FR3093613A1 - Dispositif de contrôle de traitement agricole - Google Patents

Dispositif de contrôle de traitement agricole Download PDF

Info

Publication number
FR3093613A1
FR3093613A1 FR1908086A FR1908086A FR3093613A1 FR 3093613 A1 FR3093613 A1 FR 3093613A1 FR 1908086 A FR1908086 A FR 1908086A FR 1908086 A FR1908086 A FR 1908086A FR 3093613 A1 FR3093613 A1 FR 3093613A1
Authority
FR
France
Prior art keywords
weeds
deficiencies
diseases
detection
foliar symptoms
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR1908086A
Other languages
English (en)
Inventor
Gérald Germain
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Carbon Bee
Original Assignee
Carbon Bee
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Carbon Bee filed Critical Carbon Bee
Priority to US17/437,333 priority Critical patent/US20220174934A1/en
Priority to PCT/EP2020/056401 priority patent/WO2020182840A1/fr
Priority to EP20708129.0A priority patent/EP3937628A1/fr
Publication of FR3093613A1 publication Critical patent/FR3093613A1/fr
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/143—Sensing or illuminating at different wavelengths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
    • A01M21/02—Apparatus for mechanical destruction
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
    • A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
    • A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
    • A01M21/046—Apparatus for destruction by steam, chemicals, burning, or electricity by electricity

Abstract

DISPOSITIF DE CONTRÔLE DE TRAITEMENT AGRICOLE L'invention concerne un dispositif collaboratif de contrôle de traitement de parcelle agricole destiné à être monté sur une machine agricole (1), composé d'un ensemble de détecteurs (2) d'adventices ou symptômes foliaires de carences ou maladies collaborant à la décision de contrôler les dispositifs de traitement (3) de la parcelle agricole. Figure pour l’abrégé : Fig. 1

