Ce que je dois faire
1. Les plantes à reconnaître
Le modèle doit apprendre à distinguer plusieurs catégories : ail, échalote, oignon et mauvaises herbes.
Quand on fait défiler la page, les plantes apparaissent et grandissent : cela représente l’idée d’une caméra qui observe une vraie parcelle.
2. Le tracteur scanne la parcelle
Ici, c’est le tracteur qui embarque la caméra et le programme. Pendant qu’il avance, il scanne les plantes et peut afficher une couleur correspondant à une détection ou à une commande.
culture reconnue correctement
doute ou vérification
mauvaise herbe / désherbage ciblé
état particulier / traitement possible
Dans l’atelier, vous pourrez choisir la couleur qui représente un état ou une commande différente.
3. Pourquoi ce type d’outil est utile ?
En biologie
- reconnaître des espèces végétales différentes ;
- observer l’état d’une plante ;
- comparer des formes, des feuilles, des bulbes ;
- mieux comprendre la diversité du vivant.
En agriculture
- repérer plus précisément les mauvaises herbes ;
- agir seulement là où c’est nécessaire ;
- gagner du temps dans l’observation ;
- mieux cibler certaines interventions.
4. Étape 1 — Créer le dataset
Prendre des photos
Prenez des photos avec un téléphone prêté pour l’atelier, ou avec le vôtre si c’est autorisé.
Il faut photographier plusieurs exemples de : ail, échalote, oignon et mauvaises herbes.
Copier les photos sur le PC
Sur l’ordinateur, un dossier AtelierIA sera disponible.
À l’intérieur, vous trouverez un dossier dataset_original.
Dans ce dossier, il y a déjà 4 sous-dossiers :
ailechaloteoignonsmauvaises_herbes
Il faut ajouter les photos prises pendant la séance dans les bons répertoires.
Très important : varier les fonds
Si toutes les photos sont prises avec le même fond, le modèle risque de croire que le fond fait partie de l’objet à reconnaître.
Il faut donc varier :
- les fonds,
- les angles de vue,
- les distances,
- la position de la plante dans l’image.
C’est pour cela qu’il y a déjà d’autres photos dans le dossier : elles servent à rendre le modèle plus robuste.
Préparer les photos
Dans le dossier AtelierIA, il y aura un exécutable
Preparation_Photos.exe.
Il sert à préparer les images pour l’entraînement :
- redimensionnement,
- recadrage,
- centrage sur l’objet d’intérêt.
L’objectif est d’obtenir un dossier dataset_prepare
propre et cohérent pour entraîner le modèle correctement.
Lancez le programme "Preparation_Photos" et cliquez sur "Vérifier les dossiers":
Ensuite cliquez sur "Lancer le traitement":
5. Étape 2 — Entraîner le modèle avec Teachable Machine
Créer les classes
Créez les classes correspondant aux objets à reconnaître. C’est très intuitif.
- Ail
- Échalote
- Oignon
- Mauvaise herbe
Importer les images
À partir du dossier dataset_prepare,
faites glisser les lots d’images dans les classes correspondantes.
Entraîner le modèle
Lancez l’entraînement. Cela peut prendre un peu de temps.
Tester le modèle
Utilisez la webcam connectée au PC pour vérifier si la reconnaissance fonctionne correctement.
Si le résultat semble bon, appelez le professeur pour transférer le modèle sur la Raspberry Pi.
Exporter le modèle
Cliquez sur "Exporter le modèle", une fenêtre s'ouvre. Choisissez "Tensorflow Lite", et en fin, "Télécharger mon modèle".
Un fichiez "zip" est téléchargé, il faut demander au professeur de le copier vers la raspberryPi.
Si le résultat semble bon, appelez le professeur pour transférer le modèle sur la Raspberry Pi.
6. Étape 3 — Utiliser le modèle sur la Raspberry Pi
Charger le modèle
Le professeur transférera le modèle sur la Raspberry Pi.
Choisir les couleurs
Sur l’interface, vous pourrez choisir les couleurs associées à chaque détection ou à chaque action.
Lancer la reconnaissance
La caméra filme, le programme essaie de reconnaître la plante, puis affiche la classe détectée ou la couleur choisie.
Observer le résultat
Vous vérifierez si le système fonctionne bien… ou non. Créer une IA de reconnaissance fiable n’est pas facile !
Informations:
Ce projet d’IA de reconnaissance peut également faire intervenir d’autres domaines de l’informatique. En effet, il peut s’appuyer sur des réseaux informatiques pour assurer la circulation des données entre les différents appareils, capteurs ou serveurs nécessaires à son fonctionnement.
De plus, dans le cas d’une IA autonome, ce projet peut intégrer des commandes de systèmes automatisés. L’intelligence artificielle peut alors analyser son environnement, prendre une décision et envoyer des ordres à un système technique pour réaliser une action automatiquement.
Ce type de projet montre donc que l’intelligence artificielle peut être liée à la fois à la programmation, aux réseaux et à l’automatisation.
7. Mini démo d’IA
Cette démonstration simule le principe d’une reconnaissance automatique. Dans un vrai système, le modèle compare ce qu’il voit avec de nombreux exemples déjà appris.
Résultat de l’IA
Clique sur un bouton pour lancer une reconnaissance.
L’IA observe la forme générale de la plante et propose une catégorie.
8. Pour aller plus loin
Si vous allez vite, vous pourrez tester un autre modèle : par exemple la reconnaissance de formes géométriques.
- carré
- triangle
- cercle
- rectangle
Des formes prédécoupées pourront être mises à disposition. Vous pourrez refaire la même démarche : photos, classes, entraînement, test.