Tout savoir sur la reconnaissance d’image

La reconnaissance d’image est un processus d’identification et de détection d’un objet, d’une personne, d’un animal ou d’une plante dans une image ou une vidéo. Les capacités de cette technologie innovante sont aujourd’hui boostées par l’aide de l’intelligence artificielle et du deep learning. Comment fonctionne-t-elle exactement ? Comment la reconnaissance d’image peut-elle être utilisée dans le monde agri-agro ? Acteur du numérique pour l’agriculture, Adventiel vous éclaire sur le sujet.

Qu’est-ce que la reconnaissance d’image ?

La reconnaissance d’image consiste à analyser des images grâce à l’intelligence artificielle* et est une des techniques de vision par ordinateur (computer vision).

*Intelligence artificielle : discipline regroupant l’ensemble des méthodes et techniques qui tendent à comprendre le cerveau humain pour simuler l’intelligence humaine d’où le nom d’intelligence artificielle.

En d’autres termes, il s’agit tout simplement de la capacité des ordinateurs à comprendre une image numérique pour faire de la :

• Classification : classer dans une catégorie type en fonction de caractéristiques définies au préalable (forme, couleur, intensité, etc.)

Exemple : classer dans la catégorie zèbre, les images d’équidés ayant des rayures noires.

• Détection : identifier sur ces images des objets, animaux ou visages.

Mais la reconnaissance d’image ne s’arrête pas à la classification d’image ou à la détection d’objet, de forme ou d’animaux sur une image. La reconnaissance d’image permet également de détecter des évènements futurs tels que le vêlage ou la mise bas des juments. Un sujet que nous garderons pour un futur article.

Comment fonctionne la reconnaissance d’image ?

La reconnaissance d’image repose sur une sous-branche de l’Intelligence artificielle, le machine learning.

Le Machine Learning est l’ensemble des théories et des techniques développant des programmes informatiques complexes capables de simuler certains traits de l’intelligence humaine (raisonnement, apprentissage…).

Afin que l’algorithme puisse comprendre une image, l’humain doit être capable de la comprendre également. En effet, c’est un humain qui doit annoter la banque d’image de référence pour entraîner l’algorithme et lui permettre de mieux analyser les futures images.

 Sans action humaine, nous ne parlons plus de Machine Learning mais de Deep learning,

Le deep learning, ou apprentissage profond, permet, quant à lui, de dépasser les évidentes limites du Machine Learning, en permettant à la machine d’établir seule des règles encore plus complexes.

Pour cela, le deep learning repose sur l’empilement de multiples couches de neurones artificiels.

Suite à cet entraînement, l’algorithme est capable d’analyser et de prédire une information telle que la catégorie à laquelle appartient l’image ou la détection d’un objet sur l’image.

Un exemple de deep learning ou reconnaissance d’image

Pour éclairer notre propos, considérons un simple problème de classification d’animaux. Comment le deep learning peut-il aider une intelligence artificielle à identifier sans erreur chaque vache d’un même troupeau, simplement à partir d’images ?

L’apprentissage profond consiste à transformer chaque image en données vectorielles. Le modèle apprend à détecter des formes particulières en analysant un très grand nombre de données. En comparant les résultats qu’il obtient et les résultats attendus, le réseau de neurones parvient graduellement à minimiser ses erreurs.

Pour notre problématique, le réseau de neurones permet de reconnaître les formes particulières de cornes et les différences de taches de robe. À la fin de l’apprentissage, il est ainsi capable de distinguer avec certitude chaque animal.

Pourquoi avoir recours à de la reconnaissance d’image ?

Véritable innovation numérique, l’intelligence artificielle accompagne les acteurs de divers secteurs dans l’optique d’améliorer les performances, de réduire les erreurs, de sécuriser les processus ou encore de faciliter les opérations. Elle a pour vocation d’accompagner l’humain dans le milieu professionnel.

Les différentes applications de la reconnaissance d’image en agriculture et agro-alimentaire

Au sein d’une entreprise, la reconnaissance des images par une IA a des usages variés. Elle peut avoir différentes vocations :

• Qualité : contrôle qualité par caméra pour détection d’anomalie ou de défaillance en fin de production
• Sécurité : détection en temps réel de la présence d’un intrus (et non d’un ami ou salarié) sur une exploitation, vérification de la présence d’un animal spécifique
• Optimisation/automatisation de processus : classement automatique de fruits et légumes par catégorie via vidéo sur la base de la couleur, de la forme, etc.
• Assistance : dans le domaine vétérinaire afin de déterminer le bien-être animal, ou pour le diagnostic de maladie en culture

Illustrations de notre savoir-faire en intelligence artificielle et Machine Learning

Le projet NEC : aide au diagnostic du bien-être animal

La NEC représente la Note d’État Corporel : un indicateur permettant d’évaluer les réserves énergétiques (dépôts de graisse) de l’animal. La Note d’État Corporel est un indicateur significatif du bien-être de l’animal, important à calculer pour les éleveurs. Si une NEC n’est pas optimale pour une période de lactation donnée, cela signifie que la vache est trop maigre ou trop grasse. Dans les deux cas, la production de lait, voire la fécondité des vaches, peuvent être impactées. De manière générale, cela est coûteux pour l’éleveur, une production de lait moindre entraînera une rémunération moindre ou, dans le pire des cas, des frais vétérinaires.

Comment fonctionne notre application ?

Notre projet consiste en une application mobile qui, à partir d’une photographie de profil et d’une photographie du postérieur de l’animal, estime sa NEC par Machine Learning. Ce projet a été réalisé en partenariat avec la ferme expérimentale des Trinottières de la Chambre d’Agriculture des Pays de la Loire.

L’application Photodiag : diagnostiquer les maladies sur culture

Chez Adventiel, nos équipes ont développé Photodiag, un prototype d’application terrain permettant de diagnostiquer les maladies de certaines cultures végétales, telles que le blé et la vigne. L’objectif était de proposer à nos clients une solution permettant d’illustrer le savoir-faire des équipes en traitement d’image et Deep Learning. Pour ce projet, les équipes ont également utilisé l’outil open-source TensorFlow.

Comment fonctionne l’application ?

L’agriculteur envoie une photo de la plante sur l’application. Grâce à l’intelligence artificielle, l’application analyse l’image avant de fournir le résultat du diagnostic.

Ainsi, sur demande, nos équipes d’ingénieurs agronomes spécialisés en science de la donnée sont capables de travailler sur d’autres cas tels que :

• Les ravageurs ;
• Les carences ;
• Les stress abiotiques (sécheresse, excès d’eau, températures extrêmes, stress salin, gel, vent, grêle…) ;
• Ou stress biotiques (champignons, insectes…) ;

Mais aussi sur des problématiques en agro-alimentaire comme :

• les non-conformités ;
• la gestion des stocks ;

Le saviez-vous ? L’intelligence artificielle peut être aussi prédictive. Nos experts travaillent également sur de la prédiction de production en partenariat avec nos clients du secteur agri-agro. Prenez contact avec nous pour en savoir plus.

Nous proposons des solutions numériques sur-mesure basées sur la collecte, l’hébergement et l’exploitation intelligente de vos données. Nos équipes s’occupent de vos besoins de A à Z : conseil, réalisation, intégration des systèmes, hébergement et infogérance. Pour plus d’informations, partez à la découverte de nos métiers.