Vous êtes sur la page 1sur 18

- Type de document 

: Article de review.

- Titre : Mise en œuvre de l’intelligence artificielle en agriculture pour l’optimisation de l’irrigation


et l’application de pesticides et d’herbicides.

-Résumé : L’agriculture joue un rôle important dans le secteur économique. L’automatisation dans
l’agriculture est la principale préoccupation et le sujet émergent à travers le monde. La population
augmente énormément et, avec cette augmentation, la demande de nourriture et d’emploi augmente
également. Les méthodes traditionnelles utilisées par les agriculteurs n’étaient pas suffisantes pour
satisfaire à ces exigences. Ainsi, de nouvelles méthodes automatisées ont été introduites. Ces
nouvelles méthodes satisfaisaient les besoins alimentaires et offraient également des possibilités
d’emploi à des milliards de personnes. Cette technologie a protégé le rendement des cultures de divers
facteurs tels que les changements climatiques, la croissance démographique, les problèmes d’emploi et
les problèmes de sécurité alimentaire. Cette préoccupation principale de ce document est de vérifier
les diverses applications de l’intelligence sociale dans l’agriculture telles que l’irrigation, le
désherbage, la pulvérisation à l’aide de capteurs et d’autres moyens intégrés dans les robots et les
drones. Ces technologies économisent l’utilisation excessive de l’eau, des pesticides, des herbicides,
maintiennent la fertilité du sol, aident également à l’utilisation efficient de la force humaine et
augmentent la productivité et améliorent la qualité. Cet article examine le travail de nombreux
chercheurs pour obtenir un bref aperçu de la mise en œuvre actuelle de l’automatisation dans
l’agriculture, les systèmes de désherbage à travers les robots et les drones. Les différentes méthodes de
détection de l’eau du sol sont discutées avec deux techniques de désherbage automatisées.
Introduction :

La population mondiale devrait atteindre près de 10 milliards d’habitants d’ici 2050, ce qui stimulera
l’ordre agricole, dans une situation d’humble développement financier de l’ordre de 50 % par rapport à
2013 (FAO, 2017). À l’heure actuelle, environ 37,7 % de la surface totale des terres sont utilisés pour
la production végétale. De la création d’emplois à la contribution au revenu national, l’agriculture est
importante. Il contribue pour une part importante à la prospérité économique des pays développés et
joue également un rôle actif dans l’économie des pays en développement. L’augmentation de
l’agriculture a entraîné une augmentation importante du revenu par habitant de la collectivité rurale.
Par conséquent, il sera rationnel et pertinent de mettre davantage l’accent sur le secteur agricole. Pour
des pays comme l’Inde, le secteur agricole représente 18 % du PIB et fournit de l’emploi à 50 % de la
main-d’œuvre du pays. Le développement dans le secteur agricole stimulera le développement rural,
ce qui mènera à une transformation rurale et aboutira à la transformation structurelle (Mogili et
Deepak, 2018; Shah et al., 2019). Avec l’avènement de la technologie, on a observé une
transformation spectaculaire dans de nombreuses industries à travers le monde (Kakkad et coll., 2019).
Étonnamment, l’agriculture, bien qu’elle soit la moins numérisée, a le potentiel de créer et de
commercialiser des technologies agricoles. L’intelligence artificielle (IA) a commencé à jouer un rôle
majeur dans la vie quotidienne, élargissant nos perceptions et notre capacité à tomodifier
l’environnement qui nous entoure (Kundalia et coll., 2020; Gandhi et coll., 2020; Ahir et coll., 2020).
Plessen (2019) a présenté une méthode de planification de la récolte basée sur le couplage de
l’affectation des cultures avec l’acheminement des véhicules. Avec ces technologies émergentes, la
main-d’œuvre qui n’était limitée qu’à un nombre minimal de secteurs industriels contribue maintenant
à de nombreux secteurs. L’IA repose sur de vastes domaines comme la biologie, la linguistique,
l’informatique, les mathématiques, la psychologie et l’ingénierie. Jha et al. (2019) un bref aperçu de la
mise en œuvre actuelle de l’automatisation agricole. Le document traite également d’un système
proposé pour l’identification et l’arrosage des fleurs et des feuilles à l’aide de l’IOT à mettre en œuvre
dans la ferme botanique (Patel et coll., 2020; Albaji et coll., 2010). Le concept de base de l’IA pour
développer une technologie qui fonctionne comme un cerveau humain (Parekh et al., 2020; Jani et al.,
2019) Cette technologie est réalisée en étudiant comment le cerveau humain pense, comment les
humains apprennent, prennent des décisions et travaillent tout en résolvant un problème, et sur ce
terrain des logiciels et des systèmes intelligents sont développés. Ces logiciels sont alimentés avec des
données d’entraînement et de plus ces dispositifs intelligents nous fournissent la sortie désirée pour
chaque entrée valide, tout comme le cerveau humain. De vastes domaines, dont l’apprentissage
automatique et l’apprentissage en profondeur, font partie intégrante de l’IA (Patel et coll., 2020a,
2020b; Pandya et coll., 2019; Sukhadia et coll., 2020). Alors que l’IA est la science de la fabrication
de machines et de programmes intelligents, ML est la capacité d’apprendre quelque chose qui n’est
pas explicitement programmé et DL est l’apprentissage des réseaux neuronaux profonds (Kodali et
Sahu, 2016; Kulkarni et Deshmukh, 2013). La principale subjectivité de l’IA consiste à faciliter la
résolution de problèmes, ce qui peut inclure l’utilisation de l’ANN (Shah et coll., 2020a, 2020b). ANN
est un algorithme de traitement ou un matériel dont le fonctionnement est inspiré par la conception et
le fonctionnement d’un cerveau humain (Shah et al., 2020a, 2020b). Les réseaux neuronaux ont une
capacité remarquable d’auto-organisation et d’apprentissage adaptatif. Il a remplacé de nombreuses
méthodes traditionnelles dans de nombreux domaines tels que l’informatique, les mathématiques, la
physique, l’ingénierie de traitement d’image/signal, l’économie / la finance, la philosophie, la
linguistique, la neurologie. ANN subit le processus d’apprentissage. L’apprentissage est le processus
d’adaptation du changement en soi au fur et à mesure qu’il y a un changement dans l’environnement.
Il existe deux techniques d’apprentissage : l’apprentissage supervisé et l’apprentissage non supervisé.
Le travail de Jha et al., 2019, englobe les relations connectées entre les différents systèmes embarqués
et la technologie de l’IA cohérente avec le domaine agricole, il a donné un bref sur les diverses
applications des réseaux neuronaux, ML dans ce secteur pour l’agriculture de précision (Yang et al.,
2007). L’IA est une technologie émergente dans le domaine de l’agriculture. Les équipements et les
machines basés sur l’intelligence artificielle ont amené le système agricole d’aujourd’hui à un niveau
différent. Cette technologie a amélioré la production agricole et amélioré la surveillance, la récolte, la
transformation et la commercialisation en temps réel (Yanh et coll., 2007). Les dernières technologies
de systèmes automatisés utilisant des robots agricoles et des drones ont apporté une contribution
considérable dans le secteur agro-industriel. Divers systèmes informatiques de pointe sont conçus pour
déterminer divers paramètres importants comme la détection des mauvaises herbes, la détection du
rendement et la qualité des cultures et de nombreuses autres techniques (Liakos et coll., 2018). Ce
document couvre les technologies utilisées pour l’irrigation automatisée, le désherbage et la
pulvérisation afin d’améliorer la productivité et de réduire la charge de travail des agriculteurs.
Diverses techniques de détection automatisée des sols sont abordées (Wall et King, 2004). Hemalatha
et Sujatha (2015) ont réuni des capteurs de température et d’humidité pour fermer les trous de boucle
des prévisions du véhicule. Les robots utilisés dans la détection ont été localisés par des modules
GPSet l’emplacement de ces robots a été suivi à l’aide des cartes Google. Les données des robots ont
été récupérées via le protocole sans fil Zigbee. Les relevés étaient affichés sur l’écran LCD 16 2 qui
était intégré au microcontrôleur LPC2148. Les dernières techniques de désherbage automatique sont
discutées et la mise en œuvre de drones pour la pulvérisation dans les champs est discutée suivie par
les types de pulvérisateurs utilisés sur les UAV. Les discussions sur les drones, la cartographie des
rendements et la surveillance commencent par un aperçu des processus de cartographie des
rendements suivis de la programmation du logiciel et d’un briefing sur le calcul ainsi que sur le
processus d’étalonnage. Enfin, le traitement de ces cartes de rendement est éclairé.
I. Impact de l'IA sur l'agriculture

