L'évaluation nutritionnelle des mélanges de semences pilotée par l'IA améliore les pratiques agricoles durables
La culture de mélanges de semences pour les pâturages locaux est une méthode ancestrale qui permet de produire des aliments pour animaux rentables et équilibrés, tout en améliorant l'autonomie agricole et le respect de l'environnement, conformément à l'évolution de la réglementation européenne et aux exigences des consommateurs de produits biologiques. Malgré ses avantages, les agriculteurs sont confrontés à des difficultés d'adoption en raison de la maturation asynchrone des céréales et des légumineuses et de la difficulté d'évaluer la valeur nutritionnelle de graines hétérogènes. Les pratiques actuelles reposent sur des méthodes informelles et empiriques, et une solution proposée consiste à développer une application mobile ou un service en ligne, similaire à Pl@ntNet, pour l'évaluation nutritionnelle automatisée des mélanges de semences, en encourageant la participation des agriculteurs et l'enrichissement de la base de données. Toutefois, il faut pour cela surmonter les difficultés liées à l'agriculture et à la vision par ordinateur. Les surmonter, tout comme optimiser les modèles de réseaux neuronaux profonds et les fonctions de perte, reste un axe de recherche essentiel pour rendre cette pratique agricole durable plus accessible et plus efficace.
Plant Phenomics
En novembre 2023, Plant Phenomics a publié un article de recherche intitulé "Estimating Compositions and Nutritional Values of Seed Mixes Based on Vision Transformers ".
Cette recherche présente une nouvelle approche utilisant l'intelligence artificielle pour estimer la valeur nutritionnelle des mélanges de graines récoltées, dans le but d'aider les agriculteurs à gérer les rendements des cultures et à promouvoir une culture durable. Un ensemble de données de 4 749 images couvrant 11 variétés de semences a été créé pour entraîner deux modèles d'apprentissage profond : Réseaux neuronaux convolutifs (CNN) et Transformateurs de vision (ViT). Les résultats ont nettement favorisé le modèle BeiT basé sur ViT, qui a surpassé le CNN dans toutes les mesures, y compris une erreur absolue moyenne (MAE) de seulement 0,0383 et un coefficient de détermination(R2) de 0,91. Les techniques d'augmentation des données et les variations de la taille des modèles ont permis d'affiner encore les performances. Bien que les modèles plus grands offrent quelques améliorations, la version de base de BeiT s'est avérée la plus efficace en termes d'équilibre entre les performances et les ressources informatiques. L'étude a également exploré les fonctions de perte, constatant que la perte classique KLDiv était plus performante que la variante Sparsemax. L'analyse détaillée par type de semences a révélé des performances distinctes selon les catégories, les modèles excellant généralement dans la reconnaissance de l'orge, du lupin, du seigle, de l'épeautre et du blé, mais rencontrant des difficultés avec la vesce et l'avoine. L'agrégation des prédictions à partir de plusieurs images du même mélange a considérablement amélioré la robustesse et la précision. La recherche a abouti au développement d'"ESTI'METEIL" (https://c4c.inria.fr/carpeso/), un composant web en libre accès qui permet aux utilisateurs d'estimer la composition et la valeur nutritionnelle des semences à partir d'images. Cet outil démontre l'application pratique et le potentiel de la recherche pour des scénarios agricoles réels.
En conclusion, l'étude a appliqué efficacement des techniques avancées d'apprentissage profond, en particulier le modèle BeiT auto-supervisé, au défi agricole de l'estimation de la composition des mélanges de semences et de leurs valeurs nutritionnelles. La recherche a non seulement montré des résultats prometteurs avec un scoreR2 élevé, mais a également fourni un outil pratique pour les agriculteurs, marquant une étape importante vers des pratiques agricoles plus durables et mieux informées. Les travaux futurs viseront à améliorer l'équilibre des données et à explorer la génération d'images synthétiques afin d'améliorer encore les performances du modèle et son applicabilité pratique.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Autres actualités du département science
Recevez les dernières actualités du secteur de l'alimentation et des boissons
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie alimentaire et des boissons vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
