Les conditions de terrain expliquent une part importante des écarts entre la performance annoncée d’un système et son comportement au champ. Elles ne relèvent ni du modèle ni de la nomenclature, et elles se traitent au moment de l’acquisition ou pas du tout.Cet article expose les trois familles de conditions défavorables, ce qu’elles produisent et comment un corpus les intègre. Il prolonge l’article consacré à la constitution d’un dataset.
Pourquoi ces conditions comptent autant
Trois propriétés du travail au champ expliquent leur poids en détection de mauvaises herbes.Elles sont subies plutôt que choisies, un chantier de désherbage se déroulant quand la fenêtre agronomique l’impose et non quand la lumière est favorable.Elles varient dans la même journée, une parcelle traitée le matin et l’après-midi présentant deux apparences distinctes.Et elles se cumulent, un sol humide sous un ciel couvert avec des résidus produisant une image dont chaque facteur aggrave les autres.Une conséquence pratique importante en découle. Ces trois propriétés font que la variabilité des conditions dépasse souvent, dans un projet de détection de mauvaises herbes, la variabilité botanique que le corpus s’attache pourtant à couvrir en priorité.La lumière
Cette famille produit les variations d’apparence les plus fortes.Elle est aussi la moins maîtrisable.Six configurations distinctes se rencontrent au champ.Le plein soleil, qui produit des ombres portées dures et des zones surexposées sur les feuilles brillantes.Le ciel couvert, qui donne une lumière homogène et réduit le contraste entre plante et sol.Les heures rasantes, qui allongent les ombres au point qu’une plante et son ombre forment un objet composite.Les passages nuageux, qui modifient l’exposition en quelques secondes au sein d’une même série d’images.L’ombre portée par la machine elle-même, dont la géométrie dépend de l’heure et de la direction du passage.Et l’éclairage artificiel, employé sous carénage pour s’affranchir des cinq configurations précédentes.Une observation importante en découle. La dernière configuration est la seule réponse réellement efficace, et elle transforme le problème en imposant un corpus acquis sous éclairage contrôlé, incompatible avec un corpus constitué en lumière naturelle.Le sol
Cette famille modifie le fond sur lequel la plante se détache.Elle est souvent négligée dans les corpus de détection de mauvaises herbes.Cinq états de surface produisent des apparences distinctes.Le sol sec et clair, qui offre le meilleur contraste avec une plantule verte.Le sol humide et sombre, qui réduit ce contraste et modifie la réflectance.Le sol croûté, dont la texture produit des motifs que les méthodes de segmentation confondent avec des structures végétales.Le sol motteux, dont les ombres internes créent des zones sombres ressemblant à des interstices de feuillage.Et les sols de couleur atypique, argileux rouges ou calcaires très clairs, qui déplacent l’ensemble de la distribution colorimétrique.Une conséquence pratique en découle pour un projet de détection de mauvaises herbes. La dernière catégorie explique une part des échecs de transfert entre régions, un système entraîné sur limon brun se dégradant nettement sur terre rouge sans qu’aucune différence botanique soit en cause.Les résidus
Cette famille constitue la principale source de fausses détections.Son importance croît avec l’évolution des pratiques culturales.Quatre difficultés en découlent.Les fragments verts se confondent avec des plantules, notamment après une pluie qui les réhydrate.Les tiges et pailles produisent des formes allongées que les modèles associent à des feuilles de graminées.Le recouvrement masque partiellement les plantes, ce qui produit des objets tronqués difficiles à qualifier.Et la couverture est irrégulière, ce qui fait varier la difficulté d’une zone à l’autre de la même parcelle.Une observation importante en découle. Ces difficultés augmentent avec le semis direct et les couverts permanents, pratiques dont la part progresse, ce qui rend ce facteur plus important dans les corpus à venir qu’il ne l’était dans les corpus historiques.La pluie et l’humidité