Les technologies basées sur l’IA contribuent à améliorer l’efficacité dans tous les champs et à relever
les défis auxquels sont confrontées diverses industries, y compris les différents champs du secteur
agricole, tels que le rendement des cultures, l’irrigation, la détection du contenu des sols, le suivi des
cultures, le désherbage, établissement de cultures (Kim et coll., 2008). Les robots agricoles sont
construits afin de fournir une application très appréciée de l’IA dans le secteur mentionné. Alors que la
population mondiale monte en flèche, le secteur agricole est confronté à une crise, mais l’IA a le
potentiel de fournir une solution indispensable. Les solutions technologiques fondées sur l’IA ont
permis aux agriculteurs de produire plus de produits avec moins d’intrants et même d’améliorer la
qualité de la production, ce qui a également permis d’accélérer la commercialisation des cultures
produites. D’ici 2020, les agriculteurs utiliseront 75 millions d’appareils connectés. D’ici 2050,
l’exploitation moyenne devrait générer en moyenne 4,1 millions de données par jour. Les différentes
contributions de l’IA dans le secteur agricole sont les suivantes :

1. Reconnaissance et perception d'image :

Lee et al. (2017) ont déclaré qu’au cours des dernières années, on a constaté un intérêt croissant pour
les UAV autonomes et leurs applications, y compris la reconnaissance et la surveillance, la détection
du corps humain et la géolocalisation, la recherche et le sauvetage, la détection des incendies de forêt.
(Bhaskaranand et Gibson, 2011; Doherty et Rudol, 2007; Tomic et coll., 2012; Merino et coll., 2006).
En raison de leur polyvalence ainsi que de la technologie d’imagerie étonnante qui couvre de la
livraison à la photographie, la possibilité d’être piloté avec une télécommande et les dispositifs étant
habiles dans l’air qui nous permet de faire beaucoup avec ces dispositifs, Les drones ou UAV sont de
plus en plus populaires pour atteindre de grandes hauteurs et distances et réaliser plusieurs
applications.

