La détection de mauvaises herbes est l’un des rares problèmes de vision par ordinateur où l’objet à reconnaître et l’objet à préserver appartiennent au même règne, présentent la même couleur et partagent souvent la même morphologie. Cette proximité fonde toute la difficulté du domaine.
Cet article expose ce que recouvre cette tâche, pourquoi elle résiste, ce qu’elle demande en amont et ce qu’elle permet en aval. Il ouvre une série de quinze articles dont il constitue le point d’entrée.
Ce que recouvre la détection de mauvaises herbes
Le terme désigne une famille de tâches plutôt qu’une opération unique. Quatre formulations coexistent et elles n’appellent pas le même travail. La détection binaire distingue la plante cultivée de tout ce qui n’est pas elle, formulation la plus simple et suffisante pour de nombreux usages de désherbage. La détection d’espèces identifie chaque adventice par son nom, exigence des programmes de traitement sélectif où le produit dépend de l’espèce visée. La détection par groupe fonctionnel regroupe les adventices selon leur réponse aux traitements, graminées contre dicotylédones notamment, compromis fréquent entre les deux précédentes. Et la cartographie d’infestation mesure une densité plutôt qu’elle ne localise des individus, formulation adaptée aux décisions à l’échelle de la parcelle. Une conséquence pratique en découle. Ces quatre formulations produisent des corpus incompatibles entre eux, et le choix se fait au cadrage plutôt qu’il ne se corrige en cours de projet, un corpus binaire ne pouvant pas être promu en corpus d’espèces sans réannotation complète.Pourquoi la détection de mauvaises herbes résiste
Cinq propriétés distinguent ce problème de la plupart des tâches de détection d’objets. La proximité visuelle entre cible et non-cible est extrême, une graminée adventice et une jeune céréale présentant à un stade précoce une morphologie presque identique. La variabilité intra-classe est considérable, une même espèce d’adventice changeant radicalement d’apparence entre la levée et la floraison. Le fond est vivant et changeant, le sol, les résidus de culture et les ombres portées produisant des textures que les modèles confondent avec de la végétation. La densité d’objets est élevée, une image de parcelle infestée pouvant contenir plusieurs dizaines de plantes à localiser individuellement. Et l’occlusion est la règle plutôt que l’exception, les feuilles se recouvrant mutuellement à mesure que le couvert se ferme. Une observation importante en découle. Ces cinq propriétés se cumulent au lieu de se compenser, et elles atteignent leur maximum au moment exact où la détection a le plus de valeur agronomique, c’est-à-dire tôt dans le cycle, ce que l’article consacré aux premiers stades de croissance développe.Détecter la culture ou détecter l’adventice
Cette alternative structure toute conception d’un système de détection de mauvaises herbes. Elle est trop rarement posée explicitement. La première stratégie apprend à reconnaître la plante cultivée et traite tout le reste comme indésirable. Trois avantages la recommandent. La classe cible est homogène, une culture semée présentant une variabilité bien inférieure à celle de la flore adventice. Le corpus est plus économique à constituer, une seule classe étant à annoter. Et le système reste valide face à une adventice jamais rencontrée, qui sera classée par défaut comme indésirable. La seconde stratégie apprend à reconnaître les adventices elles-mêmes. Trois raisons la justifient. Elle permet le traitement sélectif par espèce. Elle produit une information agronomique exploitable au delà du désherbage, notamment le suivi de pression d’infestation. Et elle reste applicable lorsque la culture n’est pas semée en rang identifiable. Une conséquence pratique en découle pour un projet de détection de mauvaises herbes. La première stratégie est presque toujours la bonne réponse quand le seul usage est le désherbage, et elle est régulièrement écartée par réflexe au profit de la seconde, plus coûteuse et plus fragile.L’information de rang, une prime au contexte
Une particularité des cultures en rang mérite d’être exposée car elle change la nature du problème. Une culture semée en ligne produit une régularité géométrique que l’adventice ne partage pas, ce qui fournit une information indépendante de l’apparence des plantes. Trois usages en découlent. La détection de l’inter-rang, où toute végétation est indésirable par construction, ce qui permet un traitement sans reconnaissance botanique. Le renforcement de la décision sur le rang, une plante alignée ayant une probabilité supérieure d’appartenir à la culture. Et le contrôle de cohérence, une culture détectée hors alignement signalant plus probablement une erreur qu’un plant égaré. Une limite accompagne ces trois usages. Elle disparaît en culture dense semée à la volée, et elle s’affaiblit à mesure que la culture se développe et referme l’inter-rang, ce que l’article consacré aux cultures en rang détaille.Ce que l’annotation demande dans ce domaine
