ERALD

Estimation des récoltes avec la détection de fruits sur les images et l’analyse intelligente de données

Maximiser la proportion de fruits de première qualité est un défi majeur dans la production fruitière, où 20 à 40 % des fruits sont déclassés en raison de problèmes de taille ou de couleur. Un facteur clé influençant la qualité des fruits est la charge des arbres en fruits, les producteurs pratiquent l’éclaircissage tôt dans la saison en utilisant des agents chimiques. Cependant, leur efficacité étant influencée par les conditions météorologiques, un éclaircissage manuel supplémentaire, bien que laborieux, s’impose dans la majorité des cas. Il est donc crucial de développer un outil précis d’estimation du rendement des cultures pour optimiser l’utilisation des ressources et augmenter les bénéfices. Actuellement, en l’absence de systèmes automatisés, les producteurs se fient au comptage manuel, une méthode prenant énormément du temps qui peut entraîner des erreurs allant jusqu’à 66 %. En plus des stratégies de gestion, le rendement final est également influencé par les conditions climatiques et la croissance des plantes, des facteurs qui ne sont pas toujours pris en compte dans les méthodes d’estimation actuelles, rendant les prédictions de rendement difficiles.

Ce projet vise à créer un outil simple et efficace pour une estimation de rendement hautement précise à destination des arboriculteurs, basé sur des images de pommiers prises avec un smartphone, combinées à des mesures de diamètre des fruits et des données microclimatiques. Cet outil sera intégré à la plateforme IoT développée par la HEIG-VD dans le cadre du projet Novel. Pour atteindre cet objectif, cette approche innovante combinera des techniques d’analyse d’images et d’apprentissage automatique pour estimer automatiquement le nombre de fruits d’une part, et un modèle de croissance des fruits fondé sur la mesure directe du diamètre des fruits à l’aide de dendromètres connectés d’autre part. La plateforme IoT existante collecte également en continu des données sur le climat et l’humidité du sol, qui seront intégrées dans le modèle pour des prévisions de rendement plus précises. L’application mobile, qui incorporera la capture d’images, sera conçue pour être facile à utiliser, afin de permettre une adoption rapide par les agriculteurs dans leurs routines quotidiennes.