Description

DISPOSITIF DE CONTRÔLE DE TRAITEMENT AGRICOLE
La présente invention se rapporte à un dispositif de contrôle de traitement agricole destiné à être monté sur une machine agricole, intégrant au moins un dispositif contrôlable de traitement de la parcelle et au moins un détecteur d'adventices ou de symptômes foliaires de carences ou maladies.
Les cultures agricoles nécessitent un entretien régulier afin d’optimiser la production agricole. Les traitements de fertilisation, de désherbage, de lutte contre les carences, ou de lutte contre les maladies ou nuisibles sont nécessaires afin d’optimiser le rendement de production de ces cultures.
Les techniques culturales modernes tendent à réduire les intrants et traitements, dans cet objectif, elles proposent différentes méthodes afin de traiter ces problématiques.
Les mesures prophylactiques, dont l’objectif est de réduire au maximum le nombre d’adventices présents sur une parcelle agricole entrant en concurrence avec la culture sont largement employées dans les itinéraires techniques des grandes cultures et cultures maraîchères. Les méthodes suivantes sont recommandées dans cet objectif :
– Les rotations de cultures fut l’une des premières méthodes théorisée dès le début du XXe siècle, tel que décrit dans le document « Clyde E. Leighty, 1938 Yearbook of Agriculture », consistant en une alternance des cultures automnales et printanières cela afin de rompre certains cycles biologiques des adventices ;
– le labour permet de réduire le nombre d’adventices dans la culture par enfouissement des graines de ceux-ci ;
– le faux semi, tel que décrit dans le document « Evaluating Cover Crops for Benefits, Costs and Performance within Cropping System Niches. » Agronomy Journal 97 (1). American Society of Agronomy: 322–32, en faisant lever des adventices à levée rapide, détruits avant le semi de la culture permet également de réduire le taux d’adventices présents dans la culture.
Les mesures curatives, dont l’objectif est d’éviter les levées d’adventices dans la culture, et d’avoir une incidence sur le rendement de celle-ci recommandées sont les suivantes :
– Le désherbage chimique, tel que décrit dans le document « Pulvérisation en grandes cultures. Les clés de la réussite », Arvalis, permet d’éviter les levées d’adventices dans la culture. Les produits phytosanitaires dédiés au désherbage chimique sont adaptés soit à un traitement pré-levée permettant d’éviter la germination des adventices présents à l’état de graines, soit à un traitement post-levée, permettant de détruire les adventices ayant levé dans la culture. Le désherbage chimique est soit sélectif, permettant de traiter une typologie d’adventice, soit non-sélectif, permettant de détruire l’ensemble des végétaux présent dans la parcelle au moment du traitement. L’utilisation répétée d’un même groupe chimique de désherbant entraîne l’apparition de résistances des adventices, ainsi qu’une phytotoxicité ayant un impact sur le rendement de la culture. Les désherbants chimiques sont appliqués sur la parcelle au moyen d’un pulvérisateur ;
– le désherbage mécanique tel que décrit dans le document « La bineuse, un outil adapté à une large gamme de sol », Arvalis, en pré-levée ou post-levée, permet de détruire soit les plantules d’adventices, soit les adventices à un stade plus avancé. Ce procédé de désherbage améliore la structure du sol et perturbe également le cycle de certains ravageurs. Les outils employés pour un désherbage mécanique sont les herses étrilles ou houes rotatives pour un désherbage complet ou les bineuses à dents pour un traitement inter-rang ou sous le rang ;
– des méthodes alternatives sont développées, tel que décrit dans le document «Alternative methods in weed management to the use of glyphosate and other herbicide », pesticide action network europe, 2018 (second edition), avec notamment, le traitement des adventices par injection d’un courant électrique, consistant à détruire chaque adventice levé par éclatement des cellules biologiques en provoquant une évaporation de l’eau contenue dans celles-ci, les traitements des adventices par chaleur, dont les procédés sont basés sur l’utilisation de laser, ou d’eau chaude haute pression, permettent de détruire sélectivement les adventices par un apport calorique suffisant à la destruction des cellules biologiques de l’adventice.
Les méthodes de traitement des carences et des maladies ou de lutte contre les nuisibles recommandées sont essentiellement basées sur des traitements chimiques.
Les traitements, qu’ils soient chimiques, mécaniques ou alternatifs, sont exécutés par un engin, généralement attachés à un véhicule motorisé qui se déplace dans la culture.
Ces traitements, sont traditionnellement larges et ne prennent pas en compte la présence ou non d’adventices, des nuisibles, des carences ou des maladies, en traitant la totalité de la parcelle agricole de façon homogène. Ce mode de contrôle est peu précis et entraîne une surutilisation des produits phytosanitaires lorsque le traitement est chimique, ou un débit de chantier réduit lorsque le traitement est mécanique ou alternatif.
Dans ce contexte, la thèse « Segmentation d’images pour la localisation d’adventices. Application à la réalisation d’un système de vision pour une pulvérisation spécifique en temps réel », Jérémie Bossu, Université de Bourgogne/CNRS 5158, 4 décembre 2007, décrit un dispositif expérimental de pilotage d’épandage comprenant une caméra montée sur un engin agricole, une unité centrale de détection et de calcul de l’instant optimal de pulvérisation, prenant en compte la position des plantes dans les images acquises par la caméra.
Le document WO2012/032245, « Système de commande pour épandage agricole », décrit un système de commande d’épandage comprenant un ensemble de buses d’épandage, des moyens de cartographie de plantes à traiter utilisant, dans une forme de réalisation, des caméras, et des moyens pour piloter l’épandage en fonction des données de cartographie produite. Ce système de commande, nécessitent un premier passage du système dans la parcelle agricole afin de produire une cartographie de cette parcelle agricole utilisée dans un deuxième passage pour l’application du traitement.
Le document WO2012/122988, « Rampe de pulvérisation pour pulvériser de manière sélective une composition désherbante sur des dicotylédones », décrit un procédé permettant de discerner une catégorie d’adventices parmi d’autres adventices afin de sélectivement traiter les adventices concernées par la détection. Ce procédé utilise une caméra stéréoscopique afin de discerner les adventices, et ne permet pas de discerner les adventices de la même famille, par exemple dicotylédones, à des stades précoces. De la même façon, ce procédé n’est pas adapté à une détection de symptômes foliaires de carences ou maladies.
Le document US2018/0240228, « Selective plant detection and treatment using green luminance photometric machine vision scan with real time chromaticity operations and image parameter floors for low processing load », décrit un procédé permettant la détection de végétaux dans une image et de cibler celui-ci dans un traitement. Ce procédé n’est pas adapté à une détection sélective des familles d’adventices, ni à la détection de symptômes foliaires de carences ou maladies.
Par ailleurs, le document FR1873313, « Dispositif de détection à acquisition hyperspectrale » décrit un dispositif d’acquisition hyperspectrale à détection directe apte à détecter la signature de forme, texture et réflectance spectrale d’un adventice, ou de symptômes foliaires de carences ou maladies, dans une culture. Ce dispositif est adapté au discernement des adventices à des stades précoces, y compris des adventices de la même famille. De même, ce dispositif est adapté à la détection de symptômes foliaires de carences ou maladies. Le document FR1901202, « Dispositif de détection hyperspectrale par fusion de capteurs », décrit un procédé alternatif de détection directe apte à détecter la présence d’adventices, ou de symptômes foliaires de carences ou maladies dans une image de culture. Le document FR1905916 reprend et complète les deux documents précédents.
Les problématiques de détection des adventices sont multiples. Les formulations des traitements chimiques de désherbage sélectif, s’adressent, pour chacune d’entre elles, à une famille d’adventices, par exemple les dicotylédones, et ont une efficacité adaptée à certains stades de développement de l’adventice, par exemple le stade plantule. Il apparaît donc nécessaire d’être capable de discerner avec une grande fiabilité les adventices d’une certaine famille parmi l’ensemble des végétaux présents dans la parcelle agricole. De façon équivalente, la détection de maladies ou carences dans une culture nécessite une grande fiabilité de détection afin de couvrir l’ensemble des zones affectées dans la culture.
En outre, les équipements agricoles de traitement, tout particulièrement les rampes de pulvérisations, peuvent couvrir une grande largeur, jusqu’à 50m, de traitement ; ces rampes possèdent alors un grand nombre de buses de traitement. Un système de détection doit donc être en capacité de détecter avec une grande fiabilité la présence de certaines familles d’adventices ou de symptômes foliaires de carences ou de maladies, sur une grande largeur.
Ainsi, le problème technique de l'invention consiste à détecter la présence d’adventices, ou de symptômes foliaires de carences ou maladies en temps réel lors du parcours d’un engin agricole.
La présente invention se propose de répondre à ce problème technique en équipant une machine agricole d’un ensemble de capteurs d’adventices ou de symptômes foliaires de carences ou maladies ; lesdits capteurs d’adventices ou de symptômes foliaires de carences ou maladies collaborant à la détection et au pilotage du traitement à appliquer en fonction des détections faites par chacun desdits capteurs d’adventices ou de symptômes foliaires de carences ou maladies.
A cet effet, l'invention concerne un dispositif de contrôle de traitement agricole destiné à être monté sur une machine agricole, ladite machine agricole comportant au moins un dispositif de traitement contrôlable, le dispositif de contrôle de traitement agricole comprenant :
– au moins un système de détection d'adventices ou de symptômes foliaires de carences ou maladies, chacun étant adapté pour une fixation sur la machine agricole,
un système de localisation d’au moins un système de détection d’adventices ou de symptômes foliaires de carences ou maladies.
L'invention se caractérise en ce qu’au moins un système de détection d'adventices ou de symptômes foliaires de carences ou maladies collabore avec un systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies dont la zone de détection se recouvre partiellement avec celle dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies afin de décider collaborativement du traitement à appliquer sur la zone de détection dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies. Le dispositif comprend un système de communication entre lesdits au moins un systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies et au moins un dispositif de traitement. Ce mode de réalisation permet un traitement chimique, thermique ou mécanique sélectif dans une parcelle agricole.
Au sens de l'invention, un dispositif de contrôle de traitement agricole est composé d’au moins un capteur détectant la présence et la localisation d’adventices ou de symptômes foliaires de carences ou maladies dans une parcelle agricole, et d’un procédé collaboratif de décision automatisé d’application d’un traitement ; le traitement pouvant être de différentes natures notamment chimique, mécanique ou électrique.
Selon un mode de réalisation, ledit au moins un système de détection d’adventices ou de symptômes foliaires de carences ou maladies est adapté pour collaborer avec un autre système de détection d’adventices ou de symptômes foliaires de carences ou maladies dont la zone de détection se recouvre latéralement partiellement avec celle dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies.
Selon un mode de réalisation, ledit au moins un système de détection d’adventices ou de symptômes foliaires de carences ou maladies est adapté pour collaborer avec un système de détection d’adventices ou de symptômes foliaires de carences ou maladies dont la zone de détection se recouvre temporellement avec celle dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies.
Selon un mode de réalisation, le système de localisation comprend un système de géolocalisation et/ou une centrale inertielle.
Selon un mode de réalisation, le dispositif comprend au moins deux systèmes de détection d’adventices ou de symptômes foliaires de carences ou maladies.
Selon un mode de réalisation, un, notamment chaque, système de détection d’adventices ou de symptômes foliaires de carences ou maladies est équipé d’un système de localisation.
Selon un mode de réalisation, un, notamment chaque, système de détection d’adventices ou de symptômes foliaires de carences ou maladies est adapté pour collaborer avec un autre, notamment les autres, systèmes de détection d’adventices ou de symptômes foliaires de carences ou maladies.
Selon un mode de réalisation, un, notamment chaque, système de détection d'adventices ou de symptômes foliaires de carences ou maladies comprend un capteur hyperspectral.
Selon un mode de réalisation, un système de détection d’adventice ou de symptôme foliaire de carence ou de maladie est adapté pour détecter la présence d’adventices ou symptômes foliaires de carences ou maladies depuis des particularités propres aux adventices ou symptômes foliaires de carences ou maladies.
Selon un mode de réalisation, un système de détection d’adventice ou de symptôme foliaire de carence ou de maladie est adapté pour détecter une zone pour un adventice ou un symptôme foliaire de carence ou maladie.
Selon un mode de réalisation, un système de détection d’adventice ou de symptôme foliaire de carence ou de maladie est complété avec une probabilité de présence desdites particularités propres aux adventices ou symptômes foliaires de carences ou maladies.
Selon un mode de réalisation, le système de localisation est adapté pour localiser le traitement à appliquer sur la zone de détection.
Selon un mode de réalisation, le dispositif comprend un système de communication entre lesdits systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies.
Selon un mode de réalisation, un recouvrement temporel desdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies est obtenu.
Selon un mode de réalisation, un, notamment chaque, système de détection comporte un système de détection directe de particularités dans la scène hyperspectrale intégrant un réseau de neurones profond et convolutif architecturé pour détecter au moins une particularité recherchée dans ladite scène hyperspectrale pour un adventice ou un symptôme foliaire de carence ou maladie depuis au moins une image compressée de la scène hyperspectrale.
Selon un mode de réalisation, un, notamment chaque, système de détection comporte un système de détection de particularités dans la scène hyperspectrale comprenant :
- un réseau de neurones configuré pour calculer un hypercube hyperspectral de la scène hyperspectrale depuis au moins une image compressée et une image non compressée de la scène hyperspectrale,
- un module de caractérisation pour détecter l’adventice ou le symptôme foliaire de carence ou maladie à partir de l’hypercube hyperspectral.
Selon un mode de réalisation, ledit dispositif de traitement agricole comprend au moins une buse de pulvérisation, le débit ou la pression de ladite au moins une buse de pulvérisation étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Ce mode de réalisation permet un traitement chimique de désherbage des adventices ou de traitement des carences ou maladies dans la parcelle en optimisant la quantité de produit phytosanitaire épandu dans la parcelle agricole.
Selon un mode de réalisation, ledit dispositif de traitement agricole comprend au moins un LASER de destruction des adventices, ledit au moins un LASER étant contrôlée par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Ce mode de réalisation permet un traitement destructif par LASER des adventices de la parcelle, en optimisant le débit de chantier par la sélection des seuls adventices concernés par le traitement.
Selon un mode de réalisation, ledit dispositif de traitement agricole comprend au moins un jet d'eau à haute pression dont l'objectif est la destruction des adventices, ledit au moins un jet d'eau haute pression étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Ce mode de réalisation permet un traitement destructif par jet d’eau haute pression des adventices de la parcelle, en optimisant le débit de chantier par la sélection des seuls adventices concernés par le traitement.
Selon un mode de réalisation, ledit dispositif de traitement agricole comprend au moins un outil de désherbage mécanique de binage, ledit au moins un outil de désherbage mécanique de binage étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Ce mode de réalisation permet un traitement destructif mécanique des adventices de la parcelle, en optimisant le débit de chantier par la sélection des seuls adventices concernés par le traitement.
Selon un mode de réalisation, ledit dispositif de traitement agricole comprend au moins un outil de désherbage électrique de destruction des adventices, ledit au moins un outil de désherbage électrique étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Ce mode de réalisation permet un traitement destructif de désherbage électrique des adventices de la parcelle, en optimisant le débit de chantier par la sélection des seuls adventices concernés par le traitement.
Selon un mode de réalisation, le dispositif de traitement agricole est localisé.
Selon un mode de réalisation, l’ensemble desdits au moins un système de détection d'adventices ou de symptômes foliaires de carences ou maladies est adapté pour construire collaborativement une cartographie de la parcelle agricole parcourue par ladite machine agricole, ladite cartographie étant construite par un procédé de géostatistiques avecdes données de détection localisées représentant l'état réel tel que mesuré par lesdits au moins un systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Ce mode de réalisation permet la génération d’une cartographie des détections d’adventices et de symptômes de carences ou maladies dans la parcelle agricole traitée à des fins de statistiques et suivi de traitement des parcelles agricoles.
Selon un mode de réalisation, le dispositif comprend en outre un écran de contrôle, et ladite cartographie de la parcelle agricole parcourue est affichée surl’écran de contrôle à destination du technicien procédant au traitement de la parcelle agricole. Ce mode de réalisation permet au technicien procédant au traitement de la parcelle agricole de suivre en temps réel l’application du traitement dans la parcelle agricole.
Selon un mode de réalisation, un processeur est adapté pour produire des statistiques de pulvérisation, de prévalence, d'espèces, de densités, ou de stades des adventices ou des symptômes foliaires de carences ou maladies présents dans la parcelle agricole en utilisant la cartographie de la parcelle agricole parcourue. Ce mode de réalisation permet un suivi des traitements dans la parcelle.
Selon un aspect, l’invention se rapporte à un procédé de pilotage collaboratif de traitement agricole destiné à être monté sur une machine agricole, ladite machine agricole comportant au moins un dispositif de traitement contrôlable, le procédé de contrôle de traitement agricole comprenant :
– une décision collaborative dudit au moins un systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies dont les zones de détection se recouvrent partiellement, chacun étant adapté pour une fixation sur la machine agricole et la localisation du traitement à appliquer sur la zone de détection ; et
– une communication entre lesdits systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies avec ledit au moins un dispositif de traitement.
Selon un mode de réalisation, le procédé de pilotage collaboratif du dispositif de traitement monté sur une machine agricole sur laquelle est monté un ensemble de systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies, comporte, pour chacun d’au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies, les étapes de :
– Acquisition d’une nouvelle donnée image depuis le sol de la parcelle agricole parcourue sur laquelle se déplace une machine agricole au moyen dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies ; et
– Acquisition des informations additionnelles de position dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies au moyen d’une centrale inertielle et du système de localisation ; et
– Projection de ladite donnée image acquise par chacun desdits systèmesde détection d'adventices ou de symptômes foliaires de carences ou maladies sur le plan du sol ; et
– Détection de présence d'adventices ou de symptômes foliaires de carences ou maladies depuis ladite donnée image acquise et projetée sur ledit plan du sol ; et
– Calcul des positions des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies ; ledit calcul de position utilisant les informations de localisation dudit système de localisation dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies et les informations de détection dans ladite donnée image ; et
– Communication desdites positions des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies à l’ensemble des autres systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies ; et
– Réception desdites positions des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit détecteur d'adventices ou de symptômes foliaires de carences ou maladies en provenance d’autres systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies ; et
– Fusion desdites positions des adventices ou symptômes foliaires de carences ou maladies de l’ensemble des systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies ; et
– Calcul de la commande à envoyer au dispositif de traitement concerné par la zone de détection dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies ; et
– Émission de la commande au dispositif de traitement concerné par la zone de détection dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies.
Selon un aspect, ladite projection utilise les informations en provenance de ladite centrale inertielle dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies afin de déterminer l’angle de prise de la donnée image par rapport au vecteur normal au sol.
Selon un aspect, communication desdites positions des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies à d’autres, notamment à l’ensemble des autres systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies.
Selon un aspect, la fusion est pondérée en fonction de la qualité et la distance calculée de chaque détection.
L’invention est assemblée sur une machine agricole comprenant au moins un dispositif de traitement contrôlable. La machine agricole est telle que lesdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies sont fixés sur le support desdits au moins un dispositif de traitement contrôlable et communiquent entre eux ainsi qu’avec la pluralité desdits au moins un dispositif de traitement contrôlable pour, en opération, émettre la commande de pilotage d’activation adaptée pour être reçue par chacun desdits au moins un dispositif de traitement contrôlable pour déclencher le traitement sur le végétal cible.
