Des essais au champ menés aux Pays-Bas à Lelystad montrent que le robot de sélection autonome Potector300 est capable de détecter des plantes présentant des anomalies dans des cultures bien développées. La confiance dans cette technologie progresse également sur le terrain. Le producteur de plants de pommes de terre Stefan van Dam a travaillé avec le Potector300 de H2L Robotics au cours de la dernière saison. Il souhaite utiliser la machine de manière ciblée la saison prochaine, en complément des sélectionneurs humains. Cet hiver, le modèle d’intelligence artificielle sera encore entraîné afin que le système puisse mieux distinguer les différentes variétés et les différentes anomalies.
Lors d’un essai au champ réalisé sur le site de l’Université de Wageningue consacré aux cultures de plein champ à Lelystad, H2L Robotics et le sélectionneur expérimenté de plants de pommes de terre Mario van de Pol ont étudié les performances de la machine dans des conditions pratiques.
Rouler avec un seuil de détection élevé
Stefan van Dam a travaillé avec le Potector300 au cours de la dernière campagne de sélection. Son expérience le rend positif quant à la poursuite de cette collaboration. Il apprécie notamment la possibilité de faire d’abord circuler le robot dans une parcelle avec un seuil de détection élevé. Avec un seuil élevé, le robot ne signale une plante que lorsqu’il a un degré de certitude élevé concernant la présence d’une anomalie. « S’il fonctionne l’année prochaine comme il le fait actuellement, je le laisserai circuler et je retirerai systématiquement tout ce qu’il signale. »
Van Dam envisage surtout une combinaison entre l’homme et la machine. « Je commencerais par le faire circuler avec un seuil élevé, afin que seules les anomalies les plus certaines soient signalées. Ensuite, je faisais retirer ces plantes par des tiers, avant de faire repasser le robot une deuxième fois dans la même parcelle avec un seuil plus bas. Je parcourrais alors moi-même la parcelle. »
Selon Van Dam, le robot a également généré des détections qui n’ont pu être évaluées que plus tard. « J’ai aussi l’impression que la machine détecte les anomalies à un niveau très détaillé, car au cours de la dernière semaine, il y avait pas mal de détections que j’avais initialement considérées comme des plantes saines. Mais lorsque je suis revenu une semaine plus tard, il s’est finalement avéré qu’il s’agissait bien de plantes malades. »
« Pouvoir rouler jour et nuit est un grand avantage »
Le producteur de plants de pommes de terre Gebr. de Zeeuw, originaire du Noordoostpolder, a également travaillé avec le Potector300. Selon lui, le principal avantage réside dans le caractère autonome de la machine. « Pouvoir rouler jour et nuit est un grand avantage. La machine continue de fonctionner sans avoir besoin de personnes. La main-d’œuvre disponible diminue constamment, donc tout ce qui peut être automatisé doit l’être. »
Les expériences des producteurs correspondent aux résultats des essais au champ réalisés fin juillet sur le site de l’Université de Wageningue consacré aux cultures de plein champ à Lelystad. Le Potector300 y a été évalué dans différentes conditions de croissance et sur plusieurs variétés de pommes de terre. La saison de croissance a été marquée à la fois par des conditions sèches et, localement, par de fortes précipitations peu après la plantation. Les cultures présentaient donc des niveaux de développement différents.
L’essai a été réalisé en collaboration avec le sélectionneur expérimenté de plants de pommes de terre Mario van de Pol. Les performances du robot ont été évaluées selon les mêmes principes que ceux appliqués lors d’une sélection manuelle. Une culture insuffisamment développée ou fortement soumise au stress n’est pas non plus toujours sélectionnée immédiatement par un sélectionneur humain.
Le robot reconnaît 50 à 80 % des plantes présentant des anomalies
Lors de l’essai, les équipes ont retenu un seuil de détection élevé. Selon Kverneland, dans ces conditions, le Potector300 a reconnu en moyenne 50 à 80 % des plantes présentant des anomalies dans les cultures bien développées. Les résultats variaient selon les variétés. De bons résultats ont été obtenus sur Rudolf, Innovator, Spunta, Fontane et King Russet. Rudolf a obtenu les meilleurs résultats au cours de cet essai. Selon les parties concernées, cette variété a relativement bien résisté aux conditions sèches.
Kverneland souligne toutefois que les résultats doivent être considérés dans le contexte spécifique de l’essai. Toutes les situations possibles en matière de cultures et de conditions météorologiques n’étaient pas représentées. De plus, le modèle d’intelligence artificielle actuel a principalement été entraîné sur les variétés Spunta, Fontane, Innovator et Agria. Les résultats obtenus sur Rudolf et King Russet donnent donc surtout des indications pour la poursuite du développement du modèle.
Le modèle d’IA apprend à distinguer les plantes virosées des différences variétales
Le seuil de détection reste un facteur important. Un seuil plus bas entraîne davantage de signalements, mais augmente également le risque de faux positifs. Ces signalements servent ensuite à entraîner le programme. Le système peut ainsi apprendre à faire la distinction entre les plantes malades et les différences naturelles au sein d’une variété.
Spunta en est un exemple, selon Kverneland. Cette variété présente de nombreuses plantes mâles. En raison de la structure différente de leur feuillage, ces plantes peuvent ressembler à des plantes virosées. Un sélectionneur expérimenté est généralement capable de faire la distinction. Le Potector300 ne parvient actuellement pas encore à faire cette distinction dans tous les cas.
Ce sont précisément ce type de situations qui fournissent des informations utiles pour poursuivre l’entraînement du système. Le modèle d’intelligence artificielle doit apprendre quelles caractéristiques indiquent réellement la présence d’une maladie et quelles anomalies sont propres à la variété. Le robot peut ainsi mieux s’adapter aux conditions rencontrées dans la pratique.
Des sélectionneurs expérimentés ont annoté environ 6 000 images de plants de pommes de terre malades au cours de la saison actuelle. Au cours de l’hiver prochain, environ 14 000 plantes supplémentaires viendront s’y ajouter, selon Kverneland. L’objectif est de poursuivre l’entraînement du modèle sur différentes variétés et différents symptômes de maladies.
La prochaine saison doit permettre de franchir une nouvelle étape
Le développement du Potector300 va donc au-delà de la simple amélioration de la détection. La manière dont les producteurs peuvent utiliser le robot joue également un rôle. Cet hiver, les équipes poursuivront l’entraînement du modèle d’intelligence artificielle sur d’autres variétés. Selon Kverneland, ces données d’entraînement supplémentaires devraient permettre d’améliorer encore la reconnaissance à l’approche de la campagne de sélection de 2027.
Pour l’entreprise, l’essai au champ de Lelystad montre que la sélection autonome peut désormais être appliquée dans des cultures bien développées et dans des conditions pratiques. Les expériences des producteurs devront ensuite permettre de déterminer comment intégrer au mieux cette technologie dans le travail quotidien des exploitations.
Texte : Esmee Groot Roessink
