L'agriculture a changé.

Les agriculteurs modernes ne se fient plus aux almanachs ni à leur intuition pour gérer leur exploitation. Depuis des décennies, les données concrètes et les analyses exploitables sont essentielles pour permettre aux agriculteurs de rester compétitifs dans un secteur en pleine évolution.

Mais l'accès à ces données essentielles se heurte à des obstacles et à des goulots d'étranglement. Cela peut s'avérer particulièrement difficile pour les producteurs agricoles, dont l'expertise réside dans la culture et non dans l'analyse de données. Aujourd'hui, l'IA transforme la manière dont les agriculteurs appréhendent leurs champs et leurs cultures, en leur apportant de nouvelles perspectives qui permettent de réduire le travail manuel tout en leur donnant les moyens d'optimiser la récolte, d'utiliser les ressources plus efficacement et, au final, d'augmenter le rendement de leurs cultures.

Au cours des dernières années, Amii a noué un partenariat avec la société Croptimistic Technology Inc., basée à Saskatoon Croptimistic Technology Inc., une entreprise de Saskatoon, , une entreprise de Saskatoon, afin d’étudier comment l’apprentissage automatique peut être utilisé dans le secteur agricole. Ensemble, ils ont développé deux outils qui démontrent le potentiel de l’IA dans le domaine de l’agriculture de précision.

Jouer

« Amii a véritablement renforcé nos capacités. C’est exactement ce dont les entreprises ont besoin », déclare Cory Willness, PDG de Croptimistic.

« Il vous faut quelqu’un qui puisse vous former aux bases de ce que vous devez mettre en œuvre. »

Fondé sur les données

Croptimistic est surtout connue pour la création de cartes SWAT, des cartes spécialisées contenant des informations détaillées sur l’eau, les conditions du sol et la topographie d’un champ donné. Ces informations peuvent aider un agriculteur à déterminer la meilleure façon de semer, d’arroser et de fertiliser ses terres, garantissant ainsi une récolte optimale tout en réduisant le gaspillage de ressources et de temps. Selon M. Willness, ce type d’informations est inestimable : leurs clients indiquent qu’il est courant d’observer un retour sur investissement de 6 pour 1 lorsqu’ils commencent à utiliser les cartes SWAT.

Après avoir créé cet outil agricole performant, Croptimistic a souhaité aller plus loin et découvrir comment l'IA pourrait améliorer les services proposés à ses clients. L'entreprise a contacté Amii dans le cadre d'un premier projet visant à déterminer si l'IA pouvait faciliter l'identification des cultures.

Ce partenariat a su tirer parti des atouts des deux parties. Croptimistic apportait une connaissance approfondie du secteur agricole et des technologies d’imagerie, ainsi qu’une bonne compréhension des défis rencontrés par ce secteur et des types d’informations les plus utiles pour les agriculteurs. De son côté, l’expérience d’Amii dans l’application de l’apprentissage automatique de pointe à des problèmes concrets a permis d’exploiter au mieux les données collectées par Croptimistic.

« Cela nous a permis de faire un bond en avant considérable dans notre capacité à faire avancer certains de nos projets, car nous avons pu bénéficier d’une expertise dans ce domaine dont nous ne disposions pas en interne, ainsi que de la capacité à nous lancer dans des projets à haut risque mais à fort potentiel. Nous ne nous serions probablement pas lancés dans ces projets sans bénéficier d’un tel niveau de soutien », explique Philip Harder, vice-président chargé de la science des données chez Croptimistic.

Des plantes aux pixels

Il est important de compter avec précision le nombre de rangées de cultures et de savoir exactement ce qui y pousse. Ces informations permettent à un agriculteur d'estimer son rendement et, au final, la quantité de produit qu'il aura à vendre, ainsi que les besoins en engrais et autres ressources. Traditionnellement, cela se fait en comptant manuellement une partie du champ, puis en extrapolant ce chiffre à l'ensemble de la culture : une méthode longue et imprécise.

La prise de photos des cultures pourrait s'avérer utile pour le comptage, mais cette méthode présente ses propres difficultés : les cultures poussent si près les unes des autres que certaines plantes peuvent être masquées par d'autres, notamment par des mauvaises herbes. Croptimistic a contacté Amii afin de déterminer si la vision par ordinateur et l'intelligence artificielle pouvaient être utilisées pour analyser ces images et automatiser le processus de comptage des cultures, en particulier les céréales de début de saison, telles que le blé, l'orge, le seigle et l'avoine.

