L'écart de fiabilité dans la perception de la robotique basée sur le deep learning

Le dépistage des mauvaises herbes est un élément important de la gestion intégrée moderne des mauvaises herbes, mais il peut être long et peu efficace lorsqu'il est effectué manuellement.

Le dépistage automatisé et la destruction des mauvaises herbes ont généralement été réalisés à l'aide de systèmes de classification capables de classer un groupe défini d'espèces connues a priori. Cela limite considérablement les possibilités de déploiement, car les systèmes de classification doivent être recyclés pour tout champ dans lequel un ensemble différent d'espèces de mauvaises herbes est présent.

Afin de surmonter cette limitation, ce projet vise à développer une approche de regroupement pour le dépistage des mauvaises herbes qui peut être utilisée dans n'importe quel domaine sans qu'il soit nécessaire de connaître les espèces au préalable. Nous démontrons notre système en utilisant des données difficiles collectées sur le terrain à partir d'une plateforme de robotique agricole.

Nous exposons les améliorations considérables qui peuvent être apportées par (i) l'apprentissage de caractéristiques de faible dimension (goulot d'étranglement) en utilisant un réseau neuronal convolutif profond pour représenter les plantes en général et (ii) en liant des vues de la même zone (plante) entre elles. En déployant cet algorithme sur les données recueillies sur le terrain par AgBotII, nous parvenons à regrouper des plants de coton à partir de graminées, sans connaissance ni formation préalables sur les plantes spécifiques dans le champ.

Ce projet a été présenté lors du FIRA 2020 pendant le Colloque Scientifique organisé par Robagri.