2. Compétences et main-d'œuvre

Panpatte (2018) a déclaré que l’intelligence artificielle permet aux agriculteurs de rassembler une
grande quantité de données provenant du gouvernement ainsi que des sites Web publics, analyser tout
cela et fournir aux agriculteurs des solutions à de nombreuses questions ambiguës ainsi que nous
fournir un moyen plus intelligent de l’irrigation qui se traduit par un rendement plus élevé pour les
agriculteurs. En raison de l’intelligence artificielle, l’agriculture se révélera être un mélange de
compétences technologiques et biologiques dans un avenir proche, ce qui permettra non seulement
d’obtenir de meilleurs résultats en matière de qualité pour tous les agriculteurs, mais aussi de réduire
au minimum leurs pertes et leur charge de travail. Selon l’ONU, d’ici 2050, les 2/3 de la population
mondiale vivront dans des zones urbaines, ce qui nécessite d’alléger le fardeau des agriculteurs. L’IA
dans l’agriculture peut être appliquée de manière à automatiser plusieurs processus, à réduire les
risques et à fournir aux agriculteurs une agriculture relativement facile et efficace.
3. Maximisez la sortie

Ferguson et al. (1991) ont déclaré dans son wok que la sélection des variétés et la qualité des semences
fixent le niveau de rendement maximal pour tous les végétaux. Les technologies émergentes ont aidé à
la meilleure sélection des cultures et ont même amélioré la sélection des semences hybrides qui
conviennent le mieux aux besoins des agriculteurs. Il a mis en œuvre en comprenant comment les
graines réagissent aux diverses conditions météorologiques, aux différents types de sols. En recueillant
cette information, les risques de maladies végétales sont réduits. Nous sommes maintenant en mesure
de répondre aux tendances du marché, aux résultats annuels et aux besoins des consommateurs, ce qui
permet aux agriculteurs de maximiser efficacement le rendement des cultures.

4. Chatbots pour les agriculteurs

Les chatbots ne sont rien d’autre que les assistants virtuels conversationnels qui automatisent les
interactions avec les utilisateurs finaux. L’intelligence artificielle alimentée chatbots, alongwith
machine learning techniques nous a permis de comprendre le langage naturel et interagir avec les
utilisateurs de manière plus personnalisée. Ils sont principalement équipés pour le commerce de détail,
les voyages, les médias et l’agriculture.

II. Robots dans l'agriculture

La robotique et les systèmes autonomes (SAR) sont introduits dans de grands secteurs de l’économie
dont la productivité est relativement faible, comme l’agroalimentaire. Selon les Livres blancs de la
RAS du Royaume-Uni (2018), la chaîne agroalimentaire du Royaume-Uni, de l’agriculture primaire à
la vente au détail, génère plus de 108 milliards de livres sterling par an, et compte 3,7 salariés dans une
industrie véritablement internationale produisant 20 milliards de livres sterling d’exportations en 2016.
La robotique a joué un rôle important dans la production et la gestion agricoles. Les chercheurs ont
maintenant commencé à mettre l’accent sur les technologies de conception d’outils agricoles
autonomes, car les machines agricoles conventionnelles manquaient d’efficacité (Dursun et Ozden,
2011). L’objectif principal de cette technologie est de remplacer le travail humain et de produire des
avantages efficaces sur les productions de petite et grande échelle (Manivannan et Priyadharshini,
2016). Dans ce secteur, la place des technologies robotiques a considérablement augmenté la
productivité (Pedersen et al., 2008). Les robots effectuent diverses opérations agricoles de manière
autonome, telles que le désherbage, l’irrigation, la garde des fermes pour fournir des rapports
efficaces, en veillant à ce que les conditions environnementales défavorables n’affectent pas la
production, augmenter la précision, et gérer les plantes individuelles de différentes façons inconnues.

L’idée de mettre au point une telle technologie est venue avec l’introduction d’une machine appelée
EliWhitney’s cotton gin. Il a été inventé en 1794 par l’inventeur américain Eli Whitney (1765-1825),
un dispositif qui a révolutionné la production de coton en accélérant considérablement le processus
d’extraction des graines à partir de la fibre de coton, créant 50 livres de coton en une journée. C’est
ainsi que naquirent les robots agricoles autonomes. Un modèle automatisé de base a été introduit pour
déterminer la position réelle des semences (Griepentrog et coll., 2005). Un placement ultra-précis des
graines a également été établi. Mécanismes qui garantissent que les semences plantées ont une vitesse
nulle au sol (Griepentrog et al., 2005). Ceci est important car il garantit que la graine ne rebondit pas
de sa position réelle après l’impact du sol. L’état ou le développement de l’installation a été enregistré
par des machines automatisées. Divers biocapteurs ont été établis pour surveiller la croissance de la
plante et aussi pour détecter les maladies des plantes (Tothill, 2001). Le processus de désherbage
manuel a été remplacé par la technologie de désherbage laser, où une lumière infrarouge focalisée
mobile perturbe les cellules des mauvaises herbes, ce faisceau a été contrôlé par des ordinateurs
(Griepentrog et al., 2006). Pour une utilisation efficace de l’eau, des systèmes d’irrigation automatisés
ont également été mis en place.

