69JTFC44

2673

20 novembre 2020 17:51

22 janvier 2021 16:49

La réduction de l'utilisation des pesticides grâce à la pulvérisation sélective est un élément important vers une agriculture assistée par ordinateur plus durable. L'identification des mauvaises herbes au stade précoce de la croissance contribue à réduire les taux d'herbicide. Cependant, alors que la vision par ordinateur associée à l'apprentissage en profondeur ont dépassé les performances des approches utilisant des fonctionnalités artisanales, il reste encore des défis à relever dans le développement d'un système d'identification automatique fiable des plantes. Ces types de systèmes doivent prendre en compte différentes sources de variabilité, telles que les stades de croissance et les conditions du sol, avec la contrainte supplémentaire de la taille limitée des ensembles de données habituels. Cette étude propose un nouveau système d'identification des cultures / mauvaises herbes qui repose sur une combinaison de réseaux convolutifs pré-entraînés de réglage fin (Xception, Inception-Resnet, VGNets, Mobilenet et Densenet) avec les classificateurs d'apprentissage automatique «traditionnels» (Support Vector Machines, XGBoost et régression logistique) formés avec les fonctionnalités précédemment extraites en profondeur. Le but de cette approche était d'éviter le sur-ajustement et d'obtenir une performance robuste et cohérente. Pour évaluer cette approche, un ensemble de données en libre accès sur deux cultures [la tomate (Solanum lycopersicum L.) et le coton (Gossypium hirsutum L.)] et deux espèces de mauvaises herbes [la morelle noire (Solanum nigrum L.) et la feuille de velours (Abutilon theophrasti Medik.) ] a été généré. Les photos ont été prises par différents sites de production à travers la Grèce dans des conditions de lumière naturelle variable provenant de caméras RVB. Les résultats ont révélé qu'une combinaison de Densenet affiné et de Support Vector Machine a obtenu un score micro F1 de 99,29% avec une très faible différence de performance entre le train et les ensembles de test. D'autres approches évaluées ont également obtenu à plusieurs reprises un score F1 supérieur à 95%. De plus, notre analyse des résultats fournit des heuristiques pour la conception de systèmes basés sur l'apprentissage par transfert afin d'éviter le surajustement sans diminuer les performances.

Reducing the use of pesticides through selective spraying is an important component towards a more sustainable computer-assisted agriculture. Weed identification at early growth stage contributes to reduced herbicide rates. However, while computer vision alongside deep learning have overcome the performance of approaches that use hand-crafted features, there are still some open challenges in the development of a reliable automatic plant identification system. These type of systems have to take into account different sources of variability, such as growth stages and soil conditions, with the added constraint of the limited size of usual datasets. This study proposes a novel crop/weed identification system that relies on a combination of fine-tuning pre-trained convolutional networks (Xception, Inception-Resnet, VGNets, Mobilenet and Densenet) with the “traditional” machine learning classifiers (Support Vector Machines, XGBoost and Logistic Regression) trained with the previously deep extracted features. The aim of this approach was to avoid overfitting and to obtain a robust and consistent performance. To evaluate this approach, an open access dataset of two crop [tomato (Solanum lycopersicum L.) and cotton (Gossypium hirsutum L.)] and two weed species [black nightshade (Solanum nigrum L.) and velvetleaf (Abutilon theophrasti Medik.)] was generated. The pictures were taken by different production sites across Greece under natural variable light conditions from RGB cameras. The results revealed that a combination of fine-tuned Densenet and Support Vector Machine achieved a micro F1 score of 99.29% with a very low performance difference between train and test sets. Other evaluated approaches also obtained repeatedly more than 95% F1 score. Additionally, our results analysis provides some heuristics for designing transfer-learning based systems to avoid overfitting without decreasing performance.

None

• AB - Transversal
• FREDO adventice
• FREDO lutte
• pesticide
• technologie
• transfer learning
• weed identification

• deep learning
• open data
• precision agriculture

Computers and Electronics in Agriculture

171

105306

April 1, 2020

1 avril 2020

10.1016/j.compag.2020.105306 Le DOI est une URL unique de référencement d'une publication. Il est donc plus fiable et permanent qu'une URL classique

0168-1699 L’ISSN est un code de 8 chiffres servant à identifier les journaux, revues, magazines, périodiques de toute nature et sur tous supports, papier comme électronique.