Optimisation de la sélection génétique céréalière

Client 

Sollio Agriculture

Collaborateurs

Agrinova

Financement

Programme d’aide à la recherche et au transfert (PART) – Volet innovation technologique

Objectifs

Ce projet expérimente une méthodologie de collecte et de traitement d’images aériennes pour l’évaluation de critères de sélection génétique propres à la culture de l’avoine (Avena sativa L.). Le but étant de créer une plateforme automatisée permettant d’analyser rapidement et précisément les caractéristiques de croissance des cultures, avec des protocoles reproductibles et des modèles d’intelligence artificielle capables d’interpréter automatiquement les données de drone.

Plus précisément, le projet vise à :

1. Expérimenter une méthodologie de collecte d’images des parcelles expérimentales par drone (hauteur de vol, précision et caractéristique des capteurs, conditions climatiques et instrumentation du site requise).
2. Expérimenter une méthodologie de traitement des images pour la collecte de données spécifiques à la sélection génétique (hauteur et date de maturité de l’avoine et date de maturité du soya).
3. Valider la bonne corrélation entre les données prélevées de manière conventionnelle et les données prélevées à l’aide de l’outil technologique.
4. Assurer un transfert technologique chez le partenaire industriel grâce à l’automatisation du traitement des images.

Méthodologie

La méthodologie se compose de trois étapes clés :

1. L’acquisition d’imagerie par drone coordonnée aux mesures in situ.
2. Le traitement et l’analyse des images par apprentissage profond.
3. L’automatisation des processus.

L’acquisition d’images par drone est effectuée à quatre périodes stratégiques (sol nu, post-levée, mi-saison et prérécolte), en utilisant des caméras multispectrales et RVB haute résolution.

Une validation terrain est effectuée simultanément aux vols de drone, avec des mesures manuelles précises portant sur la hauteur des plants, la verse (échelle 0-9) et la date de maturité (90 % des épis / gousses jaunes). Le traitement des données implique la création d’orthomosaïques, de modèles numériques de surface et le calcul d’indices de végétation.

Les analyses utilisent des techniques avancées d’apprentissage automatique, notamment des réseaux de neurones à convolution (CNN), des forêts aléatoires et le boosting de gradient, pour développer des modèles de détection performants et robustes.

Équipements

• Drone: DJI Matrice 600 Pro
• Caméras: Multispectrale MicaSense RedEdge-P et RVB haute résolution
• Phase One IXM-50
• GNSS: Leica GS18I
• Serveur d’apprentissage profond: Nvidia DGX A100
• Logiciels photogrammétriques et SIG: Agisoft Metashape, Open Drone Map, QGIS
• Technologies en apprentissage profond: PyTorch et Raster Vision

Domaine

Gestion des ressources