1. Irrigation

Le secteur agricole consomme 85 % des ressources en eau douce disponibles dans le monde. Et ce
pourcentage augmente rapidement avec la croissance démographique et l’augmentation de la demande
alimentaire. Il nous faut donc trouver des technologies plus efficaces pour assurer une utilisation
appropriée des ressources en eau pour l’irrigation. L’irrigation annuelle, qui reposait sur la mesure de
la pollution par l’eau, a été remplacée par des techniques de programmation automatique de
l’irrigation. L’évapotranspiration de la plante qui dépendait de divers paramètres atmosphériques tels
que l’humidité, la vitesse du vent, les radiations solaires et même les facteurs de culture tels que le
stade de croissance, la densité des plantes, les propriétés du sol, et les parasites ont été pris en
considération lors de la mise en place de machines d’irrigation autonomes. Kumar (2014) discute des
différentes méthodes d’irrigation avec la principale motivation de développer un système avec une
utilisation réduite des ressources et une efficacité accrue. Des dispositifs comme l’indicateur de
fertilité et l’indicateur de pH sont installés sur le terrain pour déterminer la fertilité du sol en détectant
le pourcentage des ingrédients primaires du sol comme le potassium, le phosphore, l’azote. Les
irrigateurs automatiques de plantes sont plantés sur le terrain grâce à la technologie sans fil pour
l’irrigation goutte à goutte. Cette méthode assure la fertilité du sol et l’utilisation efficace des
ressources en eau. La technologie de l’irrigation intelligente est développée pour augmenter la
production sans la participation d’un grand nombre de personnes en détectant le niveau de l’eau, la
température du sol, la teneur en nutriments et les prévisions météorologiques. L’actionnement est
effectué conformément au microcontrôleur en allumant la pompe d’irrigation ON/OF. Le M2M qui
est, la technologie de machine à machine est développée pour faciliter la communication et le partage
de données entre les uns les autres et au serveur ou le nuage par le réseau principal entre tous les
noeuds du champ agricole (Shekhar et al., 2017). Ils (2017) ont développé un modèle robotisé
automatisé pour la détection de la teneur en humidité et de la température de l’Arduino et du
Raspberry pi3. Les données sont détectées à intervalles réguliers et sont envoyées au microcontrôleur
d’Arduino (qui a un matériel de bord connecté à lui), il convertit en outre l’analogique d’entrée au
numérique. Le signal est envoyé au Raspberry pi3 (intégré avec l’algorithme KNN) et il envoie le
signal à Arduino pour démarrer la source d’eau pour l’irrigation. L’eau sera fournie par la ressource en
fonction des besoins et elle mettra également à jour et stockera les valeurs du capteur. Jha et al. (2019)
ont également développé un système d’irrigation automatisé avec la technologie d’Arduino pour
réduire la consommation d’énergie et de temps dans le processus d’irrigation. Savitha et
UmaMaheshwari (2018) ont également développé l’idée d’un système d’irrigation efficace et
automatisé en développant des capteurs à distance utilisant la technologie d’Arduino qui peuvent
augmenter la production jusqu’à 40%. Un autre système d’irrigation automatisée a été donné par
Varatharajalu et Ramprabu (2018). Dans cette approche, différents capteurs ont été construits à des
fins différentes comme le capteur d’humidité du sol pour détecter la teneur en humidité du sol, le
capteur de température pour détecter la température, le capteur de régulateur de pression pour
maintenir la pression et le capteur moléculaire pour une meilleure croissance des cultures.
L’installation d’appareils photo numériques. La sortie de tous ces appareils est convertie en signal
numérique et est envoyée au multiplexeur via un réseau sans fil tel que Zigbee et hotspot. La première
technique a été le procédé d’irrigation par goutte-à-goutte sous la surface, qui a permis de réduire au
minimum les pertes d’eau dues à l’évaporation et au ruissellement, puisqu’il est directement enfoui
sous la culture. Plus tard, des chercheurs sont venus avec différents capteurs qui ont été utilisés pour
détecter le besoin d’approvisionnement en eau dans les champs comme capteur d’humidité du sol et
capteur de pluie, qui ont été instruits par le réseau à large bande sans fil et alimentés par des panneaux
solaires. Le capteur de pluie et le capteur d’humidité du sol informent l’agriculteur de la teneur en
humidité du sol par SMS dans son téléphone portable à l’aide du module GSM. En conséquence,
l’agriculteur peut donner des commandes par SMS à ON et OFF l’approvisionnement en eau. Ainsi,
nous pouvons considérer que ce système détectera une partie ou une zone dans les champs qui a
besoin de plus d’eau et pourrait empêcher l’agriculteur d’arroser quand il pleut. Les capteurs
d’humidité du sol utilisent l’une des nombreuses technologies utilisées pour mesurer la teneur en
humidité du sol. Il est enfoui près des zones racinaires des cultures (Dukes et al., 2009). Les capteurs
aident à déterminer avec précision le niveau d’humidité et transmettent cette lecture au contrôleur pour
l’irrigation. Les capteurs d’humidité du sol aident aussi à conserver de façon importante l’eau (Quails
et al., 2001). Une technique de capteurs d’humidité est l’irrigation à la demande dans laquelle nous
fixons le seuil en fonction de la capacité de champ du sol et ces capteurs permettent à votre contrôleur
d’arroser uniquement lorsque cela est nécessaire. Lorsque l’heure prévue arrive, le capteur lit la teneur
en humidité ou le niveau pour cette zone particulière, et l’arrosage ne sera autorisé dans cette zone que
si la teneur en humidité est inférieure au seuil. L’autre était l’irrigation à cycle suspendu qui nécessite
une durée d’irrigation contrairement à l’irrigation à la demande. Elle nécessite l’heure de départ et la
durée de chaque zone (Yong et al., 2018).
a) Méthode diélectrique
L’humidité dans le sol est calculée par les capteurs qui évaluent essentiellement la teneur en humidité
du sol sur la base de la constante diélectrique (perméabilité de la masse du sol) du sol. La quantité
d’irrigation nécessaire peut également être déterminée sur la base de la constante diélectrique
(Gebregiorgis et Savage, 2006). Kuyper et Balendonck (2001) proposent un système automatisé qui
utilise des capteurs diélectriques d’humidité du sol pour contrôler l’irrigation en temps réel. La
méthode de mesure fondée sur les propriétés diélectriques est considérée comme la plus prometteuse
(Zhen et coll., 2010). Hanson et al. (2000) ont donné de l’information sur la façon dont les types de sol
influent sur la précision des capteurs d’humidité diélectriques. la stabilité diélectrique n’est que la
capacité du sol à transférer de l’énergie ou de l’électricité. Le sol est composé de diverses parties
comme les minéraux, l’air et l’eau, par la suite l’estimation de sa consistance diélectrique est
déterminée par l’engagement général de chacun de ces segments. Étant donné que l’estimation de la
valeur diélectrique de l’eau (Kaw = 81) est beaucoup plus grande que l’estimation de cette constante
pour les autres parties du sol, la valeur estimée de la permittivité est principalement représentée par la
proximité de l’humidité dans le sol. Une méthode pour calculer la relation entre la constante
diélectrique (Kab) et l’humidité volumétrique du sol (VWC) est par l’équation suivante  :