Six exigences distinguent l’annotation pour la détection de mauvaises herbes de la détection d’objets courante. La distinction entre espèces voisines demande une compétence botanique, un annotateur généraliste ne séparant pas de façon fiable deux dicotylédones proches au stade cotylédonaire. La convention de stade doit être écrite, une même plante à deux stades pouvant relever de la même classe ou de deux classes selon le projet. Le traitement des zones denses appelle une règle explicite, les infestations formant des tapis continus où les individus ne se séparent plus visuellement. Les plantes partiellement visibles en bord d’image demandent une convention d’inclusion. Les images inexploitables demandent une classe dédiée plutôt qu’une omission silencieuse, flou de mouvement et sur-exposition étant fréquents en acquisition embarquée. Et la cohérence entre annotateurs sur les cas douteux doit être mesurée plutôt que supposée. Une observation importante en découle. La troisième exigence est celle qui produit le plus de variabilité en production : sans règle écrite, un annotateur encadrera un tapis d’adventices d’une seule boîte quand un autre en tracera quarante, et cet écart n’est pas une erreur individuelle mais un défaut de convention.La question du tapis d’adventices
Ce cas mérite un traitement séparé car il est fréquent, coûteux et rarement anticipé. Une zone d’infestation dense ne présente pas d’individus séparables, les plantes se recouvrant et formant une surface continue. Quatre conventions possibles existent et chacune sert un usage distinct. Le découpage en boîtes de taille contrainte, qui préserve la cohérence avec le reste du corpus au prix d’un découpage arbitraire. La boîte englobante unique, économique et qui produit une localisation trop grossière pour un traitement ciblé. Le passage en masque de segmentation sur ces zones, précis et qui crée un corpus mixte demandant un traitement particulier en aval. Et l’exclusion documentée de la zone, solution légitime lorsque le système n’a pas à décider dans ces configurations, à condition qu’elle soit consignée. Une conséquence pratique en découle pour un projet de détection de mauvaises herbes. Ces quatre conventions se choisissent en fonction de ce que le pulvérisateur ou le robot fera de l’information, et la question relève du cadrage avec l’utilisateur final plutôt que d’un arbitrage interne à l’équipe d’annotation.Les modalités d’acquisition
Trois configurations alimentent un système de détection de mauvaises herbes et elles imposent des contraintes très différentes. L’acquisition embarquée sur l’outil place la caméra à faible distance du sol, ce qui donne la résolution la plus fine et impose une contrainte de temps réel, la décision devant être prise pendant que l’engin avance. L’acquisition par drone couvre la parcelle en un passage séparé, ce qui relâche la contrainte de latence et réduit la résolution au sol, souvent au point de rendre les stades précoces indétectables. Et l’imagerie satellitaire ne descend pas au niveau de la plante individuelle, ce qui la cantonne à la cartographie de zones d’infestation. Une conséquence pratique en découle. Ces trois modalités ne produisent pas des corpus interchangeables, une annotation réalisée sur des images embarquées ne servant pas à entraîner un système sur images de drone, et cette incompatibilité est régulièrement découverte après la constitution du corpus plutôt qu’avant.Les usages en aval
Trois familles d’application exploitent cette détection et leurs exigences diffèrent nettement. La pulvérisation ciblée applique un herbicide uniquement là où une adventice est détectée, ce qui réduit les volumes appliqués dans des proportions significatives et impose une contrainte de latence, la buse devant s’ouvrir pendant que l’engin avance. Le désherbage mécanique robotisé détruit physiquement la plante, ce qui interdit l’erreur sur la culture, une plante arrachée ne se remplaçant pas. Et la cartographie d’infestation alimente une décision différée, ce qui relâche la contrainte de temps réel et déplace l’exigence vers la représentativité spatiale. Une observation traverse ces trois familles. La tolérance à l’erreur diffère d’un ordre de grandeur entre elles, une fausse détection coûtant une goutte d’herbicide dans le premier cas et un plant détruit dans le second, ce qui interdit de réutiliser le même seuil de décision d’un usage à l’autre.Comment évaluer un système de détection de mauvaises herbes
Quatre principes gouvernent cette évaluation et ils écartent les indicateurs les plus employés. La mesure doit se faire par classe et non globalement, une performance moyenne excellente étant compatible avec une défaillance complète sur l’espèce la plus nuisible. Les omissions et les fausses détections doivent être rapportées séparément, leur coût agronomique étant asymétrique et cette asymétrie changeant selon l’usage. Le jeu d’évaluation doit être séparé géographiquement et temporellement du jeu d’entraînement, deux images d’une même parcelle prise le même jour partageant trop de contexte pour se répartir de part et d’autre. Et la performance doit être mesurée par stade de croissance, un système excellent sur plantes développées et inopérant à la levée n’étant pas utilisable là où la valeur se situe. Une observation importante en découle. Ce dernier principe est le plus souvent négligé, et il reprend le constat que les séries précédentes ont établi sur les indicateurs globaux : la moyenne masque précisément la configuration qui détermine l’usage.Ce que la détection de mauvaises herbes ne résout pas