Cette famille secondaire affecte l’optique autant que la scène.Elle mérite d’être signalée dans tout projet de détection de mauvaises herbes.Quatre effets se distinguent nettement.Les gouttes sur les feuilles produisent des reflets spéculaires qui saturent localement l’image.La buée sur l’optique voile l’ensemble de l’image, effet fréquent en début de matinée.Les projections de boue souillent la vitre de protection, dégradation progressive au cours d’un chantier.Et l’humidité relève la réflectance des résidus, ce qui aggrave la confusion exposée plus haut.Une conséquence pratique en découle. Le troisième effet est le seul qui se dégrade au cours d’une même session, ce qui produit une baisse de performance en fin de chantier qu’aucune évaluation sur images fixes ne révèle.Ce que ces conditions produisent
Quatre modes de défaillance en découlent directement.Ils se diagnostiquent séparément.Les fausses détections sur éléments non végétaux, résidus, mottes et débris.Les omissions par contraste insuffisant, une plantule sur sol humide passant inaperçue.Les erreurs de délimitation dues aux ombres, un objet annoté avec son ombre produisant une localisation décalée.Et l’instabilité entre images consécutives, une même plante détectée puis manquée selon la variation d’exposition.Une observation importante en découle pour un projet de détection de mauvaises herbes. Le quatrième mode est le plus révélateur et le moins souvent mesuré : une performance stable sur un jeu d’images fixes peut masquer une instabilité forte sur une séquence, alors que c’est la séquence qui correspond à l’usage réel.Ce que le corpus doit contenir
Cinq exigences répondent à ces conditions en détection de mauvaises herbes.Elles se décident au plan d’échantillonnage.Les mêmes parcelles à plusieurs moments de la journée, ce qui isole l’effet de la lumière des autres facteurs.Les mêmes parcelles avant et après une pluie, ce qui isole l’effet de l’humidité.Des parcelles avec des types de sol contrastés, y compris atypiques pour la région.Des parcelles en semis direct et en travail conventionnel, dont la couverture en résidus diffère radicalement.Et des séquences continues plutôt que des images isolées, ce qui permet de mesurer la stabilité.Une conséquence pratique en découle. Ces cinq exigences n’augmentent pas le volume à annoter proportionnellement, une même parcelle revisitée dans d’autres conditions fournissant une variabilité que de nouvelles parcelles dans les mêmes conditions n’apporteraient pas.Les réponses techniques
Quatre approches réduisent la sensibilité aux conditions.Leur efficacité diffère nettement.Le contrôle physique, par carénage et éclairage artificiel, la seule réponse qui supprime le problème plutôt que le compenser.La normalisation d’image, correction d’exposition et de balance, qui réduit une part de la variabilité et pas les ombres portées.L’augmentation de données, transformations d’éclairement appliquées au corpus, qui améliore la robustesse et ne remplace pas des conditions réelles.Et l’apprentissage sur données diversifiées, réponse la plus fiable et la plus coûteuse puisqu’elle suppose d’acquérir dans toutes les conditions visées.Une observation importante en découle. La première approche est la plus efficace et elle contraint le matériel, ce qui la rend accessible aux constructeurs d’outils et indisponible pour un projet travaillant sur des images existantes.Ce que ces conditions demandent à l’annotateur
Cinq difficultés supplémentaires pèsent sur l’annotation d’images acquises en conditions défavorables.La délimitation devient incertaine, une plante partiellement à l’ombre ne présentant pas de contour net.La confusion avec le fond augmente, ce qui accroît la part d’objets classés indéterminés.Le temps par objet croît, chaque cas demandant un examen plutôt qu’une reconnaissance immédiate.Le désaccord entre annotateurs augmente, ce qui rend la mesure d’accord par condition plus informative qu’un accord global.Et une tentation apparaît, celle d’écarter l’image plutôt que de la traiter, qui doit être explicitement interdite par la convention.Une conséquence pratique en découle pour un projet de détection de mauvaises herbes. La dernière difficulté est la plus insidieuse : sans consigne explicite, les annotateurs écartent naturellement ce qui est difficile, ce qui produit un corpus biaisé vers les conditions faciles sans qu’aucune décision consciente ait été prise.Évaluer la robustesse aux conditions
