesquelles les algorithmes s'entraîneront ? Si c’est encore un peu flou pour vous, nous vous apportons notre éclairage en abordant dans cet article le temps nécessaire aux différentes étapes de la création d’un réseau de neurones dédié à l’analyse agronomique d’images.

Quelles sont les étapes du développement d’un réseau de neurones ?

Le temps de développement d’un réseau de neurones passe par trois principales étapes :

• La constitution d’une base de données d’images qui servira à l’entraînement et à l’évaluation du réseau,
• Le choix d’une architecture de réseau de neurones, 
• L’entraînement du réseau à partir de la base de données.

Le choix d’une architecture peut sembler complexe au novice, mais c’est peut-être l’étape qui demande le moins de temps. En effet, il existe un certain nombre de modèles de référence qui ont prouvé leur efficacité, et qui peuvent être utilisés comme point de départ pour construire diverses applications. Une même architecture pourra par exemple être utilisée pour la détection d’adventices dans les cultures, pour détecter la présence d’un insecte ravageur dans un piège, ou pour compter les fruits dans un arbre. La spécialisation du réseau viendra de son entraînement à partir d’une base de données d’images constituée pour chaque besoin à détecter. Le temps passé au choix d’une architecture peut ainsi être mutualisé entre plusieurs applications.

Les étapes les plus chronophages sont donc la constitution d’une base de données d’images et l’entraînement du réseau.

L'acquisition de données : étape fondamentale pour constituer un réseau de neurones

C’est une étape souvent négligée lorsqu’on se lance dans un projet de machine learning. Et c’est pourtant celle qui s’avère la plus fastidieuse si l’on n’est pas bien préparé. L’entraînement d’un réseau de neurones requiert un nombre important d’images, mais surtout un jeu d’images de qualité, représentatives de ce qui sera observé lors de l’utilisation du réseau de neurones.

Des images de qualité prises sous tous les angles

Un réseau de neurones apprend à reproduire les résultats attendus sur les images qu’on lui présente. Il est donc important qu’on lui soumette des images variées et qui représentent toutes les situations qui pourraient être rencontrées en pratique.

Prenons l’exemple d’un réseau de neurones qui n’aurait été entraîné à reconnaître un objet uniquement par temps dégagé, et qui se trompe dès que le ciel est couvert. Ce genre de situation peut être évitée par une planification minutieuse de l’acquisition des données d’entraînement, qui anticipe l’ensemble des cas d’usage. Pour la détection d’adventices, on veillera par exemple à obtenir des images des plantes à différents stades de croissance, par différentes conditions d’éclairage et sur différents types de sols.

Une conséquence de cette contrainte est que la préparation de la base de données d’entraînement doit être planifiée suffisamment en amont pour laisser le temps d’acquérir des images dans toutes les conditions requises. Le temps nécessaire dépend alors fortement de la nature du projet.

Par exemple, si l’on souhaite obtenir une base de données contenant des images d’une culture à tous les stades, la constitution de la base de données durera au moins une saison. Mais si le projet porte sur un stade précis de développement de la culture, la campagne d’acquisition pourra être plus courte et plus ciblée. Dans tous les cas, il est important d’anticiper pour capturer un maximum de variabilité dès la première campagne d’acquisition et éviter d’avoir à répéter plusieurs cycles acquisition-entraînement avant d’atteindre la performance voulue.

Les annotations des images, du temps à consacrer

Les images ne sont qu’une partie des données nécessaires à l’entraînement d’un réseau de neurones. Pour l’apprentissage dit supervisé, l’entraînement du réseau requiert aussi des annotations qui indiquent le résultat attendu sur les images d’entraînement. La préparation des données et notamment via les annotations peuvent prendre plusieurs formes plus ou moins détaillées : 

• Pour la classification d’image :

L’annotation est simplement une étiquette parmi une liste prédéfinie. Par exemple, pour la reconnaissance de maladie en viticulture, chaque photo sera étiquetée comme “saine” ou avec la maladie correspondante. C’est la forme la plus simple d’annotation, et la plus rapide à réaliser.

• Pour la détection d’objets :

L’annotation doit fournir la position des objets dans l’image. La méthode la plus utilisée consiste à définir une « boîte englobante » pour chaque objet dans l’image, c’est-à-dire le plus petit rectangle qui contient l’objet. Ces annotations sont plus longues à produire, puisque l’on doit dessiner le rectangle pour chaque objet dans l’image.  