En ce qui concerne l’opération de projection desdites données images sur le plan du sol, les informations de roulis, tangage et lacet sont utilisées ; ces informations de roulis, tangage et lacet étant calculées en continu et maintenues à jour par chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies au moyen d’un algorithme d’estimation d’attitude utilisant les informations brutes de ladite centrale inertielle embarquée dans chacun desdits au moins deux systèmes de détection d’adventices ou de symptômes foliaires de carences ou maladies. Par exemple, l’algorithme d’estimation d’attitude, permettant de calculer les informations de roulis, tangage et lacet, peut être un filtre de Kalman étendu, un algorithme de Mahony ou de Madgwick. Le document « A comparison of multisensor attitude estimation algorithm », A. Cirillo, P. Cirillo, G. De Maria, C. Natale, S. Pirozzi, décrit et compare un ensemble d’algorithmesde fusion de données de centrales inertielles afin d’en extraire l’attitude, définie par les angles de roulis, tangage, et lacet, du système.
En variante, lesdites informations d’attitude peuvent être calculées depuis les informations brutes des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Lesdites informations brutes des centrales inertielles étant échangées au moyen du système de communication connectant lesdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies en continu, l’algorithme d’estimation d’attitude exécuté sur chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies peut utiliser l’ensemble des informations brutes. Ainsi, les estimations de roulis, tangage et lacet sont consolidées par un ensemble de mesures similaires, cohérentes et covariantes entre elles. Par exemple, un filtre de Kalman étendu peut être utilisé dans chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies, en prenant les données issues des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Le document « Data Fusion Algorithms for Multiple Inertial Measurement Units », Jared B. Bancroft and Gérard Lachapelle, Sensors (Basel), 29/06/2011, 6771-6798, présente un algorithme alternatif de fusion de données brutes d’un ensemble de centrales inertielles afin de déterminer les informations d’attitude.
En variante, lesdites informations d’attitude peuvent être calculées depuis les informations brutes des centrales inertielles auxquelles les données de géolocalisation de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies sont ajoutées. Lesdites informations brutes des centrales inertielles ainsi que les données de géolocalisation étant échangées au moyen du système de communication connectant lesdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies, l’algorithme d’estimation d’attitude peut utiliser l’ensemble des informations brutes. Par exemple, un filtre de Kalman étendu peut être utilisé dans chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies, en prenant les données issues des centrales inertielles ainsi que les données de géolocalisation de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Par ailleurs, un procédé, tel que décrit dans le document « Attitude estimation for accelerated vehicles using GPS/INS measurements », Minh-Duc Hua, 07/2010, Control Engineering Practice Volume 18, Issue 7, July 2010, pages 723-732, permet une fusion des informations issues d’un système de géolocalisation et d’une centrale inertielle.
Ladite projection au sol de ladite donnée image est calculée suivant les relations suivantes :
Imgprojetée= R-1.Imgacquise
R=Rz.Ry.Rx
Où :
– Imgprojetéeest le tenseur contenant les pixels de l’image projetée au sol ; et
– Imgacquiseest le tenseur contenant les pixels de ladite donnée image brute ; et
– R est la matrice contenant les rotations suivant les trois axes de roulis, tangage et lacet ; et
– α est l’angle de lacet ; et
– β est l’angle de roulis ; et
– γ est l’angle de tangage.
Lesdites données images projetées au sol sont utilisées pour détecter la présence d’adventices ou symptômes foliaires de carences ou maladies depuis les particularités propres aux adventices ou symptômes foliaires de carences ou maladies afin de détecter les zones dans lesdites données images projetées dans lesquelles les végétaux cibles sont présents. Chacune des détections de présence d’adventices ou symptômes foliaires de carences ou maladies est complétée avec une probabilité de présence desdites particularités propres aux adventices ou symptômes foliaires de carences ou maladies. Ces informations de probabilités sont nécessaires aux calculs de géostatistiques permettant de décider l’application d’un traitement sur le végétal cible. Par exemple, un capteur hyperspectral, tel que décrit dans le document FR1873313, « Dispositif de détection à acquisition hyperspectrale » ou dans le document FR1901202, « Dispositif de détection hyperspectrale par fusion de capteurs », ou dans le document FR1905916, « Dispositif de détection hyperspectrale » peut être utilisé afin de détecter les particularités recherchées d’adventices ou symptômes foliaires de carences ou maladies.
En ce qui concerne le calcul des positions des adventices ou symptômes foliaires de carences ou maladies, la détection des particularités propres aux adventices ou symptômes foliaires de carences ou maladies dans ladite donnée image projetée indique la présence desdits végétaux cibles dans les coordonnées de ladite donnée image projetée. En outre, chacune des données images projetées est géolocalisée à partir des informations de géolocalisation obtenues au moyen dudit système de géolocalisation dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies. Ladite information de géolocalisation obtenue correspond à la position dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies au moment de la capture de ladite donnée image. Ladite opération de projection au sol est appliquée sur ladite information de géolocalisation afin d’obtenir les coordonnées projetées au sol de ladite donnée image projetée. Ainsi les contours de la détection desdites particularités propres aux adventices ou symptômes foliaires de carences ou maladies détectées sur chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies sont géolocalisés dans la parcelle agricole.
Chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies obtient en continu et au moyen du système de communication entre les différents systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies les informations de détections géolocalisées de l’ensemble des autres systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. L’ensemble des informations desdites détections d’adventices ou de symptômes foliaires de carences ou maladies en provenance de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies est stocké dans une base de données géographique locale à chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies.
Chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies calcule les géostatistiques en temps réel de présence d’adventices ou de symptômes foliaires de carences ou maladies à partir de l’ensemble desdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies géolocalisées et pour lesquelles une informations de probabilité de présence est fournie. Le calcul des géostatistiques utilise un algorithme de krigéage, tel que décrit dans le livre « Lognormal-de Wijsian Geostatistics for Ore Evaluation », D.G. Krige, 1981, ISBN 978-0620030069 ; Ledit algorithme de krigéage permettant de consolider lesdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies en provenances de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies en tenant compte des probabilités respectives de chacune desdites détection. Lorsque lesdites informations de détection d’adventices ou de symptômes foliaires de carences ou maladies consolidées au moyen dudit calcul de géostatistique confirment la présence de la particularité recherchée de l’adventice ou symptôme foliaire de carence ou maladie, l’information de détection géolocalisée est ajoutée à la liste des végétaux cibles à traiter.
Chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies calcule en continu la vitesse instantanée de déplacement au moyen desdites informations de géolocalisation obtenues au moyen dudit système de géolocalisation. L’information de vitesse est nécessaire afin d’estimer l’instant de commande dudit au moins un dispositif de traitement agricole et d’anticiper le temps de traitement en fonction dudit dispositif de traitement agricole.
En ce qui concerne le calcul de la commande à envoyer auxdits au moins un dispositif de traitement agricole, chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies estime à chaque instant et pour chacun desdits végétaux cibles actuellement à portée desdits au moins un dispositif de traitement, lequel desdits au moins un dispositif de traitement est le plus adapté à traiter ledit végétal cible ; Par exemple, la buse d’épandage la plus proche du végétal cible est sélectionnée lorsque ledit au moins un dispositif de traitement est une rampe d’épandage. De la même façon, l’outil de traitement le plus proche du végétal cible peut être sélectionné. Cette détermination utilise la donnée de localisation du dispositif de traitement, exprimée dans le référentiel de la parcelle dans lequel les adventices ou symptômes foliaires de carences ou de maladies sont géolocalisées.
Les commandes de pilotage sont transmises audit au moins un dispositif de traitement agricole au moyen du moyen de communication entre lesdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies et ledit au moins un dispositif de traitement agricole.
En ce qui concerne le pilotage dudit au moins un dispositif de traitement agricole, l’ensemble des informations desdites détections d’adventices ou de symptômes foliaires de carences ou maladies sont géolocalisées et lesdits au moins un dispositif de traitement agricole sont actionnés à l’instant exact où ledit au moins un dispositif de traitement agricole sont au-dessus des végétaux cibles.
DESCRIPTION SOMMAIRE DES FIGURES
La manière de réaliser l’invention ainsi que les avantages qui en découlent, ressortiront bien du mode de réalisation qui suit, donné à titre indicatif mais non limitatif, à l’appui des figures annexées dans lesquelles les figures 1 à 17 représentent :
– : une représentation schématique du dispositif complet ; et
– : une représentation schématique structurelle des éléments du dispositif de la [Fig. 1] ;
- : une représentation schématique de face d'un dispositif de capture d'une image hyperspectrale selon un mode de réalisation de l'invention ;
- : une représentation schématique structurelle des éléments du dispositif de la figure 3 ;
- : une représentation schématique des poids d'influence du réseau de neurones de la figure 4 ;
- : une représentation schématique de l'architecture du réseau de neurones de la figure 4.
: une représentation schématique de face des éléments d’un dispositif de capture et de détection dans une scène hyperspectrale selon un mode de réalisation de l’invention ;
: une représentation schématique structurelle des éléments du dispositif de la Fig. 7 ;
: une représentation schématique structurelle alternative des éléments du dispositif de la Fig. 7 ;
: une représentation schématique des diffractions obtenues par le dispositif d’acquisition de la Fig. 8 ;
: une représentation schématique de l’architecture du réseau de neurones de la Fig. 8.
: une représentation schématique de face des éléments d’un dispositif de capture et de détection dans une scène hyperspectrale selon un deuxième mode de réalisation de l’invention ;
: une représentation schématique structurelle des éléments du dispositif de la Fig. 12 ;
: une représentation schématique de l’architecture du réseau de neurones de la Fig. 13.
– : une représentation schématique structurelle, vue en projection, des éléments du dispositif de la Fig. 1 ;
– : un graphe montrant un procédé de pilotage collaboratif de dispositifs de traitement agricole ; et
est une représentation schématique similaire à la figure 15 pour une autre réalisation.
MANIERE DE DECRIRE L’INVENTION
Par « directe », quand on qualifie la détection de particularité, on décrit ainsi que le résultat de sortie du système de détection est la particularité recherchée. On exclut ici les cas où le résultat de sortie du système de détection ne correspond pas à la particularité recherchée, mais correspond uniquement à un intermédiaire dans le calcul de la particularité. Toutefois, le résultat de sortie du système de détection directe peut, en plus de correspondre à la particularité recherchée, aussi être utilisé pour des traitements ultérieurs. Notamment, par « direct », on entend que le résultat de sortie du système de détection de particularités n’est pas un cube hyperspectral de la scène qui, en soi, ne constitue pas une particularité de la scène.
Par « compressée », on fait référence à une image bi-dimensionnelle d’une scène tri-dimensionnelle comprenant des informations spatiales et spectrales de la scène tri-dimensionnelle. Les informations spatiales et spectrales de la scène tridimensionnelle sont ainsi projetées au moyen d’un système optique sur une surface de captation bidimensionnelle. Une telle image « compressée » peut comprendre une ou plusieurs images diffractées de la scène tridimensionnelle, ou des parties de celles-ci. En complément, elle peut aussi comprendre une partie d’une image non-diffractée de la scène. Ainsi, le terme « compressé » est utilisé parce qu’une représentation en deux-dimensions d’une information spectrale tri-dimensionnelle est possible. Par « spectral », on comprend qu’on va au-delà, en terme de nombre de fréquences détectées, d’une image RGB « standard » de la scène.
Par « standard », on fait référence, par opposition à une image « compressée », à une image ne présentant pas de diffraction de la scène hyperspectrale. Une telle image peut quand même être obtenue par des manipulations optiques par l’intermédiaire de miroirs réfléchissants ou de lentilles.
Par « non-homogène », on fait référence à une image dont les propriétés ne sont pas identiques sur l’ensemble de l’image. Par exemple, une image « non-homogène » peut contenir, à certaines localisations, des pixels dont l’information comprend essentiellement des informations spectrales à une certaine bande de longueur d’onde respective, ainsi que, en d’autres localisations, des pixels dont l’information comprend essentiellement des informations non spectrales. Un traitement informatique d’une telle image « non-homogène » n’est pas possible, car les propriétés nécessaires à son traitement ne sont pas identiques en fonction des localisations dans cette image.
Par « particularité », on fait référence à une caractéristique de la scène – cette caractéristique peut être spatiale, spectrale, correspondre à une forme, une couleur, une texture, une signature spectrale ou une combinaison de celles-ci, et peut notamment être interprétée de manière sémantique.
Par « objet », on fait référence au sens commun utilisé pour ce terme. Une détection d’objet sur une image correspond à la localisation et à une interprétation sémantique de la présence de l’objet sur la scène imagée. Un objet peut être caractérisé par sa forme, sa couleur, sa texture, sa signature spectrale ou une combinaison de ces caractéristiques.
La Fig. 1 illustre un dispositif de contrôle de traitement agricole coopératif destiné à être monté sur une machine agricole 1, ladite machine agricole 1 comprenant au moins un dispositif de traitement agricole contrôlable 3 ; ledit dispositif de contrôle de traitement agricole coopératif comprenant au moins deux systèmes de détection 2 d’adventices ou de symptômes foliaires de carences ou maladie, chacun étant adapté mécaniquement pour une fixation sur la machine agricole 1 et présentant un angle de visée de l’objectif d’acquisition en direction du sens d’avancement de ladite machine agricole 1. Comme on peut le voir en particulier sur la figure 1, la machine agricole se déplace dans la parcelle agricole 5 selon une direction d’avancement. Les systèmes de détection 2 peuvent être disposés espacés les uns par rapport aux autres selon une direction horizontale transversale à la direction d’avancement. Ils peuvent être par exemple portés par une poutre transversale de la machine agricole. Pour fixer les idées, on peut définir l’axe « x » comme l’axe d’avancement de la machine agricole, et « y » l’axe horizontal transversal (sensiblement parallèle à la direction principale de la poutre). Par « horizontal », on fait référence au plan moyen du sol au niveau de la machine agricole. Le dispositif de traitement agricole 3 est contrôlable pour traiter une zone à traiter en aval de la zone imagée par le système de détection 2 d’adventices ou de symptômes foliaires de carences ou de maladies le long du déplacement de la machine agricole.
Tel qu’illustré sur la Fig. 2, la pluralité desdits au moins deux systèmes de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies est fixée sur la machine agricole de façon à capturer les informations visuelles de la parcelle agricole 5. Chacun desdits au moins deux systèmes de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies a un champ de détection recoupant le champ de détection d’au moins un système de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies voisin. Pour les systèmes de détection 2 d’adventices ou de symptômes foliaires de carence ou maladie qui ne sont pas disposés aux extrémités de la poutre, leur champ de détection peut recouper le champ de détection d’au moins deux systèmes de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies voisins. Par exemple, un capteur hyperspectral, tel que décrit dans le document FR1873313, « Dispositif de détection à acquisition hyperspectrale » ou dans le document FR1901202, « Dispositif de détection hyperspectrale par fusion de capteurs », ou dans le document FR1905916, « Dispositif de détection hyperspectrale », peut être utilisé pour chacun desdits au moins deux systèmes de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies.
Selon un premier mode de réalisation, le système de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies comprend un dispositif de capture 10 et un module informatisé de caractérisation 21. La figure 3 illustre un dispositif de capture 10 d'une image hyperspectrale 15 en trois dimensions comportant trois capteurs juxtaposés 11-13. Un premier capteur 11 permet d'obtenir une image compressée 14' d'un plan focal P11' d'une scène observée. Tel qu'illustré sur la figure 4, ce premier capteur 11 comporte une première lentille convergente 30 qui focalise le plan focal P11' sur une ouverture 31. Un collimateur 32 capte les rayons traversant l'ouverture 31 et transmet ces rayons à un réseau de diffraction 33. Une seconde lentille convergente 34 focalise ces rayons issus du réseau de diffraction 33 sur une surface de captation 35.
La structure de ce réseau optique est relativement similaire à celle décrite dans la publication scientifique « Computed-tomography imaging spectrometer : expérimental calibration and reconstruction results », publiée dans APPLIED OPTICS, volume 34 (1995) nombre 22.
Cette structure optique permet d'obtenir une image compressée 14’, illustrée sur la figure 5, présentant plusieurs diffractions R0-R7 du plan focal P11' disposées autour d'une image non diffractée de petite taille. Dans l'exemple des figures 3 à 6, l'image compressée présente huit diffractions R0-R7 distinctes obtenues avec deux axes de diffraction du réseau de diffraction 33 disposés aussi éloignés que possible l’un de l’autre dans un plan normal à l’axe optique, c’est-à-dire sensiblement orthogonaux l’un à l’autre.
En variante, trois axes de diffractions peuvent être utilisés sur le réseau de diffraction 33 de sorte à obtenir une image diffractée 14’ avec seize diffractions. Les trois axes de diffraction peuvent être équirépartis, c’est-à-dire séparés les uns des autres par un angle de 60°.
Ainsi, de manière générale, l’image compressée comprend 2R+1diffractions si on utilise R réseaux de diffraction équirépartis, c’est-à-dire séparés par le même angle les uns des autres.
La surface de captation 35 peut correspondre à un capteur CCD (pour « charge- coupled device » dans la littérature anglo-saxonne, c'est-à-dire un dispositif à transfert de charge), à un capteur CMOS (pour « complementary metal-oxide-semiconductor » dans la littérature anglo-saxonne, une technologie de fabrication de composants électroniques), ou à tout autre capteur connu. Par exemple, la publication scientifique « Practical Spectral Photography », publiée dans Eurographics, volume 31 (2012) nombre 2, propose d'associer cette structure optique à un appareil photo numérique standard pour capter l'image compressée.
De préférence, chaque pixel de l'image compressée 14’ est codé sur 8 bits permettant ainsi de représenter 256 couleurs.
Un second capteur 12 permet d'obtenir une image non diffractée 17' d'un plan focal P12' de la même scène observée, mais avec un décalage induit par le décalage entre le premier 11 et le second capteur 12. Ce second capteur 12 correspond à un capteur RVB, c'est-à-dire un capteur permettant de coder l'influence des trois couleurs Rouge, Verte et Bleue du plan focal P12'. Il permet de rendre compte de l'influence de l'utilisation d'un filtre bleu F1, d'un filtre vert F2 et d'un filtre rouge F3 sur la scène observée.
Ce capteur 12 peut être réalisé par un capteur CMOS ou CCD associé à filtre de Bayer. En variante, tout autre capteur peut être utilisé pour acquérir cette image RVB 17'. De préférence, chaque couleur de chaque pixel de l'image RVB 17' est codée sur 8 bits. Ainsi, chaque pixel de l'image RVB 17' est codé sur 3 fois 8 bits. En variante, on pourrait utiliser un capteur monochrome.
Un troisième capteur 13 permet d'obtenir une image infrarouge 18', IR, d'un troisième plan focal P13' de la même scène observée avec également un décalage avec le premier 11 et le second capteur 12. Ce capteur 13 permet de rendre compte de l'influence de l'utilisation d'un filtre infrarouge F4 sur la scène observée.
Tout type de capteur connu peut être utilisé pour acquérir cette image IR 18. De préférence, chaque pixel de l'image IR 18 est codé sur 8 bits. En variante, on utilise seulement l’un ou l’autre du capteur 12 et du capteur 13.
La distance entre les trois capteurs 11-13 peut être inférieure à 1 cm de sorte à obtenir un recoupement important des plans focaux P11'-P13' par les trois capteurs 11-13. Les capteurs sont par exemple alignés selon l’axe x. La topologie et le nombre des capteurs peuvent varier sans changer l'invention.
Par exemple, les capteurs 11-13 peuvent acquérir une image de la même scène observée en utilisant des miroirs semi-transparents pour transmettre les informations de la scène observée aux différents capteurs 11-13. La figure 3 illustre un dispositif 10 comportant trois capteurs 11-13. En variante, d'autres capteurs peuvent être montés sur le dispositif 10 pour augmenter les informations contenues dans l'image hyperspectrale. Par exemple, le dispositif 10 peut intégrer un capteur dont la longueur d'onde est comprise entre 0,001 nanomètre et 10 nano- mètres ou un capteur dont la longueur d'onde est comprise entre 10000 nanomètre et 20000 nanomètres.