Quatre mesures en rendent compte.Elles se distinguent d’une évaluation ordinaire de détection de mauvaises herbes.La performance décomposée par condition, éclairement, sol et niveau de résidus, qui localise les faiblesses.L’écart entre la meilleure et la pire condition, indicateur de fragilité plus informatif qu’une moyenne.La stabilité sur séquence, proportion d’objets détectés de façon constante sur plusieurs images consécutives.Et la dérive au cours d’une session, comparaison entre le début et la fin d’un chantier.Une conséquence pratique en découle pour un projet de détection de mauvaises herbes. Le deuxième indicateur mérite de figurer dans toute présentation de performance, car un système à moyenne élevée et à écart important est moins utilisable qu’un système à moyenne inférieure et régulier, différence qu’une moyenne seule ne montre pas.Ce que ces conditions ne permettent pas
Trois limites méritent d’être posées car elles bornent ce qu’un corpus peut compenser.Une image dont l’information est absente ne se récupère pas, une plantule sous une ombre dure n’étant simplement pas visible.Une dégradation progressive de l’optique ne s’apprend pas, elle se prévient par entretien.Et la variabilité de sol entre régions ne se simule pas de façon convaincante, ce qui rend l’acquisition locale nécessaire pour un déploiement dans une nouvelle région.Cette troisième limite est la plus conséquente commercialement. Elle signifie qu’un système validé dans une région demande une campagne d’acquisition avant d’être proposé dans une autre, ce qui doit figurer dans un plan de développement plutôt que se découvrir lors du premier déploiement lointain.Aborder la question des conditions
Cinq questions cadrent ce sujet et elles se posent au plan d’échantillonnage.Le système travaillera-t-il sous éclairage contrôlé. Une réponse positive simplifie radicalement le problème et impose un corpus dédié.Quelles plages horaires les chantiers couvrent-ils. Cette réponse borne les conditions d’éclairement à couvrir.Quels types de sol la zone de déploiement présente-t-elle. Cette réponse révèle les besoins d’acquisition complémentaires.Quelles pratiques culturales, avec ou sans travail du sol. Cette réponse dimensionne le problème des résidus.Et la stabilité sur séquence sera-t-elle mesurée. Cette réponse conditionne la détection d’un mode d’échec fréquent et invisible autrement.Ces cinq réponses déterminent le plan d’échantillonnage et le protocole d’évaluation. Les poser avant l’acquisition évite la situation la plus courante de ce domaine, un corpus riche en variabilité botanique et pauvre en variabilité de conditions.Ce que ce chapitre enseigne
Une observation transversale mérite de clore cet examen car elle recoupe un constat des séries précédentes.La variabilité qui fait échouer un système n’est pas celle sur laquelle l’attention se porte.Trois constats la composent.L’effort de conception se concentre naturellement sur le sujet du projet, la flore adventice, parce que c’est là que réside l’intérêt technique.La variabilité des conditions dépasse souvent la variabilité botanique en amplitude, et elle est plus facile à couvrir puisqu’il suffit de revisiter les mêmes parcelles.Et son omission produit un système qui fonctionne en démonstration et déçoit en production, écart dont l’origine est rarement identifiée correctement.Ce constat rejoint exactement celui que la série consacrée au LiDAR aérien a établi à propos des relevés acquis en conditions favorables : ce qui est écarté d’un corpus parce qu’il paraît défectueux constitue souvent la part la plus représentative de l’usage réel.Les erreurs les plus fréquentes
- Acquérir toutes les images à la même heure de la journée.
- Écarter les images acquises par temps couvert ou après une pluie.
- Négliger les types de sol atypiques pour la région de référence.
- Constituer un corpus uniquement sur parcelles en travail conventionnel.
- Annoter une plante avec son ombre portée.
- Évaluer uniquement sur images isolées sans mesurer la stabilité sur séquence.
- Présenter une performance moyenne sans l’écart entre conditions.
- Attendre de l’augmentation de données qu’elle remplace des conditions réelles.
- Négliger la dérive au cours d’une session de chantier.
- Proposer un système dans une nouvelle région sans campagne d’acquisition locale.