Quatre limites méritent d’être posées car ce domaine fait l’objet d’attentes disproportionnées. Elle ne remplace pas le diagnostic agronomique, la présence d’une adventice signalant souvent un problème de rotation, de travail du sol ou de date de semis que le désherbage traite en surface. Elle ne supprime pas la résistance, un traitement ciblé sur la même matière active exerçant la même pression de sélection qu’un traitement généralisé. Elle ne fonctionne pas hors de son domaine d’entraînement, un système calibré sur une culture et une région se dégradant nettement ailleurs. Et elle ne détecte pas ce qui n’est pas visible, les adventices sous le couvert échappant à toute acquisition par le dessus. Cette troisième limite est la plus conséquente en pratique. Elle signifie qu’un système performant en démonstration peut se révéler inutilisable sur une exploitation voisine, et elle explique pourquoi la constitution de corpus locaux reste la principale dépense de ce domaine.Le rôle de l’expertise agronomique
Cette dépendance caractérise la détection de mauvaises herbes plus que toute autre tâche de vision agricole. Elle a des conséquences organisationnelles. La vérité terrain ne se lit pas dans l’image, elle se décide par quelqu’un qui sait reconnaître les espèces. Trois conséquences en découlent. Le référentiel de cas doit être établi avec un agronome, et non par une équipe d’annotation travaillant seule sur des consignes générales. La formation des annotateurs porte sur la reconnaissance visuelle d’un nombre limité d’espèces à des stades définis, apprentissage qui se conduit en quelques jours et qui ne se déduit d’aucune compétence d’annotation généraliste. Et l’arbitrage des cas douteux doit remonter, un annotateur qui tranche seul sur une plante qu’il ne reconnaît pas introduisant une erreur que le contrôle statistique ne détectera pas. Une observation complète ces trois conséquences. Ce constat rejoint celui que les séries consacrées à l’imagerie médicale ont établi : lorsque la vérité terrain relève d’un jugement expert, la qualité du corpus est bornée par l’accès à cette expertise et non par la cadence d’annotation, ce que l’article consacré à la qualité d’annotation des adventices approfondit.Le contexte réglementaire
Une dynamique extérieure au champ technique porte la demande et elle mérite d’être située. Les politiques européennes de réduction des produits phytosanitaires créent une pression sur les exploitations et un intérêt pour toute technologie réduisant les volumes appliqués. Trois effets en découlent pour la détection de mauvaises herbes. La demande augmente indépendamment des progrès techniques, portée par la contrainte réglementaire plutôt que par l’attrait de la technologie. Les critères d’évaluation se déplacent vers la réduction mesurable d’intrants, ce qui rend la démonstration économique plus simple à construire. Et le désherbage mécanique retrouve un intérêt qu’il avait perdu, ce qui élargit le marché au delà de la pulvérisation. Une réserve accompagne ces trois effets. Le calendrier réglementaire connaît des révisions et des reports, ce qui rend cette dynamique fiable dans sa direction et incertaine dans son rythme.Aborder un projet de détection de mauvaises herbes
Cinq questions cadrent un projet et elles se posent en une réunion. Quelle décision le système déclenchera-t-il. Pulvériser, biner ou cartographier ne demandent ni la même précision ni la même tolérance à l’erreur. Faut-il l’espèce ou seulement la distinction culture contre adventice. Cette réponse détermine le coût du corpus dans un rapport considérable. À quel stade la détection intervient-elle. Un stade précoce maximise la valeur agronomique et complique la reconnaissance. Quelles cultures et quelles régions le système devra-t-il couvrir. Cette réponse borne la généralisation attendue et dimensionne le corpus. Et une compétence agronomique est-elle disponible pour établir la vérité terrain. Son absence est un obstacle éliminatoire, pas une difficulté à contourner. Ces cinq réponses déterminent la formulation, le corpus, le calendrier et la faisabilité. Les poser avant de constituer une base d’images évite l’erreur la plus coûteuse du domaine, annoter longuement selon une formulation que l’usage réel ne demandait pas.Ce que ce domaine enseigne
Une observation transversale mérite de clore ce panorama car elle recoupe un constat établi dans des domaines très différents. La difficulté centrale de la détection de mauvaises herbes n’est pas la performance des modèles. Trois constats la composent. Les architectures disponibles traitent correctement ce type de problème dès lors qu’un corpus adapté existe. Le corpus adapté suppose une définition botanique explicite, des conventions écrites sur les stades et les zones denses, et une expertise pour trancher les cas douteux. Et cette définition ne se transfère pas d’un contexte à un autre, une culture, une région et un stade formant une combinaison dont le corpus ne vaut pas ailleurs. Ce constat rejoint exactement celui des séries consacrées à la segmentation d’images satellites et au LiDAR aérien, formulé dans des domaines aux contraintes opposées : la donnée est abondante, les modèles sont disponibles, et ce qui manque est la vérité terrain documentée permettant d’interpréter la première par les seconds.Les erreurs les plus fréquentes
- Choisir la détection d’espèces quand la distinction binaire suffisait à l’usage.
- Constituer un corpus avant d’avoir fixé la formulation de la tâche.
- Omettre la convention de traitement des tapis d’adventices.
- Ne pas écrire la convention de stade de croissance.
- Faire annoter sans référentiel botanique établi avec un agronome.
- Omettre une classe pour les images inexploitables.
- Réutiliser un seuil de décision entre pulvérisation et désherbage mécanique.
- Attendre une généralisation hors des cultures et régions du corpus.
- Négliger l’information de rang en culture semée en ligne.
- Évaluer un système sur des images acquises dans les mêmes conditions que l’entraînement.