Tel qu'illustré sur la figure 4, le dispositif 10 comporte également un module de construction 16 d'une image hyperspectrale 15 à partir des différentes diffractions R0- R7 de l'image diffractée 14’ et des images non-diffractées 17’, 18’.
Dans l'exemple des figures 3 à 6, dans lequel les capteurs 11-13 sont juxtaposés, une étape de prétraitement est réalisée pour extraire un plan focal P11–P13 présent sur chacune des images 14', 17'-18' acquises par les trois capteurs 11-13. Ce prétraitement consiste, pour chaque plan focal P11'-P13', à isoler 25 la partie commune des plans focaux P11'-P13' puis à extraire 26 cette partie commune pour former l'image 14, 17- 18 de chaque plan focal P11-P13 observé par le capteur 11-13 spécifique. La partie de chaque image 14', 17'-18' à isoler peut être définie directement dans une mémoire du dispositif de capture 10 en fonction des choix de positionnement des capteurs 11-13 entre eux, ou une étape d'apprentissage peut être utilisée pour identifier la partie à isoler 25.
De préférence, les images 17'-18' issues de capteurs RVB et IR sont recoupées en utilisant une corrélation croisée en deux dimensions. L'extraction du plan focal de l'image diffractée 14' est calculée par interpolation des décalages en x et y entre les capteurs 12-13 ramenés à la position du capteur 11 de l'image diffractée en connaissant la distance entre chaque capteur 11-13. Cette étape de prétraitement n'est pas toujours nécessaire, notamment, lorsque les capteurs 11-13 sont configurés pour capturer le même plan focal, par exemple avec l'utilisation de miroirs semi-transparents.
Lorsque les images 14, 17 et 18 de chaque plan focal P11-P13 observées par chaque capteur 11-13 sont obtenues, le module de construction 16 met en œuvre un réseau de neurones 20 pour former une image hyperspectrale 15 à partir des informations de ces trois images 14, 17-18.
Ce réseau de neurones 20 vise à déterminer l'intensité Ιχ,γ,λde chaque voxel Vχ,γ,λde l'image hyperspectrale 15.
Pour ce faire, tel qu'illustré sur la figure 6, le réseau de neurones 20 comporte une couche d'entrée 40, apte à extraire les informations des images 14, 17-18, et une couche de sortie 41, apte à traiter ces informations de sorte à créer une information pour le voxel Vχ,γ,λconsidéré.
Le premier neurone de la couche d'entrée 40 permet d'extraire l'intensité IIR(x,y) de l'image IR 18 en fonction des coordonnées x et y du voxel Vχ,γ,λrecherché. Par exemple, si l'image IR 18 est codée sur 8 bits, ce premier neurone transmet à la couche de sortie 41 la valeur sur 8 bits du pixel de l'image IR 18 aux coordonnées x et y recherchées. Le second neurone de la couche d'entrée 40 effectue la même tâche pour la couleur rouge 17a de l'image RVB 17.
Selon l'exemple précédent, chaque couleur étant codée sur 8 bits, l'intensité recherchée lR(x ;y) est également codée sur 8 bits. Le troisième neurone recherche l'intensité Iv(x ;y) de la même manière pour la couleur verte 17b et le quatrième neurone recherche l’intensité IB(x ;y) pour la couleur bleue 17c. Ainsi, pour ces quatre premiers neurones, il est très facile d'obtenir l'intensité, car il suffit d'utiliser la position en x et y du voxel recherché.
Les neurones suivants de la couche d'entrée 40 sont plus complexes, car chacun des neurones suivants est associé à une diffraction R0-R7 de l'image diffractée 14.
Ces neurones recherchent l'intensité d'une diffraction spécifique ln(x,y) en fonction de la position en x et y, mais également de la longueur d'onde λ du voxel Vχ,γ,λrecherché.
Cette relation entre les trois coordonnées du voxel Vχ,γ,λet la position en x et y peut être codée dans une mémoire lors de l'intégration du réseau de neurones 20.
De préférence, une phase d'apprentissage permet de définir cette relation en utilisant un modèle connu dont les paramètres sont recherchés à partir de représentations d'objets connus. Un exemple de modèle est défini par la relation suivante :
avec :
n=floor(M(dt-1)/DMAX) ;
n compris entre 0 et M, le nombre de diffractions de l'image compressée ;
λ=(dt-1)mod(DMAX/M) ;
dtcompris entre 1 et DMAX;
xtcompris entre 0 et XMAX;
ytcompris entre 0 et YMAX;
XMAXla taille selon l’axe x du tenseur d’ordre trois de la couche d’entrée ;
YMAXla taille selon l’axe y du tenseur d’ordre trois de la couche d’entrée ;
DMAXla profondeur du tenseur d’ordre trois de la couche d’entrée ;
λsliceX, la constante du pas spectral selon l’axe x de ladite image compressée ;
λsliceY, la constante du pas spectral selon l’axe y de ladite image compressée ;
xoffsetX(n) correspondant au décalage suivant l'axe x de la diffraction n ;
yoffsetY(n) correspondant au décalage suivant l'axe y de la diffraction n.
Floor est un opérateur de troncature bien connu.
Mod représente l’opérateur mathématique modulo.
Une phase d'apprentissage permet donc de définir les paramètres λsliceX, λsliceY, xoffsetx(n), et yoffsetY(n), de sorte que chaque neurone puisse trouver rapidement l'intensité du pixel correspondant. En variante, d'autres modèles sont possibles, notamment en fonction de la nature du réseau de diffraction 33 utilisé.
En outre, l'information liée à l'intensité du pixel ln(x,y) recherchée par chaque neurone peut être déterminée par un produit de convolution entre l'intensité du pixel de l'image compressée 14 et de ses proches voisins dans les différentes diffractions R0-R7. Selon l'exemple précédent, la sortie de ces neurones de la couche d'entrée 40 est également codée sur 8 bits.
Toutes ces différentes intensités de la couche d'entrée 40 sont injectées dans un seul neurone de la couche de sortie 41 qui a pour fonction de combiner toutes ces informations et de fournir la valeur de l'intensité Ιχ,γ,λdu voxel recherché.
Pour ce faire, ce neurone de sortie 41 associe un poids à chaque information en fonction de la longueur d'onde λ du voxel recherché. Suite à cette modulation sur l'influence des contributions de chaque image 17-18 et de chaque diffraction R0-R7, ce neurone de sortie 41 peut faire la somme des contributions pour en déterminer une intensité moyenne qui formera l'intensité Ιx,γ,λdu voxel Vx,y,λrecherché, par exemple codé sur 8 bits. Ce processus est répété pour toutes les coordonnées du voxel Vx,y,λ, de sorte à obtenir un hypercube contenant toutes les informations spatiales et spectrales issues des images non-diffractées 17-18 et de chaque diffraction R0-R7. Par exemple, tel qu'illustré sur la figure 5, pour rechercher l'intensité Ix,y,λd'un voxel Vx,y,λdont la longueur d'onde est de 500 nm, c'est-à-dire une longueur d'onde comprise entre celle bleu (480 nm) et celle du vert (525 nm), le neurone de sortie 41 va utiliser les informations spatiales des images non diffractées obtenues avec des filtres bleu F1 et vert F2 ainsi que les informations des différentes diffractions R0-R7 obtenues en fonction de la longueur d'onde considérée. II est possible de configurer le réseau de neurones 20 pour ne pas prendre en compte certaines diffractions R0-R7 de sorte à limiter le temps de calcul de la somme des contributions. Dans l'exemple de la figure 5, la troisième diffraction R2 n'est pas considérée par le neurone de la couche de sortie 41. Le poids de chaque contribution en fonction de la longueur d'onde λ du voxel Vx,y,λrecherché peut également être défini lors de l'implantation du réseau de neurones 20 ou déterminé par une phase d'apprentissage. L'apprentissage peut être réalisé en utilisant des scènes connues captées par les trois capteurs 11-13 et en déterminant les poids de chaque contribution pour chaque longueur d'onde λ de sorte que les informations issues de chaque scène connue correspondent aux informations contenues dans les scènes connues. Cet apprentissage peut être réalisé indépendamment ou simultanément avec l'apprentissage des relations entre les trois coordonnées du voxel Vx,y,λet la position en x et y sur l'image diffractée 14. Ce réseau de neurones 20 peut être implémenté dans un système embarqué de sorte à traiter en temps réel les images issues des capteurs 11-13 pour définir et stocker une image hyperspectrale 15 entre deux acquisitions des capteurs 11-13. Par exemple, le système embarqué peut comporter une alimentation pour les capteurs 11-13, un processeur configuré pour réaliser les calculs des neurones de la couche d'entrée 40 et de la couche de sortie 41 et une mémoire intégrant les poids de chaque neurone de la couche d'entrée 40 en fonction de la longueur d'onde λ. En variante, les différents traitements peuvent être réalisés indépendamment sur plusieurs circuits électroniques sans changer l'invention. Par exemple, un circuit d'acquisition peut acquérir et transmettre les informations issues des neurones de la première couche 40 à un second circuit qui contient le neurone de la seconde couche 41.
L'invention permet ainsi d'obtenir une image hyperspectrale 15 rapidement et avec une grande discrétisation dans la dimension spectrale. L'utilisation d'un réseau de neurones 20 permet de limiter la complexité des opérations à effectuer lors de l'analyse de l'image diffractée 14. En outre, le réseau de neurones 20 permet également l'association des informations de cette image diffractée 14 avec celles d'images non- diffractées 17-18 pour améliorer la précision dans la dimension spatiale.
Un module informatisé de caractérisation 21 est utilisé en aval pour déterminer un adventice ou un symptôme foliaire de carence ou de maladie. Par exemple, l’entrée du module informatisé de caractérisation est l’image hyperspectrale 15 en trois dimensions. Le module informatisé de caractérisation peut par exemple appliquer un traitement prédéfini, caractérisant l’adventice ou le symptôme foliaire de carence ou de maladie, à l’image hyperspectrale 15 en trois dimensions, et donnant en sortie une présence ou une absence de l’adventice ou du symptôme foliaire de carence ou de maladie.
Le module informatisé de caractérisation peut par exemple appliquer, tel que décrit dans l’article « Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress », Amy Lowe, Nicola Harrison et Andrew P. French, Plant Methods (2017), une détection basée sur des indices (par exemple l’indice « Normalised Difference Vegetation Index » – NDVI - ou « Photochemical Reflectance Index » (PRI)), afin de pré-traiter l’image hyperspectrale 15 en trois dimensions en sélectionnant un sous-ensemble de bandes spectrales qui sont assemblées au moyen d’un indice. Par exemple l’indice PRI est une image bidimensionnelle composée des bandes à 531 nm et 570 nm par l’équation Img = (R531– R570)/(R531+ R570), où Rnreprésente l’intensité du voxel de coordonnées (x ;y ;n) du cube hyperspectral. L’image résultante permet d’identifier la présence des végétaux dans l’image. La valeur en un pixel est comparée à une échelle pré-définie pour classifier la détection en ce pixel. Typiquement, dans l’image résultante, une valeur en un pixel comprise entre -0,2 et 0,2 indique la présence d’un végétal en bonne santé en ce pixel.
D’autres indices sont applicables, chacun permettant de traiter l’image hyperspectrale et de détecter la présence soit d’un adventice, soit d’un symptôme foliaire de carence ou maladie, soit la présence de végétal. Les indices potentiellement applicables sont notamment les suivants :
  • « Normalised difference vegetation index » (NDVI), défini par l’équation : (RNIR − RRED)/(RNIR + RRED), avec RRED = 680 nm, RNIR = 800 nm, permettant de détecter la présence de végétaux ;
  • « Red edge » NDVI, défini par l’équation (R750− R705)/(R750+ R705), permettant de détecter la présence de végétaux ;
  • « Simple ratio index » (SRI), défini par l’équation RNIR/RRED avec RRED = 680 nm, RNIR = 800 nm, permettant de détecter la présence de végétaux ;
  • « Photochemical reflectance index » (PRI), défini par l’équation (R531− R570)/(R531+ R570), permettant de détecter la vigueur (ou bonne santé) d’un végétal ;
  • « Plant senescence reflectance index » (PSRI), défini par l’équation (Red–Green)/NIR, où Red représente la somme des intensités des voxels de longueurs d’onde comprises entre 620 et 700 nm, Green représente la somme des intensités des voxels de longueurs d’onde comprises entre 500 et 578 nm, NIR représente la somme des intensités des voxels de longueurs d’onde comprises entre 700 et 1000 nm, permettant de détecter la senescence d’un végétal, le stress d’un végétal ou la maturité d’un fruit ;
  • « Normalised phaeophytinization index » (NPQI), défini par l’équation (R415− R435)/(R415+ R435), permettant de mesurer la dégradation de la chlorophylle foliaire ;
  • « Structure Independent Pigment Index » (SIPI), défini par l’équation (R800− R445)/(R800+ R680), permettant de détecter la vigueur (ou bonne santé) d’un végétal ; et
  • « Leaf rust disease severity index » (LRDSI), défini par l’équation 6.9 × (R605/R455) − 1.2, permettant de détecter la maladie de la rouille des feuilles du blé.
Tout autre indice adapté à la détection d’une maladie ou d’un stress en particulier peut être utilisé.
Le cas échéant, l’équation prédéfinie donne une probabilité de présence de l’adventice ou du symptôme foliaire de carence ou de maladie. Le cas échéant, une sortie additionnelle du module informatisé de caractérisation est une localisation de l’adventice ou du symptôme foliaire de carence ou de maladie dans l’image 17 ou 18.
Dans le cadre de la présente demande de brevet, le système de détection décrit ci-dessus est considéré comme un unique système de détection, même si celui-ci utilise différents capteurs dont les informations sont fusionnées pour détecter un adventice ou un syndrome foliaire de carence ou de maladie.
Selon un deuxième mode de réalisation, le système de détection 2 d’adventice ou de symptôme foliaire de carence ou maladie comprend un dispositif de capture 202. La Fig. 7 illustre un dispositif de capture 202 d'une scène hyperspectrale 203 comportant un capteur, ou système d’acquisition 204, permettant d'obtenir une image compressée en deux dimensions 211 d'un plan focal 303 d'une scène observée. La scène hyperspectrale peut être repérée dans l’espace au moyen d’un repère orthonormé (x ;y ;z ) non représenté.
Tel qu'illustré sur la Fig. 8, le dispositif de capture 202 est similaire à celui décrit ci-dessus.
Cette structure optique permet d'obtenir une image compressée 211, illustrée sur la Fig. 10, présentant plusieurs diffractions R0-R7 du plan focal 303 disposées autour d'une image non diffractée de petite taille C.
En variante, tel qu'illustré sur la Fig. 9, le dispositif de capture 202 peut comporter une première lentille convergente 241 qui focalise le plan focal 303 sur un masque 242. Un collimateur 243 capte les rayons traversant le masque 242 et transmet ces rayons à un prisme 244. Une seconde lentille convergente 245 focalise ces rayons issus du prisme 244 sur une surface de captation 246. Le masque 242 définit un codage pour l’image 213.
La structure de cet assemblage optique est relativement similaire à celle décrite dans la publication scientifique « Compressive Coded Aperture Spectral Imaging », IEEE Signal Processing Magazine, Volume 31, Issue 1, Gonzalo R. Arce, David J. Brady, Lawrence Carin, Henry Arguello, and David S. Kittle.
En variante, les surfaces de captation 35 ou 246 peuvent correspondre au dispositif d'acquisition photographique d'un ordiphone ou tout autre dispositif portable incluant un disposition d'acquisition photographique, en ajoutant le dispositif de capture 202 de la scène hyperspectrale 203 devant le dispositif d'acquisition photographique.
En variante, le système d’acquisition 204 peut comprendre une réalisation mécanique compacte et intégrable dans un dispositif portable et autonome et le système de détection est inclus dans ledit dispositif portable et autonome.
En variante, les surfaces de captation 35 ou 246 peuvent être un dispositif dont les longueurs d'ondes captées ne sont pas dans la partie visible. Par exemple, le dispositif 202 peut intégrer des capteurs dont la longueur d'onde est comprise entre 0,001 nanomètre et 10 nanomètres ou un capteur dont la longueur d'onde est comprise entre 10000 nanomètres et 20000 nanomètres, ou un capteur dont la longueur d'onde est comprise entre 300 nanomètres et 2000 nanomètres. Il peut s’agir d’un dispositif infrarouge.
Lorsque l’image 211 du plan focal hyperspectral observé est obtenue, le système de détection 2 met en œuvre un réseau de neurones 212 pour détecter une particularité dans la scène observée à partir des informations de l’image compressée 211.
Ce réseau de neurones 212 vise à déterminer la probabilité de présence de la particularité recherchée pour chaque pixel localisé aux coordonnées x et y de la scène hyperspectrale 203 observée.
Pour ce faire, tel qu'illustré sur la Fig. 11, le réseau de neurones 212 comporte une couche d'entrée 230, apte à extraire les informations de l'image 211 et une couche de sortie 231, apte à traiter ces informations de sorte à générer une image dont l'intensité de chaque pixel aux coordonnées x et y, correspond à la probabilité de présence de la particularité aux coordonnées x et y de la scène hyperspectrale 203.
La couche d’entrée 230 est peuplée à partir des pixels formant l’image compressée. Ainsi, la couche d'entrée est un tenseur d'ordre trois, et possède deux dimensions spatiales de taille XMAXet YMAX, et une dimension de profondeur de taille DMAX, correspondant au nombre de sous-ensembles de l’image compressée copiés dans la couche d’entrée. L'invention utilise la relation non linéaire f(xt, yt, dt) → (ximg, yimg) définie pour xt[0..XMAX[, yt[0..YMAX[ et dt[0..DMAX[ permettant de calculer les coordonnées ximget yimgdu pixel de l’image compressée dont l'intensité est copiée dans le tenseur d'ordre trois de ladite couche d'entrée du réseau de neurones aux coordonnées (xt, yt, dt).
Par exemple, dans le cas d’une image compressée 211 obtenue à partir du dispositif de capture de la figure 8, la couche d’entrée 230 peut être peuplée de la manière suivante :
avec :
n=floor(M(dt-1)⁄DMAX) ;
n compris entre 0 et M, le nombre de diffractions de l'image compressée ;
λ=(dt-1)mod(DMAX/M) ;
dtcompris entre 1 et DMAX;
xtcompris entre 0 et XMAX;
ytcompris entre 0 et YMAX;
XMAXla taille selon l’axe x du tenseur d’ordre trois de la couche d’entrée ;
YMAXla taille selon l’axe y du tenseur d’ordre trois de la couche d’entrée ;
DMAXla profondeur du tenseur d’ordre trois de la couche d’entrée ;
λsliceX, la constante du pas spectral selon l’axe x de ladite image compressée ;
λsliceY, la constante du pas spectral selon l’axe y de ladite image compressée ;
xoffsetX(n) correspondant au décalage suivant l'axe x de la diffraction n ;
yoffsetY(n) correspondant au décalage suivant l'axe y de la diffraction n.
Floor est un opérateur de troncature bien connu.
Mod représente l’opérateur mathématique modulo.
Comme il est en particulier bien visible sur la figure 11, chaque tranche, en profondeur, du tenseur d’entrée d’ordre trois du réseau de neurones, reçoit une partie d’un lobe de diffraction correspondant sensiblement à un intervalle de longueurs d’onde.
En variante, l’invention permet de corréler les informations contenues dans les différentes diffractions de l’image diffractée avec des informations contenues dans la partie centrale non-diffractée de l’image.
Selon cette variante, on peut rajouter une tranche supplémentaire dans la direction de la profondeur de la couche d’entrée, dont les neurones seront peuplés avec l’intensité détectées dans les pixels de l’image compressée correspondant à la détection non-diffractée. Par exemple, si on affecte à cette tranche la coordonnée dt=0, on peut conserver la formule ci-dessus pour le peuplement de la couche d’entrée pour dtsupérieur ou égal à 1, et peupler la couche dt=0 de la manière suivante :
ximg=(Imgwidth/2)-XMAX+xt;
yimg=(Imgheight/2)-YMAX+yt;
Avec :
Imgwidthla taille de l’image compressée selon l’axe x ;
Imgheightla taille de l’image compressée selon l’axe y.
L’image compressée obtenue par le système optique contient le plan focal de la scène non diffractée au centre, ainsi que les projections diffractées suivant les axes des différents filtres de diffractions. Ainsi, le réseau de neurones utilise, pour la détection directe des particularités recherchées, les informations de ladite au moins une image diffractée suivantes :
  • l'intensité lumineuse dans la partie centrale et non-diffractée du plan focal de la scène aux coordonnées x et y ; et
  • des intensités lumineuses dans chacune des diffractions de ladite image compressée dont les coordonnées x' et y' sont dépendantes des coordonnées x et y de la partie centrale non diffractée du plan focal de la scène.
En variante, dans le cas d’une image compressée 213 obtenue à partir du dispositif de capture de la figure 9, la couche d’entrée 230 peut être peuplée de la manière suivante :
f(xt,yt,dt)={(ximg=xt) ;(yimg=yt)}(Img=MASK si dt=0 ; Img=CASSI si dt>0),
Avec :
MASK : image du masque de compression utilisé,
CASSI : image compressée mesurée,
Img : Image sélectionnée dont le pixel est copié.
Sur la tranche 0 du tenseur d’ordre trois de la couche d’entrée est copiée l’image du masque de compression employé.
Sur les autres tranches du tenseur d’ordre trois de la couche d’entrée est copiée l’image compressée de la scène hyperspectrale.
L'architecture dudit réseau de neurones 212, 214 est composé d'un ensemble de couches convolutives assemblées linéairement et en alternance avec des couches de décimation (pooling), ou d'interpolation (unpooling).
Une couche convolutive de profondeur d, noté CONV(d), est définie par d noyaux de convolution, chacun de ces noyaux de convolution étant appliqué au volume du tenseur d'entrée d'ordre trois et de taille xinput,yinput,dinput. La couche convolutive génère ainsi un volume de sortie, tenseur d'ordre trois, ayant une profondeur d. Une fonction d'activation ACT est appliquée sur les valeurs calculées du volume de sortie de cette couche convolutive.
Les paramètres de chaque noyau de convolution d'une couche convolutive sont spécifiés par la procédure d'apprentissage du réseau de neurones.
Différentes fonctions d'activation ACT peuvent être utilisées. Par exemple, cette fonction peut être une fonction ReLu, définie par l'équation suivante :
En alternance avec les couches convolutives, des couches de décimation (pooling), ou des couches d'interpolation (unpooling) sont insérées.
Une couche de décimation permet de réduire la largeur et la hauteur du tenseur d'ordre trois en entrée pour chaque profondeur dudit tenseur d'ordre trois. Par exemple, une couche de décimation MaxPool(2,2) sélectionne la valeur maximale d'une tuile glissante sur la surface de 2x2 valeurs. Cette opération est appliquée sur l'ensemble des profondeurs du tenseur d'entrée et génère un tenseur de sortie ayant la même profondeur et une largeur divisée par deux, ainsi qu'une hauteur divisée par deux.
Une couche d’interpolation permet d’augmenter la largeur et la hauteur du tenseur d'ordre trois en entrée pour chaque profondeur dudit tenseur d'ordre trois. Par exemple, une couche d’interpolation MaxUnPool(2,2) copie la valeur d’entrée d’un point glissant sur la surface de 2x2 valeurs de sortie. Cette opération est appliquée sur l'ensemble des profondeurs du tenseur d'entrée et génère un tenseur de sortie ayant la même profondeur et une largeur multipliée par deux, ainsi qu'une hauteur multipliée par deux.