L’autre méthode utilisée pour déterminer la constante diélectrique est la par réflectométrie de domaine
de temps (TDR). Elle est déterminée sur la base du temps pris par une onde électromagnétique pour se
propager le long d’une ligne de transmission qui est entourée par le sol. Comme nous le savons
probablement, la vitesse de propagation (V) est un élément de la constante diélectrique (Kab), elle
correspond donc légitimement au carré du temps de transmission (t en un éclair) descendant et
revenant le long de la ligne de transmission :

où c est la vitesse des ondes électromagnétiques dans le vide (3 · 108 m / s ou 186 282 mile / s) et L
est la longueur de la TL dans le sol (en m ou ft).

b) Modération neutronique

C’est une autre technique pour déterminer la humidité en la teneur du sol. Dans cette stratégie, les
neutrons rapides sont lancés à partir d’une source radio dynamique en décomposition comme
241Am/9Be (Long et français, 1967) et lorsque ces neutrons se transforment en particules ayant une
masse similaire à la leur (protons, H+), ils ralentissent drastiquement, faisant un «  nuage » de
« thermalisé » neutrons. Comme nous savons déjà que l’eau est la source primaire d’hydrogène dans le
sol, l’épaisseur des neutrons thermalisés autour de l’essai correspond à peu près à la division de l’eau
présente dans le sol. La disposition de l’essai est comme une chambre longue et limitée, comprenant
une source et un chercheur. Les estimations sont prises dans ce test en introduisant le test dans un tube
d’entrée, qui est maintenant présenté dans le sol. On peut décider de la quantité d’humidité du sol à
diverses profondeurs en équilibrant l’essai dans le cylindre à diverses profondeurs. La substance
d’humidité est obtenue avec l’aide de ce gadget en fonction d’un alignement direct entre le rythme de
contrôle des neutrons thermalisés lu à partir de l’essai, et la substance d’humidité du sol obtenu à partir
d’essais sur le terrain adjacents. L’installation de capteurs joue un rôle important dans la mise en
œuvre efficace de la robotique d’irrigation. On peut utiliser un seul capteur pour contrôler l’irrigation
de plusieurs zones dans les champs. Et on peut aussi régler plusieurs capteurs pour irriguer des zones
individuelles. Dans le premier cas où un capteur est utilisé pour irriguer plusieurs zones, le capteur se
trouve dans la zone qui est la plus sèche de toutes ou nous pouvons dire la zone qui nécessite une
irrigation maximale afin d’assurer une irrigation adéquate dans l’ensemble du champ. Les capteurs
doivent être placés dans la zone racinaire des cultures (en veillant à ce qu’il n’y ait pas de vide d’air
autour du capteur) à partir de laquelle les cultures extraient l’eau. Cela permettra d’assurer un
approvisionnement adéquat en eau pour les cultures. Plus tard, nous devons connecter le contrôleur
SMS avec le capteur. Le contrôleur contrôlera le fonctionnement après la réponse du capteur. Après
avoir effectué cette connexion, le seuil d’eau du sol doit être sélectionné. L’eau est appliquée à la zone
où le capteur est enterré et laissé tel quel pendant une journée. La teneur en eau est aujourd’hui le seuil
pour le capteur pour l’irrigation programmée comme décrit précédemment. Après avoir récupéré les
données à travers les capteurs, les microcontrôleurs entrent en fonction. C’est le composant principal
de l’ensemble du processus d’irrigation automatisé. L’ensemble du circuit est alimenté jusqu’à 5 V à
l’aide d’un transformateur, d’un circuit redresseur de pont (qui fait partie des alimentations
électroniques qui rectifient l’entrée CA à la sortie CC) et d’un régulateur de tension. Ensuite, le
microcontrôleur est programmé. Le microcontrôleur reçoit les signaux des capteurs. L’OP-AMP sert
d’interface entre les capteurs et le microcontrôleur pour transférer les conditions de sol détectées. Les
pompes d’irrigation fonctionnent ainsi sur la base de l’information sur les propriétés du sol au cours de
l’exploitation (fig. 1). Le processus d’irrigation peut donc être automatisé à l’aide de capteurs
d’humidité et de microcontrôleurs (Rajpal et al., 2011). (Voir le tableau 1.)
2. Désherbage