• Pour encore plus de précision :

On peut souhaiter avoir une délinéation précise du contour des objets. Ce type d’annotation fournit plus d’information, mais est très fastidieuse à réaliser manuellement.

Sans un procédé bien défini, l’annotation d’images peut monopoliser la plus grande partie du temps consacré à un projet. L’activité d’annotation est tellement chronophage et technique que certaines entreprises n’hésitent pas à sous-traiter cette tâche. D’autres préfèrent gérer le procédé d’annotation en interne afin de mieux maîtriser la qualité des données.

Cette seconde option est préférable quand une expertise est requise pour l’interprétation des images. Il est alors nécessaire de prévoir l’infrastructure d’annotation et les ressources humaines nécessaires, pour éviter que la phase d’annotation ne devienne le goulot d’étranglement du développement de la solution. C’est pour répondre à ce haut niveau de qualité que Dilepix a développé ses propres outils d’annotation internes spécialisés pour les problématiques agronomiques.

Le temps d’entraînement du réseau de neurones

Une fois que la base d’images est collectée et annotée, il faut entraîner le réseau de neurones. L’entraînement consiste à faire varier les millions de paramètres du réseau jusqu’à ce que sa sortie soit la plus proche possible du résultat attendu. Le temps nécessaire pour arriver au résultat voulu dépend de la valeur initiale des paramètres, de l’algorithme utilisé pour les mettre à jour, de la taille de la banque de données, et enfin de la puissance de calcul.

Pour donner un ordre de grandeur, prenons l’exemple d’ImageNet, cette banque de 14 millions d’images annotées est utilisée pour la recherche en machine learning depuis 2010. D’après les résultats de la compétition « DAWNBench » de l’Université de Stanford, en 2017, il fallait deux jours pour obtenir une précision de 93 % sur ImageNet, contre neuf minutes en 2018, et 2 minutes en 2019.

Notons que ces performances sont des records obtenus sur les meilleures calculateurs graphiques du moment. Avec une simple carte graphique, il faut plutôt compter deux semaines.

Cependant, il est possible de réduire le temps d’entraînement en changeant l’initialisation des paramètres du réseau. Pour un entraînement « complet », les paramètres sont initialisés aléatoirement : le réseau n’a aucune information a priori. Mais si l’on dispose d’un réseau de neurones déjà entraîné pour une certaine tâche, on peut le réutiliser comme point de départ pour l’entraîner à une autre tâche. Il s’agit alors d’apprentissage par transfert. Par exemple, on peut utiliser un réseau déjà entraîné sur ImageNet, et adapter ses paramètres pour effectuer une nouvelle tâche plus spécialisée, telle que la reconnaissance d’adventices. Le réseau aura déjà appris à travers les 14 millions d’images d’ImageNet à extraire des formes, textures et objets. L’ajuster pour différencier différentes espèces de plantes sera beaucoup plus rapide qu’en partant de zéro.

En conclusion, le temps nécessaire pour créer un réseau de neurones doit être estimé en prenant en compte les différentes étapes de sa construction : 

1. La constitution d’une banque d’images, 
2. L’annotation des images, 
3. L'entraînement du réseau de neurones. 

Si le temps d’entraînement à proprement parler dépend principalement de moyens techniques, il est plus délicat d’estimer le temps nécessaire à l'acquisition d’images et à l’annotation. 

Ces étapes nécessitent une expertise et une planification minutieuse pour éviter les déconvenues.

💡 Vous l’avez compris, le temps de création d’un réseau de neurones dépendra aussi de vous. En effet, dans le cadre du développement de votre projet, il vous faudra fournir un grand nombre d’images prises sous différents angles et à différents moments. Cette étape peut prendre un certain temps si elle n’a pas suffisamment été anticipée en amont du projet. Il est donc important de planifier l’acquisition de ces données. Plus cette étape sera préparée et organisée, plus court sera le délai d'entraînement de votre réseau de neurones.

Parce que votre projet ne s’improvise pas, les experts Dilepix resteront à vos côtés pour vous conseiller et vous accompagner à chaque étape de développement.