Le premier obstacle majeur rencontré par l’équipe pour élaborer un modèle a été le volume limité de données. Elle ne disposait en effet que d’un ensemble de 54 images de céréales, qui ont par ailleurs tendance à avoir des feuilles étroites. De plus, ces images avaient été prises sous l’angle d’une personne se tenant debout dans un champ, ce qui était très différent de l’objectif visé : compter les cultures à l’aide de caméras montées sur des pulvérisateurs, qui offriraient une vue plongeante en survolant les rangées.

Pour remédier à cette divergence, les équipes d’Amii et de Croptimistic ont mis au point un pipeline d’images spécialisé, capable de transformer les images afin qu’elles ressemblent davantage à ce que l’on pourrait attendre d’une caméra montée sur un pulvérisateur. Le modèle appliquait ensuite un masque de segmentation, qui parcourait l’image pixel par pixel afin d’isoler les plantes cultivées de tout le reste de l’image, comme les mauvaises herbes ou le sol.

Au lieu d'essayer d'isoler et de compter chaque plante individuellement, celles-ci pouvant être masquées par d'autres dans la rangée, ils ont examiné le nombre total de pixels verts sur l'image afin d'évaluer la quantité de matière végétale visible. À partir de ce nombre total de pixels verts, ils ont ensuite pu entraîner un modèle d'IA pour estimer le rendement final de cette partie du champ.

Désormais, au lieu de devoir compter manuellement et faire des estimations, le modèle pourrait transformer des images bruitées de cultures à feuilles étroites en informations précises pour l'agriculteur. L'utilisation du pipeline d'images qu'ils ont mis au point pour traiter ces images offre une grande flexibilité, ce qui rend le modèle plus efficace pour fonctionner sur différents équipements et terrains.

« Nous avons transposé une technologie issue du laboratoire dans le monde réel, afin de fournir aux agriculteurs des données plus exploitables. C’est le genre de projet qui nous passionne vraiment », explique Dave Staszak, responsable de la recherche en intelligence artificielle chez Amii, qui a travaillé sur ce projet.

Tracer la voie à suivre

Croptimistic s’est montré satisfait des résultats. À tel point que l’entreprise s’est associée à Amii pour un autre projet, peut-être plus complexe : classer les cartes SWAT spécialisées de l’entreprise par ordre de pertinence. Lors de l’analyse d’une parcelle donnée, ce n’est pas une seule carte qui est générée, mais plusieurs cartes candidates présentant de légères différences. Une fois créées, celles-ci doivent être classées afin de déterminer laquelle est la plus pertinente pour ce scénario particulier. Cette tâche est généralement confiée à un agronome expert, et le choix de la carte SWAT la plus pertinente repose en grande partie sur la subjectivité et l’avis de l’expert.

Croptimistic a cherché à déterminer s'il existait un moyen d'automatiser ce processus. Au cours de ce projet d'une durée d'un an, l'entreprise a collaboré avec les chercheurs en apprentissage automatique d'Amii afin de mettre au point un modèle sophistiqué d'« apprentissage du classement » capable de passer au crible les cartes SWAT potentielles et d'identifier les options les plus pertinentes. En s'appuyant sur des années de données satellitaires, d'informations météorologiques et d'autres critères, ils ont réussi à développer un système capable d'évaluer simultanément des groupes entiers de cartes SWAT potentielles, en les classant les unes par rapport aux autres.

Pour finaliser le processus de sélection, le système a classé les cartes SWAT en fonction des notes qu'un agronome expert leur aurait attribuées, établissant ainsi une liste restreinte des candidates les plus prometteuses. Le modèle final a fait preuve d'une grande précision dans la sélection de cartes SWAT similaires à celles choisies par les experts humains, ce qui a permis d'éliminer les cartes SWAT les moins utiles et de rationaliser le processus de sélection.

Si le projet en lui-même a apporté des avantages considérables à Croptimistic et à ses clients, M. Willness estime que les changements à long terme au sein de l’entreprise pourraient constituer un avantage encore plus important. Grâce à la structure de partenariat unique d’Amii, l’équipe a pu recruter le spécialiste en apprentissage automatique chargé du projet d’identification des cultures, l’intégrer à son équipe et renforcer ainsi ses propres capacités pour de futurs projets d’IA.

« Disons simplement que cela s'est intégré à toutes nos activités, et que cela a permis de doubler notre capacité de développement logiciel au cours des six derniers mois. Puis, au cours des deux derniers mois, cette capacité a encore doublé », explique Willness.