Conception d’un système embarqué à bas coût pour la détection des adventices en cultures en ligne à différents stades phénologiques

Abstract

Les adventices représentent l’une des principales contraintes de la production agricole en raison de leur capacité à concurrencer les cultures pour les ressources essentielles, entraînant ainsi une diminution des rendements et une augmentation des coûts de production. Les méthodes conventionnelles de lutte, principalement fondées sur l’utilisation des herbicides, présentent des limites liées à leur faible sélectivité, à leur impact environnemental et au développement de résistances chez certaines espèces. Face à ces enjeux, l’agriculture de précision offre des solutions innovantes reposant sur les technologies de vision par ordinateur et d’intelligence artificielle. Dans ce contexte, ce mémoire a pour objectif de concevoir un système embarqué à faible coût dédié à la détection automatique des adventices en conditions réelles. La démarche adoptée comprend la constitution d’une base de données d’images, leur annotation, leur prétraitement ainsi que le développement et l’évaluation de plusieurs modèles de segmentation basés sur l’apprentissage profond afin d’identifier automatiquement les adventices. Les expérimentations réalisées ont permis de comparer les performances des différents modèles étudiés. Parmi eux, le modèle YOLO11s-seg s’est distingué par ses meilleures performances, en atteignant une précision de détection de 91 %, ce qui confirme son efficacité et son aptitude à être intégré dans un système embarqué destiné à un robot agricole autonome. Dans la continuité du développement des modèles, une phase d’optimisation et d’inférence sur système embarqué (Raspberry Pi 5 / ONNX) a été réalisée. Les performances en temps réel ont été évaluées en mesurant la vitesse d’inférence (FPS) et la latence, confirmant la faisabilité d’une intégration sur un robot agricole autonome pour le désherbage ciblé. Ce travail constitue une contribution au développement de solutions intelligentes pour l’agriculture de précision. Il met en évidence l’intérêt des techniques de vision par ordinateur et de l’apprentissage profond pour la détection des adventices et ouvre des perspectives pour la mise en œuvre de systèmes automatisés permettant un désherbage ciblé, une réduction de l’utilisation des herbicides et une gestion plus durable des cultures.