Segmentation et prédiction en temps réel de la dynamique de croissance des plantes à l'aide de systèmes embarqués à faible consommation équipés d'IA

Prédiction de récolte, dynamique biomasse/surface foliaire, indice foliaire, paramètres décrivant la qualité des aliments produits, consommation de ressources à partir de séquences d'images de croissance des plantes (y compris multispectrales), données de capteurs décrivant les conditions environnementales et paramètres du système de culture artificielle représentant la état du système de culture.

Le projet est consacré au développement d'un système embarqué basse consommation et d'un algorithme d'IA pour la segmentation en temps réel des plantes et la prédiction de leur croissance. Le système distribué proposé est destiné à être utilisé dans les serres et les zones reculées, où les systèmes autonomes de calcul de pointe sont en demande. Une branche de ce projet vise également à développer la charge utile des drones pour la segmentation des plantes nuisibles en temps réel.

Les efforts de recherche vers des dispositifs de détection à faible consommation d'énergie avec une IA entièrement fonctionnelle à bord sont encore fragmentés. Dans notre projet, nous présentons un système embarqué enrichi avec l'IA qui assure l'analyse continue et la prédiction in-situ de la dynamique de croissance des feuilles des plantes et d'autres paramètres de croissance importants. Les solutions embarquées, fondées sur un système de détection embarqué basse consommation avec une unité de traitement graphique (GPU), sont capables d'exécuter l'IA basée sur les réseaux de neurones à bord. Les avantages du système proposé comprennent la portabilité et la facilité de déploiement. Nous utilisons une séquence de réseau neuronal convolutif (CNN) et un réseau neuronal récurrent (RNN) appelé réseau de mémoire à long terme (LSTM) comme noyau de l'IA dans notre système. L'approche proposée garantit au système un fonctionnement autonome pendant 180 jours à l'aide d'une batterie Li-ion standard. Nous nous appuyons sur des puces graphiques mobiles de pointe pour une analyse et un contrôle intelligents des appareils autonomes. Nous avons utilisé 5 514 images comme source pour le calcul automatisé de la surface foliaire et suivi la formation des algorithmes d'IA. Plus d'un millier d'enregistrements de capteurs fournissent des informations supplémentaires sur les conditions environnementales. Toutes ces données ont été utilisées pour former et tester le réseau de neurones récurrent, les algorithmes de réseau de neurones convolutionnels et les algorithmes de segmentation. Notre solution fournit une RMSE proche de 4 cm2 dans un horizon de prédiction de 3 h. Tout cela permet une optimisation in situ très performante de la dynamique de croissance des plantes et de la consommation des ressources.