Dans son rapport intitulé « A History of Weed Science in the United States », Zimdahl (2010) a parlé
de Thomas K. Pavlychenko, un pionnier de l’expérimentation des mauvaises herbes, qui a réalisé une
étude sur la concurrence entre les plantes. Après ses recherches détaillées sur le même, il est arrivé à la
conclusion que la concurrence entre les plantes pour l’eau commence lorsque leurs racines dans le sol
se chevauchent pour absorber l’eau et les nutriments et les mauvaises herbes étaient les plus forts
concurrents pour l’eau. Les besoins en eau des parties aériennes de plante correspondent au nombre de
livres d’eau utilisé pour produire une livre de matière sèche. La moutarde sauvage (Brassica kaber var.
pinnatifida) a besoin de quatre fois plus d’eau qu’une avoine bien développée, et l’ambroisie
commune (Ambrosia artemisiifol ia) a besoin de trois fois plus d’eau qu’une plante de maïs pour être
cultivée. On peut calculer les besoins en eau par acre en multipliant la production de l’usine en livres
de matière sèche par acre par les besoins en eau de plante. Les besoins en eau des parties aériennes de
l’usine correspondent au nombre de livres d’eau utilisé pour produire une livre de matière sèche. La
moutarde sauvage (Brassica kaber var. pinnatifida) a besoin de quatre fois plus d’eau qu’une avoine
bien développée, et l’ambroisie commune (Ambrosia artemisiifol ia) a besoin de trois fois plus d’eau
qu’une plante de maïs pour être cultivée. On peut calculer les besoins en eau par acre en multipliant la
production de l’usine en livres de matière sèche par acre par les besoins en eau de l’usine. La lumière
est également un composant essentiel pour la croissance des plantes. Les mauvaises herbes qui
poussent bloquent généralement la lumière vers les plantes. Certaines espèces comme la sétaire verte
et l’amarante à racines rouges sont intolérantes à l’ombre, mais les mauvaises herbes comme
l’amarante des champs, l’aubépine tachetée de l’asclépiade commune et le rosier de l’Arkansas
tolèrent parfois l’ombre. Selon une étude réalisée par des chercheurs du Conseil indien pour la
recherche agricole, le pays de l’Inde perd des produits agricoles d’une valeur de plus de 11 milliards
de dollars, soit plus que l’allocation budgétaire du Centre pour l’agriculture pour 2017-2018 chaque
année en raison des mauvaises herbes. Il est donc très important d’éliminer ces mauvaises herbes de
champs, sinon elles n’occuperont pas seulement l’espace terrestre, mais elles nuiront aussi à la
croissance d’autres plantes (Bak et Jakobsen, 2003). Lie Tang et al. (2000) ont présenté une
technologie de détection de la lumière naturelle fondée sur la vision. Il a été créé en utilisant le calcul
héréditaire distinguant une locale dans l’espace d’ombrage Hue-Saturation-Intensité (HSI) (GAHSI)
pour la détection des mauvaises herbes en plein air. Il utilise des conditions scandaleuses comme
radiant et ombragé et ces conditions de foudre ont été mosaicked pour découvrir la probabilité
d’utiliser GAHSI pour trouver la ou les zones dans le champ dans l’espace ombragé lorsque ces deux
limites sont affichées en même temps. Ils sont venus donné par la GAHSI a donné la preuve de la
présence et la divisibilité d’un tel local. L’exécution de GAHSI a été estimée en contrastant l’image
GAHSI-portionnée et une image de référence de comparaison en coupe à la main. En cela, les SAGIS
ont atteint des performances équivalentes. Avant de mettre au point un système automatisé de contrôle
redouté, nous devons faire la distinction entre les semis et les mauvaises herbes (Bhagyalaxmi et coll.,
2016; Chang et Lin, 2018). Amethodwas a demandé la reconnaissance des plantules de carotte de ceux
de l’ivraie. Aitkenhead et al. (2003) ont mis en œuvre cette méthode par la simple mesure des
caractéristiques morphologiques de la forme des feuilles. Cette méthode a une efficacité variable,
principalement entre 52 et 75% pour la discrimination entre les plantes et les mauvaises herbes, en
déterminant la variation de la taille de la feuille. Une autre méthode de désherbage a été mise en œuvre
à l'aide de l'imagerie numérique. Cette idée impliquait un réseau neuronal auto-organisé. Mais cette
méthode n'a pas donné les résultats appropriés qui étaient attendus à des fins commerciales, il a été
constaté qu'une technologie basée sur NN existait déjà qui permet de trouver les différences entre les
espèces avec une précision supérieure à 75%. Dans le monde contemporain, de nombreux systèmes
automatisés sont mis au point (voir tableau 2), mais auparavant diverses méthodes physiques étaient
utilisées, qui reposaient sur l’interaction physique avec les mauvaises herbes. Nørremark et
Griepentrog (2004) ont proposé que le désherbage dépende de la position et du nombre de mauvaises
herbes. Les dents classiques de pied de printemps ou de canard ont été utilisées pour effectuer le
désherbage intraligne en brisant le sol et l’interface des racines par le travail du sol et ainsi favoriser
l’witling des mauvaises herbes. Mais cette méthode n’est pas recommandée car le travail du sol peut
détruire l’interface entre la culture et le sol. Ainsi, aucune autre méthode de contact comme les
traitements au laser (Heisel et al., 2001) et la micro-pulvérisation, qui n’affectent pas le contact entre
les racines et le sol a été développée. Nakai et Yamada (2014) ont expliqué la méthode d’utilisation
des robots agricoles pour la suppression des mauvaises herbes et le développement de méthodes de
contrôle des postures des robots en cas de champs inégaux dans la culture du riz. Il a utilisé la méthode
de champ de tir laser (LRF) pour supprimer les mauvaises herbes et contrôler la posture du robot.
Åstrand et Baerveldt (2002) ont présenté un système robotisé de lutte contre les mauvaises herbes. Le
robot était intégré à différents systèmes de vision. L’un était la vision de niveau gris qui a été utilisé
dans le développement d’une structure de ligne afin de guider le robot le long des lignes et l’autre
vision était basée sur la couleur qui était le plus important et utilisé pour différencier un seul parmi les
mauvaises herbes. Le système de reconnaissance des rangs a été développé avec un nouvel algorithme
avec une précision de 2 cm. Le premier essai de ce système a été mis en œuvre dans une serre pour la
lutte contre les mauvaises herbes dans une rangée de cultures. La même technologie a été mentionnée
dans la recherche effectuée par Fennimore et al. (2016). Les technologies basées sur la vision qui ont
été utilisées pour guider les robots le long de la structure du rang pour éliminer les mauvaises herbes et
pour différencier la seule culture parmi les plantes de mauvaises herbes. Les différents systèmes de
désherbage sont :