Une architecture de réseau de neurones permettant la détection directe de particularités dans la scène hyperspectrale peut être la suivante :
Input
CONV(64)
MaxPool(2,2)
CONV(64)
MaxPool(2,2)
CONV(64)
CONV(64)
MaxUnpool(2,2)
CONV(64)
MaxUnpool(2,2)
CONV(64)
MaxUnpool(2,2)
CONV(1)
Output
En variante, le nombre de couches de convolution CONV(d) et de décimation MaxPool(2,2) peut être modifié afin de faciliter la détection de particularités ayant une complexité sémantique supérieure. Par exemple, un nombre plus élevé de couches de convolution permet de traiter des signatures plus complexes de forme, de texture, ou spectrales de la particularité recherchée dans la scène hyperspectrale.
En variante, le nombre de couches de déconvolution CONV(d) et d’interpolation MaxUnpool(2, 2) peut être modifié afin de faciliter la reconstruction de la couche de sortie. Par exemple, un nombre plus élevé de couches de déconvolution permet de reconstruire une sortie avec une précision plus importante.
En variante, les couches de convolution CONV(64), peuvent avoir une profondeur différente de 64 afin de traiter un nombre de particularités locales différent. Par exemple, une profondeur de 128 permet de traiter localement 128 particularités différentes dans une scène hyperspectrale complexe.
En variante, les couches d’interpolation MaxUnpool(2, 2) peuvent être de dimension d’interpolation différente. Par exemple, une couche MaxUnpool (4, 4) permet d’augmenter la dimension de traitement de la couche supérieure.
En variante, les couches d’activation ACT de type ReLu(x) insérées suite à chaque convolution et déconvolution, peuvent être de type différent. Par exemple, la fonction softplus définie par l’équation : peut être utilisée.
En variante, les couches de décimation MaxPool(2, 2) peuvent être de dimension de décimation différente. Par exemple, une couche MaxPool(4, 4) permet de réduire la dimension spatiale plus rapidement et de concentrer la recherche sémantique du réseau de neurones sur les particularités locales.
En variante, des couches entièrement connectées peuvent être insérées entre les deux couches de convolution centrale à la ligne 6 de la description afin de traiter la détection dans un espace mathématique plus élevé. Par exemple, trois couches entièrement connectées de taille 128 peuvent être insérées.
En variante, les dimensions des couches de convolution CONV(64), de décimation MaxPool(2, 2), et d’interpolation MaxUnpool(2, 2) peuvent être ajustées sur une ou plusieurs couches, afin d’adapter l’architecture du réseau de neurones au plus proche du type de particularités recherchées dans la scène hyperspectrale.
Les poids dudit réseau de neurones 212 sont calculés au moyen d'un apprentissage. Par exemple, un apprentissage par rétro-propagation du gradient ou ses dérivés à partir de données d'apprentissage peut être utilisé pour calculer ces poids.
En variante, le réseau de neurones 212 peut déterminer la probabilité de présence de plusieurs particularités distinctes au sein de la même scène observée. Dans ce cas, la dernière couche convolutive aura une profondeur correspondant au nombre de particularités distinctes à détecter. Ainsi la couche convolutive CONV(1) est remplacée par une couche convolutive CONV(u), où u correspond au nombre de particularités distinctes à détecter.
La Fig. 12 illustre un dispositif de capture 302 d'une scène hyperspectrale 203 comportant un ensemble de capteurs permettant d'obtenir au moins une image compressée en deux dimensions 211 ou 213 et au moins une image standard 312 d'un plan focal hyperspectral 303 d'une scène observée.
Tel qu'illustré sur la Fig. 13, le dispositif de capture 302 comporte au moins un dispositif d’acquisition, ou capteur, 301 d’une image compressée tel que décrit ci-dessus en référence avec la figure 8.
Le dispositif de capture 302 peut en outre comprendre un dispositif d’acquisition d’une image « standard » non compressée, comprenant une lentille convergente 331 et une surface de captation 232. Le dispositif de capture 302 peut en outre comprendre un dispositif d’acquisition d’une image compressée tel que décrit ci-dessus en référence avec la figure 9.
Dans l’exemple présenté, le dispositif d’acquisition de l’image standard et le dispositif d’acquisition de l’image compressée sont disposés juxtaposés avec des axes optiques parallèles, et des faisceaux optiques se recouvrant au moins partiellement. Ainsi, une portion de la scène hyperspectrale est imagée à la fois par les dispositifs d’acquisition. Ainsi, les plans focaux des différents capteurs d’acquisition des images sont décalés les uns par rapport aux autres transversalement aux axes optiques de ces capteurs.
En variante, on utilise un jeu de miroirs partiellement réfléchissants de sorte à capter ladite au une moins images standards non-diffractées 312 et ladite au moins une image compressée 211, 213 de la même scène hyperspectrale 203 sur plusieurs capteurs simultanément.
En variante, la surface de captation 232 peut être un dispositif dont les longueurs d'ondes captées ne sont pas dans la partie visible. Par exemple, le dispositif 202 peut intégrer des capteurs dont la longueur d'onde est comprise entre 0,001 nanomètre et 10 nanomètres ou un capteur dont la longueur d'onde est comprise entre 10000 nanomètres et 20000 nanomètres, ou un capteur dont la longueur d'onde est comprise entre 300 nanomètres et 2000 nanomètres.
Lorsque les images 211, 312 ou 213 du plan focal hyperspectral observé sont obtenues, le moyen de détection met en œuvre un réseau de neurones 214 pour détecter une particularité dans la scène observée à partir des informations des images compressées 211 et 213, et de l’image standard 312.
En variante, seules les images compressée 211 et standard 312 sont utilisées et traitées par le réseau de neurones 214.
En variante, seules les images compressée 213 et standard 312 sont utilisées et traitées par le réseau de neurones 214.
Ainsi, quand la description se rapporte à un ensemble d’images compressées, il s’agit d’au moins une image compressée.
Ce réseau de neurones 214 vise à déterminer la probabilité de présence de la particularité recherchée pour chaque pixel localisé aux coordonnées x et y de la scène hyperspectrale 203 observée.
Pour ce faire, tel qu'illustré sur la Fig. 14, le réseau de neurones 214 comporte un encodeur 251 pour chaque image compressée et pour chaque image non compressée ; chaque encodeur 251 possède une couche d'entrée 250, apte à extraire les informations de l'image 211, 312 ou 213. Le réseau de neurones fusionne les informations provenant des différents encodeurs 251 au moyen de couches de convolution ou de couches entièrement connectées 252 (cas particulier représenté sur la figure). Un décodeur 253 et sa couche de sortie 350, apte à traiter ces informations de sorte à générer une image dont l'intensité de chaque pixel, à la coordonnée x et y, correspond à la probabilité de présence de la particularité aux coordonnées x et y de la scène hyperspectrale 203, est inséré suite à la fusion des informations.
Tel qu’illustré sur la Fig. 11, la couche d’entrée 250 d’un encodeur 251 est remplie avec les différentes diffractions de l’image compressée 211 comme décrit ci-dessus.
Le peuplement décrit ci-dessus correspond au peuplement de la première entrée (« Input1 ») du réseau de neurones, selon l’architecture présentée ci-dessous.
Pour la deuxième entrée (« Input2 ») du réseau de neurones, le peuplement de la couche d’entrée relative à l’image « standard » est peuplée en copiant directement l’image « standard » dans le réseau de neurones.
Selon un exemple de réalisation où on utilise également une image compressée 213, la troisième entrée « Input3 » du réseau de neurones est peuplée comme décrit ci-dessus pour l’image compressée 213.
Une architecture de réseau de neurones permettant la détection directe de particularités dans la scène hyperspectrale peut être la suivante :
Input1 Input2 Input3
CONV(64) CONV(64) CONV(64)
MaxPool(2,2) MaxPool(2,2) MaxPool(2,2)
CONV(64) CONV(64) CONV(64)
MaxPool(2,2) MaxPool(2,2) MaxPool(2,2)
CONV(64)
CONV(64)
MaxUnpool(2,2)
CONV(64)
MaxUnpool(2,2)
CONV(64)
MaxUnpool(2,2)
CONV(1)
Output
Dans cette description, « Input1 » correspond à la portion de la couche d’entrée 250 peuplée à partir de l’image compressée 211. « Input2 » correspond à la portion de la couche d’entrée 250 peuplée à partir de l’image standard 312, et « Input3 » correspond à la portion de la couche d’entrée 250 peuplée à partir de l’image compressée 213. La ligne « CONV(64) » à la cinquième ligne de l’architecture opère la fusion des informations.
En variante, la ligne « CONV(64) » à la cinquième ligne de l’architecture opérant la fusion des informations peut être remplacée par une couche entièrement connectée ayant pour entrée l’ensemble des sorties MaxPool(2, 2) des chemins de traitement de l’ensemble des entrées « input1 », « input2 » et « input3 » et en sortie un tenseur d’ordre un servant d’entrée à la couche suivante « CONV(64) » présentée à la sixième ligne de l’architecture.
Notamment, la couche de fusion du réseau de neurones prend en compte les décalages des plans focaux des différents capteurs d’acquisition des images, et intègre la fonction homographique permettant de fusionner les informations des différents capteurs en prenant en compte les parallaxes des différentes images.
Les variantes présentées ci-dessus pour le mode de réalisation de la figure 11 peuvent également être appliquées ici.
Les poids dudit réseau de neurones 214 sont calculés au moyen d'un apprentissage. Par exemple, un apprentissage par rétro-propagation du gradient ou ses dérivés à partir de données d'apprentissage peut être utilisé pour calculer ces poids.
En variante, le réseau de neurones 214 peut déterminer la probabilité de présence de plusieurs particularités distinctes au sein de la même scène observée. Dans ce cas, la dernière couche convolutive aura une profondeur correspondant au nombre de particularités distinctes à détecter. Ainsi la couche convolutive CONV(1) est remplacée par une couche convolutive CONV(u), où u correspond au nombre de particularités distinctes à détecter.
Selon une variante de réalisation, comme représenté sur la figure 11, on n’utilise pas nécessairement un dispositif d’acquisition dédié distinct pour obtenir l’image « standard » 312. En effet, comme présenté ci-dessus en relation avec la figure 9, dans certains cas, une partie de l’image compressée 211 comprend une image « standard » de la scène hyperspectrale. Il s’agit notamment de la portion d’image C décrite ci-dessus. Dans ce cas, on peut utiliser cette portion d’image « C » de l’image compressée 211 comme image « standard » d’entrée du réseau de neurones.
Ainsi, le réseau de neurones 214 utilise, pour la détection directe des particularités recherchées, les informations de ladite au moins une image compressée suivantes :
  • l'intensité lumineuse dans la partie centrale et non-diffractée du plan focal de la scène aux coordonnées x et y ; et
  • des intensités lumineuses dans chacune des diffractions de ladite image compressée dont les coordonnées x' et y' sont dépendantes des coordonnées x et y de la partie centrale non diffractée du plan focal de la scène.
L’invention a été présentée ci-dessus dans différentes variantes, dans lesquelles une particularité détectée de la scène hyperspectrale est une image bidimensionnelle dont la valeur de chaque pixel aux cordonnées x et y correspond à la probabilité de présence d’une particularité aux mêmes coordonnées x et y du plan focal hyperspectral de la scène 203. Notamment, la particularité correspond à une particularité potentiellement indicatrice de la présence d’un adventice ou d’un symptôme foliaire de carence ou maladie en ce pixel. Chaque adventice, chaque symptôme foliaire de carence ou de maladie peut être caractérisé par une ou plusieurs particularités. Le système de détection combine alors les résultats de la détection de chaque particularité associée à un adventice ou à un symptôme foliaire de carence ou de maladie pour déterminer une probabilité de présence de l’adventice ou du symptôme foliaire de carence ou de maladie. Le cas échéant, ce processus est répété pour l’ensemble des adventices ou symptômes foliaires de carence ou de maladie prédéterminés recherchés dans la parcelle. On peut, toutefois, en variante, prévoir, selon les modes de réalisation de l’invention, la détection d’autres particularités. Selon un exemple, une telle autre particularité peut être obtenue à partir de l’image issue du réseau de neurones présentée ci-dessus. Pour cela, le réseau de neurones 212, 214, peut présenter une couche ultérieure, adaptée pour traiter l’image en question et déterminer la particularité recherchée. Selon un exemple, cette couche ultérieure peut par exemple compter les pixels de l’image en question pour lesquels la probabilité est supérieure à un certain seuil. Le résultat obtenu est alors une superficie (éventuellement rapportée à une superficie standard de l’image). Selon un exemple d’application, si l’image présente, en chaque pixel, une probabilité de présence d’un composé chimique, le résultat obtenu peut alors correspondre à une concentration du composé chimique dans la scène hyperspectrale imagée qui peut être indicative d’un adventice ou d’un symptôme foliaire de carence ou maladie.
Selon un autre exemple, cette couche ultérieure peut par exemple n’avoir qu’un neurone dont la valeur (réel ou booléen) indiquera la présence ou l’absence d’un objet ou d’une particularité recherché dans la scène hyperspectrale. Ce neurone aura une valeur maximale en cas de présence de l’objet ou la particularité et une valeur minimale en cas inverse. Ce neurone sera entièrement connecté à la couche précédente, et les poids de connexion seront calculés au moyen d'un apprentissage.
Selon une variante, on comprendra que le réseau de neurones peut également être architecturé pour déterminer cette particularité sans passer par la détermination d’une image de probabilités de présence de la particularité en chaque pixel.
Dans le cadre de la présente demande de brevet, le système de détection décrit ci-dessus est considéré comme un unique système de détection, même si celui-ci utilise différents capteurs dont les informations sont fusionnées pour détecter un adventice ou un syndrome foliaire de carence ou de maladie.
De plus, chaque système de détection 2 peut comprendre un système de localisation, du type comprenant une centrale inertielle et/ou un système de géolocalisation.
Le dispositif de contrôle de traitement agricole comprend en outre un système de communication connectant les systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies. Le système de communication est adapté pour échanger des données entre les systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies telles que, notamment, des données de détection d’adventices ou de symptômes foliaires de carences ou maladie, des données de localisation issues des centrales inertielles, et/ou des systèmes de géolocalisation.
La pluralité desdits au moins un dispositif de traitement agricole contrôlable 3 est également fixée sur la machine agricole de façon à pouvoir traiter les végétaux cible 4. Comme on peut le voir en particulier sur la figure 1, les dispositifs de traitement agricole 3 peuvent être disposés espacés les uns par rapport aux autres selon une direction horizontale transversale à la direction d’avancement. Ils peuvent être par exemple portés par une poutre transversale de la machine agricole, le cas échéant par la même poutre qui porte les systèmes de détection 2. De plus, ils peuvent être espacés de ceux-ci dans la direction transversale. Le dispositif de contrôle de traitement agricole comprend en outre un système de localisation des dispositifs de traitement agricole. Le dispositif de contrôle de traitement agricole comprend en outre un système de communication connectant les systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies. Le dispositif de traitement agricole comprend en outre un système de communication adapté pour échanger des données entre les systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies et les dispositifs de traitement agricole 3.
Il n’est pas nécessaire que le nombre de dispositifsde traitement agricole contrôlables 3 soit le même que le nombre de systèmesde détection 2 d’adventices ou de symptômes foliaires de carences ou maladies. En effet, selon un exemple, la décision collaborative de traitement est transmise au dispositif de traitement agricole contrôlable 3 ayant le moins de distance avec le végétal cible.
La Fig. 15 illustre le dispositif, muni de deux systèmes de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies, monté sur une machine agricole 1, dans lequel chacun des systèmes de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies, est dirigé avec un angle vers le sol de la parcelle agricole 5, et ayant un recouvrement de leurs zones de détection respectives. Dans ce qui suit, le premier système de détection sera caractérisé par la référence « .1 », et le deuxième système de détection sera caractérisé par la référence « .2 ».
A chaque instant, ledit système de détection 2.1 d’adventices ou de symptômes foliaires de carences ou maladies, prend un cliché 6.1 de la zone de la parcelle agricole 5 face à son objectif ; ledit système de détection 2.2 d’adventices ou de symptômes foliaires de carences ou maladies, prend un cliché 6.2 de la zone de la parcelle agricole 5 face à son objectif ; lesdites zones face aux objectifs optiques 9 desdits systèmes de détection 2.1 et 2.2 d’adventices ou de symptômes foliaires de carences ou maladies, ont une zone commune d’acquisition.
La figure 16 donne un exemple de procédé de traitement collaboratif des données acquises. Le procédé de traitement collaboratif est désigné par la référence 8, et les étapes de celui-ci par des signes de référence « .indice ». Tel qu’illustré sur la Fig.16, la captation 8.1 des informations d’image de la parcelle agricole 5 parcourue permet d’obtenir les images acquises 6.1 et 6.2.
De préférence, la pluralité desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies est composée de systèmes homogènes, présentant les mêmes propriétés de détections.
Les images 6.1 et 6.2 acquises respectivement par lesdits systèmes de détection 2.1 et 2.2 d’adventices ou de symptômes foliaires de carences ou maladies, sont traitées localement dans chacun desdits systèmes de détection 2.1 et 2.2 d’adventices ou de symptômes foliaires de carences ou maladies, afin de projeter chacune desdites images acquises sur le plan du sol en une image projetée au sol 7.1 et 7.2. La discussion qui suit peut s’appliquer à chaque système de détection 2.
La projection au sol de ladite donnée image est calculée suivant les relations suivantes :
Imgprojetée= R-1.Imgacquise
R=Rz.Ry.Rx
Où :
– Imgprojetéeest le tenseur contenant les pixels de l’image projetée au sol ; et
– Imgacquiseest le tenseur contenant les pixels de ladite donnée image brute ; et
– R est la matrice contenant les rotations suivant les trois axes de roulis, tangage et lacet ; et
– α est l’angle de lacet ; et
– β est l’angle de roulis ; et
– γ est l’angle de tangage.
Les angles α, β, et γ, correspondant respectivement aux angles de lacet, roulis et tangage actuels du système de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies considéré tel que calculé à partir des données brutes de la centrale inertielle embarquée dans le système de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies considéré ; ces informations de roulis, tangage et lacet sont calculées en continu et maintenues à jour par le système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies considéré au moyen d’un algorithme d’estimation d’attitude utilisant les informations brutes de ladite centrale inertielle embarquée dans le système de détection 2 d’adventices ou de symptômes foliaires de carences ou maladies considéré. Par exemple, l’algorithme d’estimation d’attitude, permettant de calculer les informations de roulis, tangage et lacet, peut être un filtre de Kalman étendu, un algorithme de Mahony ou de Madgwick. Le document « A comparison of multisensor attitude estimation algorithm », A. Cirillo, P. Cirillo, G. De Maria, C. Natale, S. Pirozzi, dans « Multisensor attitude estimation : Fundamental concepts and applications, Chapter 29, Publisher : CRC Press, Editors : H. Fourati, D.E.C. Belkhiat, pp. 529-539, Septembre 2016, décrit et compare un ensemble d’algorithmesde fusion de données de centrales inertielles afin d’en extraire l’attitude, définie par les angles de roulis, tangage, et lacet, du système.
Tel qu’illustré sur la Fig.16 l’ortho-projection 8.2 des informations d’image acquise de la parcelle agricole 5 parcourue permet d’obtenir les images acquises 7.1 et 7.2 à partir des images 6.1 et 6.2.
Lesdites données images projetées au sol sont utilisées pour détecter la présence d’adventices ou symptômes foliaires de carences ou maladies depuis les particularités propres aux adventices ou symptômes foliaires de carences ou maladies déterminées par l’un des procédés ci-dessus, afin de détecter les zones, identifiées aux coordonnées de l’image Xdetectet Ydetect, dans lesdites données images projetées dans lesquelles les végétaux cibles 4 sont présents. Un végétal cible 4 est un végétal pour lequel le dispositif de détection détecte un adventice ou un symptôme foliaire de carence ou de maladie. Tel qu’illustré sur la Fig. 16, chacune des détections 8.3 de présence d’adventices ou symptômes foliaires de carences ou maladies est complétée avec une probabilité de présence desdites particularités propres aux adventices ou symptômes foliaires de carences ou maladies. Dans certains exemples de réalisation, ces informations de probabilités sont nécessaires aux calculs de géostatistiques permettant de décider l’application d’un traitement sur le végétal cible.
Tel qu’illustré sur la Fig. 16, chacune desdites détections d’adventices ou symptômes foliaires de carences ou maladies est géolocalisée 8.4 aux coordonnées lat et lng au moyen du système de géolocalisation embarqué dans chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies.
Le calcul de la géolocalisation 8.4 d’une détection d’adventice ou symptôme foliaire de carence ou maladie est basé sur les relations suivantes :
Distance = ratiopixel2meter√[(Xdetect-wimg/2) 2 +(Ydetect-himg/2) 2]
Bearing=cos[(Ydetect-himg/2)/(distance/ratiopixel2meter)]
Radfract=distance/EARTHRADIUS
Lattarget=(180.asin(lat21+lat22))/π
Lngtarget=(180.(((lng1+atan2(lng21,lng22)+3π)mod2π)-π)) /π
Où :
– EARTHRADIUSest le rayon moyen de la Terre, soit 6 371 000 mètres ; et
– ratiopixel2meterest le ratio entre un pixel de l’image et un mètre sur le sol ; et
– Xdetectest la coordonnée x, en pixels, du centre de la détection dans l’image ; et
– Ydetectest la coordonnée y, en pixels, du centre de la détection dans l’image ; et
– wimgest la largeur de l’image en pixels ; et
– himgest la hauteur de l’image en pixels ; et
– lat est la latitude mesurée par ledit système de géolocalisation dudit système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies ; et
– lng est la longitude mesurée par ledit système de géolocalisation dudit système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies ; et
– lattargetest la latitude du végétal cible 4 détecté dans l’image ; et
– lngtargetest la longitude du végétal cible 4 détecté dans l’image.
Chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies obtient en continu et au moyen du système de communication entre les différents systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies les informations de détection géolocalisées par les coordonnées lattargetet lngtargeten provenance de l’ensemble des autres systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies. Chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies communique par conséquent en continu et au moyen du système de communication entre les différents systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies les informations de détection géolocalisées par les coordonnées lattargetet lngtargetvers l’ensemble des autres systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies. Par exemple, le format GeoJSON, tel que décrit dans le document RFC7946, « The GeoJSON Format », IETF 08/2016, permet de transporter lesdites informations de détections géolocalisées sur ledit système de communication.
En variante, le format ESRI Shapefile, tel que décrit dans le document ESRI Shapefile technical description, 07/1998, permet de transporter lesdites informations de détections géolocalisées sur ledit système de communication.
En variante, lesdites informations de latitude et longitude peuvent être calculées depuis les informations brutes des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies. Lesdites informations brutes des centrales inertielles étant échangées au moyen du système de communication connectant lesdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies en continu, l’algorithme d’estimation de la latitude, exécuté sur chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies peut utiliser l’ensemble des informations brutes. Ainsi, les informations de latitude et de longitude sont calculées relativement dans le système de coordonnées de la parcelle agricole parcourue. Par exemple, un filtre de Kalman étendu peut être utilisé dans chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, en prenant les données issues des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Dans cette variante, le calcul de la géolocalisation 8.4 d’une détection d’adventice ou symptôme foliaire de carence ou maladie est basé sur la même relation avec les éléments suivants :
– lat est la latitude calculée dans le système de coordonnées de la parcelle agricole parcourue depuis les données issues des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies dudit système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies ; et
– lng est la longitude calculée dans le système de coordonnées de la parcelle agricole parcourue depuis les données issues des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies dudit système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies.
En variante, on n’utilise pas nécessairement une géolocalisation des détections d’adventices ou de symptômes foliaires de carences ou maladies, mais à une localisation de celles-ci dans un référentiel instantané de la machine agricole. Une telle localisation peut être suffisante, dans la mesure où le traitement peut aussi être commandé dans ce référentiel. Ce pourra être le cas notamment si les systèmes de détection et les systèmes de traitement ont des positions relatives connues au cours du temps, par exemple sont fixes les uns par rapport aux autres au cours du temps. Pour un système de détection d’adventice ou de symptôme foliaire de carence ou maladie, les coordonnées (xtarget; ytarget) de la cible par rapport au centre du capteur peuvent être par exemple déterminées comme suit :
distaway= tan(sensorangle) . sensorheight
Xtarget= ratiopixel2meter . (Xdetect-wimg/2)
Ytarget= distaway+ ratiopixel2meter . (Ydetect-himg/2)
Où :
– sensorangleest l’angle entre la verticale et l’angle de visée moyen du système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies ;
– sensorheightest la hauteur au sol du système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies ;
– ratiopixel2meter est le ratio entre un pixel de l’image et un mètre sur le sol ;
– Xdetectest la coordonnée x, en pixels, du centre de la détection dans l’image ;
– Ydetectest la coordonnée y, en pixels, du centre de la détection dans l’image ;
– wimgest la largeur de l’image en pixels ;
– himgest la hauteur de l’image en pixels ;
– Xtargetest la coordonnée longitudinale relative en mètre du végétal cible 4 détecté dans l’image ;
– Ytargetest la coordonnée relative en mètre face audit système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies du végétal cible 4 détecté dans l’image.
L’ensemble des informations desdites détections d’adventices ou de symptômes foliaires de carences ou maladies en provenance de l’ensemble desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies est stocké dans une base de données géographique locale à chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies.
Chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies ayant sa zone de détection des particularités recherchées ; adventices ou symptômes foliaires de carences ou maladies ; dans la parcelle agricole 5, en recouvrement avec lesdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies voisins, un recouvrement latéral desdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies est obtenu.
De la même façon, chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies détectant à l’instant présent les particularités recherchées des adventices ou symptômes foliaires de carences ou maladies dans la parcelle agricole 5 dans la zone de détection à portée de l’objectif optique dudit système de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, un recouvrement temporel desdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies est obtenu. Par recouvrement temporel, on fait référence au fait que les zones de détection en deux instants distincts successifs se recouvrent si la fréquence de détermination est suffisamment élevée. La figure 17 illustre cette réalisation, et représente en traits pointillés le champ optique acquis par le système de détection 2 d’adventice ou de symptômes foliaire de carences ou maladies en un premier instant t1, et en traits mixtes le champ optique acquis par le même système de détection 2 d’adventice ou de symptômes foliaire de carences ou maladies en un deuxième instant t2. Les champs optiques sont décalés géographiquement du fait du parcours de la machine agricole pendant l’intervalle de temps. Les cliché et image obtenus au deuxième instant sont représentés avec l’indice « .3 ». Toutefois, à chaque instant, les détections sont géolocalisées dans un référentiel commun.
Ainsi, lesdites informations de détection d’adventices ou symptômes foliaires de carences ou maladies stockées dans ladite base de données géographique locale à chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies contient les redondances desdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies. L’opération 8.5 de fusion peut être une opération de krigéage, tel que décrite dans le livre « Lognormal-de Wijsian Geostatistics for Ore Evaluation », D.G. Krige, 1981 , ISBN 978-0620030069, prenant en compte l’ensemble desdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies géolocalisées et contenant l’information de probabilité de détection, en provenance de la pluralité desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, ainsi que les informations de recouvrements latéraux et temporaux, permettant ainsi de confirmer les probabilités de détection d’adventices ou de symptômes foliaires de carences ou maladies. Ainsi, en un point de détection donné, on détermine le résultat à partir du résultat de détection obtenu pour ce point par chacun des systèmes de détection. Le résultat permet de décider ou non d’un traitement en ce point. Par exemple, on compare le résultat avec un certain seuil prédéterminé et, si le résultat est positif, on commande l’application du traitement.
La fusion en question prend en compte la qualité de la détection. Par exemple, quand les détections fusionnées comprennent des cartographies de probabilités de présence d’un adventice ou d’un symptôme foliaire de carence ou maladie, le résultat de la fusion peut comprendre une cartographie de la probabilité de présence de l’adventice ou du symptôme foliaire de carence ou de maladie obtenue à partir de ces cartographies individuelles. Par conséquent, intrinsèquement, chaque cartographie individuelle porte l’information de la qualité de la détection, et le résultat fusionné prend en compte cette qualité. Par exemple, si, en un endroit donné, un système de détection détermine une probabilité de présence d’un symptôme foliaire d’une certaine maladie à 90%, et un autre système de détection détermine une probabilité de présence d’un symptôme foliaire de cette même maladie à 30%, c’est que la qualité de détection d’au moins un des deux systèmes de détection est faible, et le résultat final transcrit cette qualité de détection.
Selon une variante, au cours de cette fusion, la distance de chaque détection est également prise en compte. En effet, si en un endroit donné, se situant proche de l’axe optique d’un système de détection, détermine une probabilité de présence d’un symptôme foliaire d’une certaine maladie à 30%, et un autre système de détection, pour lequel ce même endroit est éloigné de l’axe optique, détermine une probabilité de présence d’un symptôme foliaire de cette même maladie à 90%, on appliquera un poids supérieur au système de détection faisant face à l’emplacement étudié au cours de la fusion.
En variante, l’opération 8.5 de fusion est une opération prenant en compte l’ensemble des informations de détections d’adventices ou de symptômes foliaires de carences ou maladies géolocalisées et contenant l’information de probabilité de détection, en provenance de la pluralité desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, ainsi que les informations de recouvrements latéraux et temporaux, afin de calculer les probabilités consolidées de détections d’adventices ou de symptômes foliaires de carences ou maladies géolocalisées; Ladite opération de consolidation prenant en compte les probabilités de chacune des détections d’adventices ou de symptômes foliaires de carences ou maladies géolocalisées.
Dans la variante de la figure 17, les informations de détection localisées obtenues pour plusieurs instants espacés sont fusionnées comme décrit ci-dessus. Ce mode de réalisation est, le cas échéant, applicable à un unique système de détection d’adventices ou de symptôme foliaire de carence ou maladie. Dans ce cas, le travail collaboratif se fait à partir de deux détections espacées dans le temps du même système de détection d’adventices ou de symptôme foliaire de carence ou maladie. Si le dispositif de contrôle de traitement agricole comporte un seul système de détection d’adventices ou de symptôme foliaire de carence ou maladie, il ne met pas en œuvre de système de communication entre systèmes de détection d’adventices ou de symptôme foliaire de carence ou maladie. Toutefois, un système de communication entre le système de détection d’adventices ou de symptôme foliaire de carence ou maladie et le dispositif de traitement reste nécessaire.
Chacun desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies calcule en continu la vitesse instantanée de déplacement au moyen desdites informations de localisation obtenues au moyen dudit système de localisation. L’information de vitesse est nécessaire afin d’estimer l’instant de commande dudit au moins un dispositif de traitement agricole et d’anticiper le temps de traitement en fonction dudit dispositif de traitement agricole.
Ainsi, en fonction de la nature et de la localisation détectées des adventices ou symptômes foliaires de carences ou maladies, de la nature et de la localisation des dispositifs de traitement, et de la vitesse de déplacement, le dispositif de contrôle détermine le ou les dispositifs de traitement à actionner, et les caractéristiques temporelles (instant, durée, …) de cet actionnement.
En ce qui concerne le calcul de la commande 8.6 à envoyer auxdits au moins un dispositif de traitement agricole 3, chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies estime à chaque instant et pour chacun desdits végétaux cibles 4 actuellement à portée desdits au moins un dispositif de traitement 3, lequel desdits au moins un dispositif de traitement 3 est le plus adapté à traiter ledit végétal cible 4.
Les commandes de pilotage sont transmises audit au moins un dispositif de traitement agricole au moyen du moyen de communication entre lesdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies et ledit au moins un dispositif de traitement agricole.
En ce qui concerne le pilotage dudit au moins un dispositif de traitement agricole, l’ensemble des informations desdites détections d’adventices ou de symptômes foliaires de carences ou maladies sont géolocalisées, les dispositifs de traitement agricole sont également géolocalisés, et lesdits au moins un dispositif de traitement agricole sont actionnés à l’instant exact où ledit au moins un dispositif de traitement agricole sont au-dessus des végétaux cibles.
Par exemple, lorsque ledit au moins un dispositif de traitement agricole 3 est une buse d’épandage, la commande 8.7 à envoyer à chacun desdits au moins un dispositif de traitement agricole 3 est une commande de pression et débit prenant en compte la présence d’un végétal cible à l’instant présent dans la zone de pulvérisation de ladite buse d’épandage.
En variante, lorsque ledit au moins un dispositif de traitement agricole 3 est un LASER, la commande 8.7 à envoyer à chacun desdits au moins un dispositif de traitement agricole 3 est une commande de décalages transversal et longitudinal, et de puissance d’éclairage prenant en compte la présence d’un végétal cible à l’instant présent dans la zone de portée dudit LASER.
En variante, lorsque ledit au moins un dispositif de traitement agricole 3 est un jet d’eau à haute pression, la commande 8.7 à envoyer à chacun desdits au moins un dispositif de traitement agricole 3 est une commande de pression et débit prenant en compte la présence d’un végétal cible à l’instant présent dans la zone de portée de la buse d’injection de l’eau à haute pression.
En variante, lorsque ledit au moins un dispositif de traitement agricole 3 est un outil de désherbage mécanique de binage, la commande 8.7 à envoyer à chacun desdits au moins un dispositif de traitement agricole 3 est une commande d’activation prenant en compte la présence d’un végétal cible à l’instant présent dans la zone dudit outil de désherbage mécanique de binage.
En variante, lorsque ledit au moins un dispositif de traitement agricole 3 est un outil de désherbage électrique, la commande 8.7 à envoyer à chacun desdits au moins un dispositif de traitement agricole 3 est une commande d’activation prenant en compte la présence d’un végétal cible à l’instant présent dans la zone dudit outil de désherbage électrique.
Dans la présentation ci-dessus, l’image acquise est d’abord projetée dans un référentiel donné, puis la détection d’adventice ou de symptôme foliaire de carence ou maladie est mise en œuvre pour l’image projetée. En variante, on pourrait prévoir de commencer par réaliser une image de probabilité de présence d’adventice ou de symptôme foliaire de carence ou de détection à partir de l’image acquise brute, puis d’orthoprojeter celle-ci dans le référentiel donné.
Dans la présentation ci-dessus, la géolocalisation de chaque système de détection est réalisée indépendamment, et les détections géolocalisées sont fusionnées de manière à décider de l’éventuel traitement. En variantes, comme décrit ci-dessous, la géolocalisation de chaque système de détection peut se faire de manière collaborative.
Dans une première variante, lesdites informations d’attitude peuvent être calculées depuis les informations brutes des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies. Lesdites informations brutes des centrales inertielles étant échangées au moyen du système de communication connectant lesdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies en continu, l’algorithme d’estimation d’attitude exécuté sur chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies peut utiliser l’ensemble des informations brutes. Ainsi, les estimations de roulis, tangage et lacet sont consolidées par un ensemble de mesures similaires, cohérentes et covariantes entre elles. Par exemple, un filtre de Kalman étendu peut être utilisé dans chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, en prenant les données issues des centrales inertielles de l’ensemble desdits au moins deux systèmes de détection d'adventices ou de symptômes foliaires de carences ou maladies. Le document « Data Fusion Algorithms for Multiple Inertial Measurement Units », Jared B. Bancroft and Gérard Lachapelle, Sensors (Basel), 29/06/2011, 6771-6798 présente un algorithme alternatif de fusion de données brutes d’un ensemble de centrales inertielles afin de déterminer les informations d’attitude.
Dans une deuxième variante, lesdites informations d’attitude peuvent être calculées depuis les informations brutes des centrales inertielles auxquelles les données de géolocalisation de l’ensemble desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies sont ajoutées. Lesdites informations brutes des centrales inertielles ainsi que les données de géolocalisation étant échangées au moyen du système de communication connectant lesdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, l’algorithme d’estimation d’attitude peut utiliser l’ensemble des informations brutes. Par exemple, un filtre de Kalman étendu peut être utilisé dans chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, en prenant les données issues des centrales inertielles ainsi que les données de géolocalisation de l’ensemble desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies. Par ailleurs, un procédé, tel que décrit dans le document « Attitude estimation for accelerated vehicles using GPS/INS measurements », Minh-Duc Hua, 07/2010, Control Engineering Practice Volume 18, Issue 7, July 2010, pages 723-732, permet une fusion des informations issues d’un système de géolocalisation et d’une centrale inertielle.
Par exemple, ledit système de communication entre lesdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies et ledit au moins un dispositif de traitement agricole 3 est un réseau filaire Ethernet 1 Gigabit par seconde permettant ainsi à chacun desdits moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies de communiquer avec les autres systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies ainsi qu’avec ledit au moins un dispositif de traitement agricole 3.
En ce qui concerne la cartographie de la parcelle agricole 5 parcourue par ladite machine agricole, chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies construit localement une cartographie des particularités ; ou de présence d’adventices ou de symptômes foliaires de carences ou maladies ; au moyen d’une base de données géographique locale. Les informations de détection géolocalisées de présence d’adventices ou de symptômes foliaires de carence ou maladies, détectées par l’ensemble desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies et échangées au moyen du système de communication, sont ainsi stockées dans chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies.
Ainsi, le contenu de chacune desdites bases de données géographiques stockéeslocalement dans chacun desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, représente l’état réel, tel que mesuré par l’ensemble desdits au moins deux systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies, et sanitaire de ladite parcelle agricole 5 parcourue.
En variante, les informations de cartographie de la parcelle agricole 5 parcourue par ladite machine agricole, sont transmises au moyen d’un système de communication, et affichée sur un écran de contrôle à destination du technicien procédant au traitement de la parcelle agricole 5.
De préférence, le système de communication utilisé pour transmettre les informations de cartographie de la parcelle agricole 5 audit écran de contrôle à destination du technicien procédant au traitement de la parcelle agricole 5, comprend un réseau filaire Gigabit Ethernet.
En variante, le système de communication utilisé pour transmettre les informations de cartographie de la parcelle agricole 5 audit écran de contrôle à destination du technicien procédant au traitement de la parcelle agricole 5, est un réseau filaire CAN (« Control Area Network »).
La cartographie de la parcelle agricole 5 trouve une utilisation avantageuse afin de produire des statistiques de pulvérisations ou traitements appliqués sur ladite parcelle agricole 5. Lesdites statistiques permettent également de mesurer la prévalence, la présence et la quantité de certaines espèces d’adventices, ainsi que leurs densités et leurs stades. La prévalence, la présence ainsi que la densité de symptômes foliaires de carences ou maladies peuvent également être calculées à partir des informations contenues dans la cartographie de la parcelle agricole 5.
Dans l’exemple présenté, chaque système de détection communique avec les systèmes de détection voisins, pour la prise de décision de traitement collaborative. En variante, on peut prévoir un processeur central adapté pour communiquer, via le système de communication, avec les systèmes de détection, prendre une décision, et communiquer les instructions de traitement aux dispositifs de traitement 3 via le système de communication.
Selon l’invention, il suffit qu’un seul système de détection 2 d’adventices ou de symptômes foliaires de carence ou maladie prenne une décision collaborative en utilisant des informations relatives à d’autres systèmes de détection 2 d’adventices ou de symptômes foliaires de carence ou maladie.
Références
machine agricole 1
systèmes de détection 2 d'adventices ou de symptômes foliaires de carences ou maladies
systèmes de détection 2.1 et 2.2
dispositif de traitement agricole 3
végétal cible 4
parcelle agricole 5
cliché 6.1, 6.2
images acquises 7.1 et 7.2 à partir des images 6.1 et 6.2
captation 8.1
ortho-projection 8.2
détections 8.3
calcul de la géolocalisation 8.4
opération 8.5 de fusion
commande 8.6
commande 8.7
objectif optique 9
dispositif de capture 10
premier capteur 11
second capteur 12
troisième capteur 13
image diffractée 14, 14'
image hyperspectrale 15
module de construction 16
image non diffractée 17'
image infrarouge 18'
réseau de neurones 20
module de caractérisation 21
isoler 25
extraire 26
première lentille convergente 30
ouverture 31
collimateur 32
réseau de diffraction 33
seconde lentille convergente 34
surface de captation 35
couche d'entrée 40
couche de sortie 41
dispositif de capture 202
Scène hyperspectrale 203
capteur, ou système d’acquisition 204,
image compressée en deux dimensions 211
réseau de neurones 212
image compressée 213
réseau de neurones 214
couche d'entrée 230
couche de sortie 231
surface de captation 232
première lentille convergente 241
masque 242
collimateur 243
prisme 244
seconde lentille convergente 245
surface de captation 246
couche d'entrée 250
encodeur 251
couches de convolution ou de couches entièrement connectées 252
décodeur 253
dispositif d’acquisition, ou capteur, 301
dispositif de capture 302
plan focal 303
image standard 312
lentille convergente 331
couche de sortie 350

