Détection de graminées adventices parmi le chiendent pied-de-poule à l’aide de réseaux neuronaux à convolution profonde
Citation
Yu, J., Schumann, A.W., Sharpe, S.M., Li, X., Boyd, N.S. (2020). Detection of grassy weeds in bermudagrass with deep convolutional neural networks. Weed Science, [online] 68(5), 545-552. http://dx.doi.org/10.1017/wsc.2020.46
Résumé en langage clair
En raison de la microrépartition des mauvaises herbes, la pulvérisation de précision peut réduire considérablement l’apport d’herbicides dans divers contextes. Le gazon étant traité au moyen de nombreux herbicides, les possibilités de réduire les apports sont nombreuses, selon la combinaison d’herbicides utilisés et de mauvaises herbes présentes. Des réseaux de classification d’images ont été entraînés, l’un deux (VGGNet) avec une exactitude presque parfaite pour détecter quatre mauvaises herbes graminoïdes. À l’avenir, les réseaux dérivés seront mis à l’essai sur le terrain lorsqu’ils seront reliés aux prototypes de pulvérisation de précision mis au point.
Résumé
© Les auteurs, 2020. Publié par Cambridge University Press au nom de la Weed Science Society of America. La pulvérisation ponctuelle d’herbicides de post-levée est une approche efficace pour réduire l’utilisation d’herbicides et le coût de la lutte contre les mauvaises herbes. La détection de graminées ou de mauvaises herbes graminoïdes par vision artificielle dans les systèmes de gazon en plaques est une tâche difficile en raison de la similitude de la morphologie des plantes. Dans le cadre de cette étude, nous avons exploré la faisabilité d’utiliser la classification d’images avec des réseaux neuronaux à convolution profonde (DCNN), y compris AlexNet, GoogLeNet et VGGNet, pour détecter des espèces de digitaires (Digitaria spp.) ainsi que le Murdannia nudiflora (L.) Brenan, le Paspalum dilatatum Poir. et l’Urochloa distachya (L.) TQ Nguyen parmi le chiendent pied-de-poule [Cynodon dactylon (L.) Pers.]. Le réseau VGGNet a généralement surpassé AlexNet et GoogLeNet pour la détection de certaines graminées adventices. Pour la détection du P. dilatatum, le réseau VGGNet a obtenu des scores F1 élevés (≥ 0,97) et des valeurs de rappel élevées (≥ 0,99). Un seul modèle VGGNet a présenté des scores F1 élevés (≥ 0,93) et des valeurs de rappel élevées (1,00) qui ont permis de détecter de manière fiable les Digitaria spp., le M. nudiflora, le P. dilatatum et l’U. distachya. La faible densité des mauvaises herbes a réduit les valeurs de rappel d’AlexNet pour la détection de toutes les espèces de mauvaises herbes et de GoogLeNet pour la détection des Digitaria spp. À titre comparatif, le réseau VGGNet a obtenu d’excellentes performances (exactitude globale = 1,00) pour la détection de toutes les espèces de mauvaises herbes dans les scénarios de forte et de faible densité de mauvaises herbes. Ces résultats montrent qu’il est possible d’utiliser des réseaux neoronaux à convolution profonde pour détecter les graminées ou les mauvaises herbes graminoïdes dans les systèmes de gazon en plaques.