FHLXL7QN

2655

28 octobre 2020 12:26

17 décembre 2020 11:15

La lutte contre les mauvaises herbes est l'un des aspects les plus importants de la productivité des cultures; connaître la quantité et l'emplacement des mauvaises herbes est un problème auquel les experts sont confrontés depuis plusieurs décennies. Cet article présente trois méthodes d'estimation des mauvaises herbes basées sur le traitement d'images par apprentissage en profondeur dans les cultures de laitue, et nous les avons comparées à des estimations visuelles d'experts. Une méthode est basée sur des machines à vecteurs de support (SVM) utilisant des histogrammes de dégradés orientés (HOG) comme descripteur de caractéristiques. La deuxième méthode était basée sur YOLOV3 (vous ne regardez qu'une seule fois V3), tirant parti de son architecture robuste pour la détection d'objets, et la troisième était basée sur Mask R-CNN (réseau de neurones convolutif basé sur la région) afin d'obtenir une segmentation d'instance pour chaque individu. Ces méthodes ont été complétées par un indice NDVI (indice de végétation de différence normalisé) comme soustracteur de fond pour éliminer les objets non photosynthétiques. Selon les métriques choisies, la machine et les méthodes d'apprentissage en profondeur avaient des scores F1 de 88%, 94% et 94% respectivement, en ce qui concerne la détection des cultures. Par la suite, les cultures détectées ont été transformées en masque binaire et mélangées avec le soustracteur de fond NDVI afin de détecter les mauvaises herbes de manière indirecte. Une fois l'image de la mauvaise herbe obtenue, le pourcentage de couverture de la mauvaise herbe a été calculé par des méthodes classiques de traitement d'image. Enfin, ces performances ont été comparées aux estimations d’un ensemble d’experts en mauvaises herbes à travers un graphique de Bland – Altman, des coefficients de corrélation intraclasse (ICC) et le test de Dunn pour obtenir des mesures statistiques entre chaque estimation (machine-homme); nous avons constaté que ces méthodes améliorent la précision de l'estimation de la couverture des mauvaises herbes et minimisent la subjectivité des données estimées par l'homme.

Weed management is one of the most important aspects of crop productivity; knowing the amount and the locations of weeds has been a problem that experts have faced for several decades. This paper presents three methods for weed estimation based on deep learning image processing in lettuce crops, and we compared them to visual estimations by experts. One method is based on support vector machines (SVM) using histograms of oriented gradients (HOG) as feature descriptor. The second method was based in YOLOV3 (you only look once V3), taking advantage of its robust architecture for object detection, and the third one was based on Mask R-CNN (region based convolutional neural network) in order to get an instance segmentation for each individual. These methods were complemented with a NDVI index (normalized difference vegetation index) as a background subtractor for removing non photosynthetic objects. According to chosen metrics, the machine and deep learning methods had F1-scores of 88%, 94%, and 94% respectively, regarding to crop detection. Subsequently, detected crops were turned into a binary mask and mixed with the NDVI background subtractor in order to detect weed in an indirect way. Once the weed image was obtained, the coverage percentage of weed was calculated by classical image processing methods. Finally, these performances were compared with the estimations of a set from weed experts through a Bland–Altman plot, intraclass correlation coefficients (ICCs) and Dunn’s test to obtain statistical measurements between every estimation (machine-human); we found that these methods improve accuracy on weed coverage estimation and minimize subjectivity in human-estimated data.

None

• AB - Transversal
• FREDO adventice
• FREDO lutte
• FREDO technologie et innovation

• convolutional neural networks
• deep learning
• multispectral imaging
• precision agriculture
• precision weeding
• weed detection
• weed mapping

AgriEngineering

2

471-488

2020/9

24 septembre 2020

10.3390/agriengineering2030032 Le DOI est une URL unique de référencement d'une publication. Il est donc plus fiable et permanent qu'une URL classique