Claims (19)

  1. Dispositif de contrôle de traitement agricole destiné à être monté sur une machine agricole (1), ladite machine agricole (1) comportant au moins un dispositif de traitement contrôlable (3), le dispositif de contrôle de traitement agricole comprenant :
    – au moins un système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies, chacun étant adapté pour une fixation sur la machine agricole (1) ;
    un système de localisation d’au moins un système de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies;
    au moins un système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies étant caractérisé en ce qu'il est adapté pour collaborer avec un système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies dont la zone de détection se recouvre partiellement avec celle dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies afin de décider collaborativement du traitement à appliquer sur la zone de détection dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies ; et
    – un système de communication entre lesdits au moins un systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies et au moins un dispositif de traitement (3).
  2. Dispositif selon la revendication 1, dans lequel ledit au moins un système de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies est adapté pour collaborer avec un autre système de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies dont la zone de détection se recouvre latéralement partiellement avec celle dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies.
  3. Dispositif selon la revendication 1 ou 2, dans lequel ledit au moins un système de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies est adapté pour collaborer avec un système de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies dont la zone de détection se recouvre temporellement avec celle dudit système de détection d'adventices ou de symptômes foliaires de carences ou maladies.
  4. Dispositif selon l'une des revendications 1 à 3, dans lequel l’ensemble desdits au moins un système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies est adapté pour construire collaborativement une cartographie de la parcelle agricole (5) parcourue par ladite machine agricole, ladite cartographie étant construite par un procédé de géostatistiques avec des données de détection localisées représentant l'état réel tel que mesuré par lesdits au moins un système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies.
  5. Dispositif selon la revendication 4, comprenant en outre un écran de contrôle, et dans lequel la cartographie de la parcelle agricole (5) parcourue est affichée sur l’écran de contrôle à destination du technicien procédant au traitement de la parcelle agricole.
  6. Dispositif selon l’une des revendications 1 à 5, dans lequel le système de localisation comprend un système de géolocalisation et/ou une centrale inertielle.
  7. Dispositif selon l’une quelconque des revendications 1 à 6, qui comprend en outre l’une et/ou l’autre des caractéristiques suivantes :
    - au moins deux systèmes de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies ;
    - un, notamment chaque, système de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies est équipé d’un système de localisation ;
    - un, notamment chaque, système de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies est adapté pour collaborer avec un autre, notamment les autres, systèmes de détection (2) d’adventices ou de symptômes foliaires de carences ou maladies ;
    - un, notamment chaque, système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies comprend un capteur hyperspectral ;
    - un système de détection (2) d’adventice ou de symptôme foliaire de carence ou de maladie est adapté pour détecter la présence d’adventices ou symptômes foliaires de carences ou maladies depuis des particularités propres aux adventices ou symptômes foliaires de carences ou maladies ;
    - un système de détection (2) d’adventice ou de symptôme foliaire de carence ou de maladie est adapté pour détecter une zone pour un adventice ou un symptôme foliaire de carence ou maladie ;
    - un système de détection (2) d’adventice ou de symptôme foliaire de carence ou de maladie est complété avec une probabilité de présence desdites particularités propres aux adventices ou symptômes foliaires de carences ou maladies ;
    - le système de localisation est adapté pour localiser le traitement à appliquer sur la zone de détection ;
    - un système de communication entre lesdits systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ;
    - un recouvrement temporel desdites informations de détections d’adventices ou de symptômes foliaires de carences ou maladies est obtenu.
  8. Dispositif selon l’une des revendications 1 à 7, dans lequel un, notamment chaque, système de détection comporte un système de détection directe de particularités dans la scène hyperspectrale intégrant un réseau de neurones profond et convolutif (212, 214) architecturé pour détecter au moins une particularité recherchée dans ladite scène hyperspectrale pour un adventice ou un symptôme foliaire de carence ou maladie depuis au moins une image compressée de la scène hyperspectrale.
  9. Dispositif selon l’une des revendications 1 à 7, dans lequel un, notamment chaque, système de détection comporte un système de détection de particularités dans la scène hyperspectrale comprenant :
    - un réseau de neurones configuré pour calculer un hypercube hyperspectral de la scène hyperspectrale depuis au moins une image compressée et une image non compressée de la scène hyperspectrale,
    - un module de caractérisation pour détecter l’adventice ou le symptôme foliaire de carence ou maladie à partir de l’hypercube hyperspectral.
  10. Système comprenant un dispositif selon la revendication 4 ou 5, et comprenant en outre un processeur adapté pour produire des statistiques de pulvérisation, de prévalence, d'espèces, de densités, ou de stades des adventices ou des symptômes foliaires de carences ou maladies présents dans la parcelle agricole (5) en utilisant la cartographie de la parcelle agricole (5) parcourue.
  11. Système comprenant un dispositif selon l’une des revendications 1 à 9 ou un système selon la revendication 10 et un dispositif de traitement agricole (3) contrôlable d’une machine agricole (1), dans lequel ledit dispositif de traitement agricole (3) comprend au moins une buse de pulvérisation, le débit ou la pression de ladite au moins une buse de pulvérisation (3) étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies.
  12. Système comprenant un dispositif selon l’une des revendications 1 à 9 ou un système selon la revendication 10 ou 11 et un dispositif de traitement agricole (3) contrôlable d’une machine agricole (1), dans lequel ledit dispositif de traitement agricole (3) comprend au moins un LASER de destruction des adventices, ledit au moins un LASER étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies.
  13. Système comprenant un dispositif selon l’une des revendications 1 à 9 ou un système selon l’une des revendications 10 à 12 et un dispositif de traitement agricole (3) contrôlable d’une machine agricole (1), dans lequel ledit dispositif de traitement agricole (3) comprend au moins un jet d'eau à haute pression dont l'objectif est la destruction des adventices, ledit au moins un jet d'eau haute pression étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies.
  14. Système comprenant un dispositif selon l’une des revendications 1 à 9 ou un système selon l’une des revendications 10 à 13 et un dispositif de traitement agricole (3) contrôlable d’une machine agricole (1), dans lequel ledit dispositif de traitement agricole (3) comprend au moins un outil de désherbage mécanique de binage, ledit au moins un outil de désherbage mécanique de binage étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies.
  15. Système comprenant un dispositif selon l’une des revendications 1 à 9 ou un système selon l’une des revendications 10 à 14 et un dispositif de traitement agricole (3) contrôlable d’une machine agricole (1), dans lequel ledit dispositif de traitement agricole (3) comprend au moins un outil de désherbage électrique de destruction des adventices, ledit au moins un outil de désherbage électrique étant contrôlé par la décision collaborative de l'ensemble desdits au moins deux systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies.
  16. Système selon l’une des revendications 10 à 15, dans lequel le dispositif de traitement agricole est localisé.
  17. Procédé de pilotage collaboratif de traitement agricole destiné à être monté sur une machine agricole (1), ladite machine agricole (1) comportant au moins un dispositif de traitement contrôlable (3), le procédé de contrôle de traitement agricole comprenant :
    – une décision collaborative dudit au moins un systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies dont les zones de détection se recouvrent partiellement, chacun étant adapté pour une fixation sur la machine agricole (1) et la localisation du traitement à appliquer sur la zone de détection ; et
    – une communication entre lesdits systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies avec ledit au moins un dispositif de traitement (3).
  18. Procédé de pilotage collaboratif selon la revendication 17, le procédé comportant pour chacun d’au moins deux systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies, les étapes de :
    – Acquisition (8.1) d’une nouvelle donnée image depuis le sol de la parcelle agricole parcourue (5) sur laquelle se déplace une machine agricole (1) au moyen dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ; et
    – Acquisition des informations additionnelles de position dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies au moyen du système de localisation ; et
    – Projection (8.2) de ladite donnée image acquise par chacun desdits systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies sur le plan du sol ; et
    – Détection (8.3) de présence d'adventices ou de symptômes foliaires de carences ou maladies depuis ladite donnée image acquise et projetée sur ledit plan du sol ; et
    – Calcul des positions (8.4) des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ; ledit calcul de position utilisant les informations de localisation dudit système de localisation dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies et les informations de détection dans ladite donnée image ; et
    – Communication desdites positions des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies à l’ensemble des autres systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ; et
    – Réception desdites positions des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit détecteur (2) d'adventices ou de symptômes foliaires de carences ou maladies en provenance d’autres systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ; et
    – Fusion (8.5) desdites positions des adventices ou symptômes foliaires de carences ou maladies de l’ensemble des systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ; et
    – Calcul de la commande (8.6) à envoyer au dispositif de traitement (3) concerné par la zone de détection dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ; et
    – Émission de la commande (8.7) au dispositif de traitement (3) concerné par la zone de détection dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies.
  19. Procédé de pilotage collaboratif selon la revendication 18, comprenant en outre l’une et/ou l’autre des dispositions suivantes :
    - ladite projection utilise les informations en provenance de ladite centrale inertielle dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies afin de déterminer l’angle de prise de la donnée image par rapport au vecteur normal au sol ;
    – Communication desdites positions des adventices ou symptômes foliaires de carences ou maladies dans la zone de détection dudit système de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies à d’autres, notamment à l’ensemble des autres systèmes de détection (2) d'adventices ou de symptômes foliaires de carences ou maladies ;
    - la fusion est pondérée en fonction de la qualité et la distance calculée de chaque détection.
FR1908086A 2019-03-12 2019-07-17 Dispositif de contrôle de traitement agricole Pending FR3093613A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/437,333 US20220174934A1 (en) 2019-03-12 2020-03-10 Agricultural Treatment Control Device
PCT/EP2020/056401 WO2020182840A1 (fr) 2019-03-12 2020-03-10 Dispositif de contrôle de traitement agricole
EP20708129.0A EP3937628A1 (fr) 2019-03-12 2020-03-10 Dispositif de contrôle de traitement agricole