a) À base chimique :

Dans cette technologie, le système se composait de 8 buses à l’arrière qui étaient utilisées pour
pulvériser des herbicides. L’ensemble du système a divisé les images capturées en 8 x 18 petits
rectangles ou on peut dire des blocs, chacun de ces blocs couvrait une superficie de 8128 sq. mm. Plus
tard, chaque rangée composée de ces blocs correspondant au nombre de buses a été examinée et traitée
l’une après l’autre. Après examen des blocs, chaque boîte contenant des mauvaises herbes est
pulvérisée. On peut également diviser les images en 16x40 blocs, dans ce cas chaque bloc couvre une
surface d’environ 8768 mm². Ainsi, dans ce cas, nous avons besoin de 16 buses au lieu de 8. Le
traitement ultérieur, c’est-à-dire la tâche de pulvérisation a été effectuée sur la base des conditions
mentionnées. Les conditions sont les suivantes :

o 1- Si le bloc examiné est composé de pixels de mauvaises herbes dépassant 10 % de


la superficie totale du bloc, il est classé dans un bloc de mauvaises herbes.
o 2- Tous les blocs examinés sont pulvérisés d’herbicides.
o 3- Après ces deux conditions, les mauvaises herbes dont la superficie est égale ou
supérieure à 30 % sont censées être détruites.
o 4- L’herbicide pulvérisé selon cette méthode est un herbicide sélectif qui ne détruit
que les mauvaises herbes et non les autres plantes.
Les deux premières conditions mentionnées ci-dessus définissent l’endroit où les herbicides doivent
être pulvérisés, c’est-à-dire les zones qui doivent être pulvérisées. La première condition mentionnée
réduit les zones qui contiennent très peu de mauvaises herbes et qui ne nécessitent pas de
pulvérisation. C’est un élément important du désherbage. Pour détruire les mauvaises herbes, toutes
les parties des mauvaises herbes ne nécessitent pas de pulvérisation, mais seulement pulvériser
suffisamment de zones est important que lorsque la pulvérisation est effectuée sur une partie des
mauvaises herbes, il est absorbé par différentes parties des mauvaises herbes finalement détruire les
mauvaises herbes.

Ici NK est le nombre de mauvaises herbes tuées, NW est le nombre total de mauvaises herbes dans le
bloc, NCSB est le nombre de blocs de mauvaises herbes pulvérisés, NFSB est le nombre de blocs
pulvérisés sans mauvaises herbes, NSB est le nombre total de blocs pulvérisés et NB est le nombre
total de blocs examinés.

