Seeding Food Innovation - Projet récompensé 2018
Mettre en marche la prochaine révolution dans la production alimentaire mondiale en exploitant les ensembles de données automatiquement étiquetées et l’apprentissage machine
Titulaire de subvention
Dr Christopher Bivinosti, Dr Christopher Henry, Dr Carl Gutwin, Dr Ian Stavness, Dr Rafael Otfinowski, Dr Ed Cloutis, Dr Jonathan Ziprick
Description du projet
Nous envisageons un avenir où il sera possible de porter la même attention à des plantes individuelles dans une grande ferme des Prairies qu’à un plant de légumes de notre potager. Alors que les capteurs des appareils photo poursuivent leur miniaturisation et que les véhicules autonomes continuent d’évoluer, une telle idée n’est plus du domaine de la science-fiction. Toutefois, la pièce manquante du puzzle est la nécessité de disposer d’un très grand nombre d’images pré-étiquetées de plantes cultivées et de mauvaises herbes qui permettraient à un ordinateur de savoir les différencier. Notre projet de recherche vise à développer les moyens de générer et d’étiqueter automatiquement ces images et à rendre les ensembles de données résultants accessibles aux chercheurs et aux entreprises canadiennes. Cette approche mettra la pièce manquante du puzzle entre les mains d’un plus grand nombre d’innovateurs, ce qui mènera au développement plus rapide de nouvelles solutions en matière de production alimentaire mondiale.
Pertinence en matière d’innovation alimentaire
En s’attaquant aux aspects fondamentaux de ce problème, notre travail nous aidera à stimuler de nombreuses innovations en matière de production alimentaire, lesquelles sont nécessaires pour une population en croissance dans un monde où les ressources sont en baisse. Par exemple, des véhicules autonomes équipés de capteurs d’imagerie et d’un logiciel de reconnaissance de plantes pourraient fonctionner jour et nuit, inspecter des centaines d’hectares de terres agricoles une plante à la fois, surveiller la santé des cultures, dépister les mauvaises herbes, les parasites et les maladies, et prendre des mesures pour améliorer les conditions de croissance et réduire les menaces. Cela augmenterait grandement le rendement des récoltes et réduirait l’utilisation d’herbicides et de pesticides.
Résultat anticipé
Notre résultat anticipé se décline en cinq volets : (1) le développement de méthodes pour générer et étiqueter automatiquement des images de plantes cultivées et de mauvaises herbes; (2) le développement d’un logiciel de reconnaissance de plantes à l’aide de ces ensembles de données d’images; (3) le partage en source libre de nos méthodes, de nos ensembles de données et de notre logiciel; (4) l’exploration d’autres technologies de capteurs; et (5) la mise à l’essai de nos logiciels sur le terrain à l’aide de véhicules autonomes.
[Retour]