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1902497 2019-03-12
FR1902497A FR3093614B1 (fr) 2019-03-12 2019-03-12 Dispositif collaboratif de contrôle de traitement agricole

Publications (1)

Publication Number Publication Date
FR3093613A1 true FR3093613A1 (fr) 2020-09-18

Family

ID=67810703

Family Applications (2)

Application Number Title Priority Date Filing Date
FR1902497A Active FR3093614B1 (fr) 2019-03-12 2019-03-12 Dispositif collaboratif de contrôle de traitement agricole
FR1908086A Pending FR3093613A1 (fr) 2019-03-12 2019-07-17 Dispositif de contrôle de traitement agricole

Family Applications Before (1)

Application Number Title Priority Date Filing Date
FR1902497A Active FR3093614B1 (fr) 2019-03-12 2019-03-12 Dispositif collaboratif de contrôle de traitement agricole

Country Status (2)

Country Link
AR (1) AR118291A1 (fr)
FR (2) FR3093614B1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021201308A1 (de) * 2021-02-11 2022-08-11 Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen (HfWU) Körperschaft des öffentlichen Rechts Verfahren und Vorrichtung zur gezielten Abgabe eines Wirkmittels auf einen Boden

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2964577B1 (fr) 2010-09-10 2013-12-27 Exel Ind Systeme de commande pour engin agricole de pulverisation
AU2012228772A1 (en) 2011-03-16 2013-10-17 Syddansk Universitet Spray boom for selectively spraying a herbicidal composition onto dicots
US10269107B2 (en) 2017-02-23 2019-04-23 Global Neighbor Inc Selective plant detection and treatment using green luminance photometric machine vision scan with real time chromaticity operations and image parameter floors for low processing load
FR3063206B1 (fr) * 2017-02-24 2021-08-13 Bilberry Sas Systeme de controle pour epandage agricole
CN108990944B (zh) * 2018-06-27 2021-01-29 浙江大学 基于可见光热红外图像融合的无人机遥感喷药一体化方法及装置

Also Published As

Publication number Publication date
AR118291A1 (es) 2021-09-22
FR3093614A1 (fr) 2020-09-18
FR3093614B1 (fr) 2022-09-09

Similar Documents

Publication Publication Date Title
Wachendorf et al. Remote sensing as a tool to assess botanical composition, structure, quantity and quality of temperate grasslands
Milella et al. In-field high throughput grapevine phenotyping with a consumer-grade depth camera
Verrelst et al. Gaussian process retrieval of chlorophyll content from imaging spectroscopy data
CA2592293C (fr) Procede de traitement d'images mettant en oeuvre le georeferencement automatique d'images issues d'un couple d'images pris dans le meme plan focal
Dekker et al. Intercomparison of shallow water bathymetry, hydro‐optics, and benthos mapping techniques in Australian and Caribbean coastal environments
CA3083079A1 (fr) Procede de caracterisation d'echantillons utilisant des reseaux de neurones
US20170154440A1 (en) Method and system for photogrammetric processing of images
WO2020182840A1 (fr) Dispositif de contrôle de traitement agricole
FR3071644A1 (fr) Procede et dispositif de classification de plantes
FR3091381A1 (fr) Dispositif de détection hyperspectrale
WO2020127422A1 (fr) Dispositif de détection hyperspectrale
FR2982393A1 (fr) Recherche d'une cible dans une image multispectrale
FR3093613A1 (fr) Dispositif de contrôle de traitement agricole
FR3071124B1 (fr) Dispositif de capture d'une image hyperspectrale
FR3110743A1 (fr) Procede et systeme de controle de traitement agricole
FR2693011A1 (fr) Procédé et dispositif de surveillance d'une scène tridimensionnelle, mettant en Óoeuvre des capteurs d'imagerie.
Papadopoulos et al. Weed mapping in cotton using ground-based sensors and GIS
CA3027420A1 (fr) Machine a guidage autonome
Okamoto et al. Unified hyperspectral imaging methodology for agricultural sensing using software framework
FR3098962A1 (fr) Système de détection d’une particularité hyperspectrale
Daglio et al. Blooming charge assessment in apple orchards for automatic thinning activities
WO2018109044A1 (fr) Dispositif de détection d'un objet d'intérêt et procédé mettant en œuvre ce dispositif
Okamoto et al. Weed detection using hyperspectral imaging
Riegler-Nurscher et al. Tillage machine control based on a vision system for soil roughness and soil cover estimation
Mifdal Application of optimal transport and non-local methods to hyperspectral and multispectral image fusion

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLFP Fee payment

Year of fee payment: 3

PLFP Fee payment

Year of fee payment: 4

PLFP Fee payment

Year of fee payment: 5

PLSC Publication of the preliminary search report

Effective date: 20230825