Technologie de télédétection : le module Hive-Vision !

Lorsque les algorithmes d'apprentissage profond rencontrent l'agriculture végétale pour produire un nouveau domaine d'application dans le champ en constante expansion de l'apprentissage automatique, nous savions que nous étions face à quelque chose qui ne pouvait pas simplement être ignoré et balayé quelque part dans notre collection de vidéos de science-fiction préférées. Oui, nous parlons de faire un pas de plus dans la fusion des circuits imprimés électroniques avec la vie multicellulaire végétale. Comment ? Cela s'appelle HiveVision.

Le problème de la perception

En tant qu'animaux primates, les humains sont une espèce très visuelle. La chose la plus naturelle à faire pour notre équipe était donc d'équiper notre Ruche végétale d'une caméra haute résolution afin de la rapprocher, d'un point de vue évolutif, de nos amis agriculteurs amateurs. Cependant, l'intégration d'une machine avec une sorte de détecteur de photons multi-réseaux ne suffira pas à réveiller les yeux de notre PlantHive HiveVision. C'est un obstacle intriguant que les chercheurs en IA ont dû surmonter et qui a été baptisé le "problème de la perception des machines".

Essayez simplement cette expérience de pensée rapide. Fermez les yeux et essayez d'oublier que le monde est fait de "choses", que l'on peut distinguer par leur forme, leur couleur, leur odeur ou leur toucher. Oubliez que ces choses ont des noms, des étiquettes ou des attributs qui peuvent être répertoriés dans votre dictionnaire neurologique.

Ouvrez vos yeux, que voyez-vous ? Eh bien, si vous tombez dans une sorte de transe méditative, vous verrez "rien". Le monde ressemblerait à un grand vide, un espace infini de possibilités et d'interprétations sans fin. Ne serait-il pas impossible de "savoir" sur quoi se concentrer, en regardant l'image ci-dessous ? Seriez-vous capable de faire la distinction entre l'arrière-plan et le premier plan ?

Si vous vous débarrassez de tout votre répertoire de formes et que vous oubliez chaque étiquette que l'on vous a apprise pour étiqueter un motif particulier, comment allez-vous pouvoir l'extraire de ce paysage infini de choses potentiellement extractibles ? Quelle sensation effrayante !

En fait, c'est exactement ce à quoi ressemblerait la caméra PlantHive... En quelque sorte... Parce que les caméras ont aussi des sentiments ! D'une manière ou d'une autre, pour percevoir, il faut lui dire ce qu'elle doit voir : d'abord en limitant son champ de vision à un motif particulier qui se distingue des autres par sa couleur ou sa forme, et ensuite en lui attribuant un mot. En extrayant, par exemple, le canal vert de cette image et en le reportant sur une échelle de gris, on obtiendrait quelque chose comme ceci :

Chaque pixel vert - dans ce cas les feuilles de notre plante de piment - est isolé et il s'agira juste de choisir le bon canal de couleur pour donner une bonne définition de ce qui constitue le "fond" (noir) et le "premier plan" (blanc). En ayant une mesure de référence supplémentaire, par exemple la distance entre la caméra et l'une des colonnes de PlantHive et la hauteur de cette dernière, nous pouvons calculer la surface de la canopée. En outre, votre module HiveVision est capable de prendre des photos dans le spectre proche infrarouge (NIR), ce qui permet d'évaluer la réflectance de la lumière infrarouge du feuillage, qui est étonnamment en corrélation avec la concentration de chlorophylle ! Il suffit de regarder le GIF ci-dessous, où le gradient de couleur bleu-rouge donne une mesure relative de l'activité photosynthétique. Le rouge correspond à des feuilles saines tandis que les pixels bleus (tige) indiquent une faible concentration de chlorophylle.

Au commencement était le mot...Disons que nous voulons faire une analyse qualitative de notre plante, peut-être en identifiant son espèce. C'est là que l'apprentissage profond entre en jeu. Comme son nom l'indique, le module HiveVision est "entraîné" en prenant un grand nombre d'images, par exemple de différents poivriers, et en "étiquetant" ces images avec une étiquette, contenant des informations sur ce que la caméra est censée voir. De cette façon, la caméra (plus précisément son unité de traitement) construit un modèle de ce à quoi un poivrier est censé ressembler et la prochaine fois qu'elle prendra une photo d'une plante, elle sera capable de dire s'il s'agit d'un poivrier ou non, en analysant simplement la forme de ses feuilles et en la comparant à un modèle déjà formé.Cette structure a priori était, comme l'avaient déjà théorisé des philosophes empiristes du^XVIIIe siècle comme Emmanuel Kant, nécessaire et suffisante pour qu'une expérience perceptive puisse naître d'un observateur simplement passif plongé dans cet univers infini de pixels répartis sur un axe XY.Diagnostic et remède à distance des plantesDétectersans contact ? Oui, c'est possible ! Le Planthive étant équipé d'un hygromètre, nous pouvons corréler l'évolution de la taille et de l'aspect des feuilles avec l'humidité et la température ambiantes. Si par exemple (comme le montre l'illustration ci-dessous), les feuilles commencent à avoir l'air déprimées, notre module HiveVision sera capable de relier ce changement à une baisse soudaine de l'humidité et de prendre les mesures nécessaires. Il s'agit par exemple d'activer l'humidificateur pour stabiliser l'humidité à sa valeur normale et/ou de réajuster le spectre lumineux du bleu au rouge afin de réactiver la production de chlorophylle.

Une IA qui scrute vos plantes, combinée à une serre intelligente qui régule son propre environnement, cela ressemblait jusqu'à présent à un autre roman de Philip K. Dick ! Dans ce cas, le T-X 1000 n'aurait, probablement, pas été assez avancé pour garder vos plantes préférées. Heureusement, votre Planthive s'occupe de tout !

Ne manquez pas les nouvelles de PlantHve ! Restez à l'écoute sur notre site web et blog!

Cet article a été rédigé par notre scientifique fou, Federicco Lucchetti, et édité par Vasileios Vallas.