b) Méthode de décharge haute tension par impulsions

La volonté de mettre en œuvre des méthodes de désherbage non chimique augmente à mesure que la
pression pour réduire les coûts des produits chimiques sur l’environnement et l’agriculture augmente.
L’intérêt pour l’agriculture biologique a également suscité un intérêt croissant pour la lutte contre les
mauvaises herbes non chimiques (Bond et Grundy, 2001). Des méthodes non chimiques de lutte contre
les mauvaises herbes ont été étudiées (Parish, 1990) et comprennent des méthodes mécaniques,
électriques et biologiques. La méthode de décharge haute tension par impulsions est l’une de ces
méthodes non chimiques de lutte contre les mauvaises herbes qui a été mise en œuvre principalement
pour détruire les petites mauvaises herbes. Ces petites mauvaises herbes (d’une taille approximative
d’environ 5 cm de hauteur et d’un diamètre de tige d’environ 2 mm) peuvent être détruites avec une
seule étincelle d’énergie de 153 mJ et 15 kV. Alors que les grandes mauvaises herbes (dont la taille
varie d’environ 80 cm à 120 cm de hauteur et le diamètre de la tige d’environ 10 à 15 mm) peuvent
être détruites avec une charge de 20 Hz. En raison de ces charges d’étincelles, la tige et les racines des
mauvaises herbes sont affectées négativement, conduisant ainsi à une perturbation dans le transport du
serveur aux différentes parties des mauvaises herbes. Ainsi, les mauvaises herbes flétrissent quelques
jours après l’étincelle. Dans cette méthode de désherbage, des dispositifs de décharge d’étincelles sont
installés sur le système à la place des buses dans la méthode à base chimique précédente. Ici, le
système est conçu pour appliquer des étincelles uniquement sur les zones où les mauvaises herbes sont
détectées. Une fois que les sites ayant des mauvaises herbes sont détectés, le système sélectionne des
points de mauvaises herbes pour la décharge d’étincelles, ces points de mauvaises herbes représentent
les zones de mauvaises herbes. Comme la méthode chimique décrite ci-dessus, certaines conditions
sont également définies dans cette méthode. Les conditions sont les suivantes :

1. La moyenne de toutes les coordonnées des pixels dans les images est calculée et elle est définie
comme le centre de cette région.

2. La décharge d’étincelles appliquée pour le désherbage est appliquée à ce centre.

3. Si une mauvaise herbe reçoit la décharge d’étincelles, alors cette mauvaise herbe particulière est
considérée comme détruite.

Les deux premières conditions sont établies afin de sélectionner les points de déchargement des
longerons dans les champs et la troisième condition est de définir le potentiel de destruction des
mauvaises herbes. Dans cette méthode, d’autres facteurs sont évalués avec les trois facteurs calculés
dans la méthode précédente, le taux d’étincelle correct et le taux d’étincelle faux.

Ici NCSK est le nombre de pixels de mauvaises herbes étincelés,

NFSK est le nombre de pixels étincelés sans mauvaises herbes

et NSK est le nombre total de points déclenchés.

3. Drones in agriculture

Les véhicules aéronautiques sans pilote (UAV) ou les cadres éthérés sans pilote (UAS), autrement
appelés automates, dans un environnement mécanique sont des aéronefs sans pilote qui peuvent être
commandés à distance (Mogli et Deepak, 2018). Des drones sont mis en œuvre en agriculture pour la
surveillance de la santé des cultures, la surveillance de l’équipement d’irrigation, l’identification des
mauvaises herbes, la surveillance des troupeaux et de la faune et la gestion des catastrophes.
(Veroustraete, 2015; Ahirwar et coll., 2019; Natu et Kulkarni, 2016). La télédétection avec l’utilisation
d’UAV pour la capture, le traitement et l’analyse d’images a un impact énorme sur l’agriculture.

(Abdullahi et coll., 2015). L’entreprise rurale semble avoir saisi l’innovation avec beaucoup
d’enthousiasme, en utilisant ces instruments propulsés pour changer les méthodes agricoles actuelles
(Pederi et Cheporniuk, 2015). L’estimation complète et adressable des dispositifs alimentés par
l’automatisation dans chaque industrie pertinente est cruciale – plus de 127 milliards USD, comme
l’indique une analyse PwC en cours. Ils peuvent être comparés avec un appareil photo normal simple à
utiliser pour des images indubitables, mais tandis qu’un appareil photo standard peut donner quelques
données sur le développement des plantes, l’inclusion et différentes choses, un capteur multispectral
étend l’utilité de la procédure et permet aux agriculteurs de voir des choses qui ne se trouvent pas dans
la plage perceptible, par exemple, la teneur en humidité dans le sol, la surveillance de la santé des
plantes. Ceux-ci pourraient aider à vaincre les différentes restrictions qui entravent la production
agraire. Le développement de l’UAS est intégré aux réseaux de capteurs sans fil (WSN). Les données
récupérées par le MSN permettent à l’UAS de faire progresser son utilisation, par exemple de limiter
sa pulvérisation de composés synthétiques aux régions soigneusement assignées. Étant donné qu’il y a
des changements brusques et continus dans les conditions écologiques, le cercle de contrôle doit
presque certainement réagir aussi vite qu’on peut raisonnablement s’y attendre. La réconciliation avec
WSN peut aider à cette voie (Costa et al., 2012). En agriculture de précision, les UAV s’appliquent
principalement aux opérations agricoles comme l’analyse des sols et des champs (Primicerio et coll.,
2012), la surveillance des cultures (Bendig et coll., 2012), les estimations de la hauteur des cultures
(Anthony et coll., 2014), la pulvérisation de pesticides. (Faiçal et coll., 2017; Faiçal et coll., 2014a, b,
c; Huang et coll., 2009). (Voir le tableau 4.) Cependant, leurs implémentations matérielles (Maurya,
2015) sont purement conformes sur des aspects critiques tels que le poids, la plage de vol, la charge
utile, la configuration et leurs coûts. Une recherche portant sur les technologies, les méthodes, les
systèmes et les limites des UAV est examinée (Huang et coll., 2013). Environ 250 modèles sont
analysés et résumés afin de choisir un UAV approprié en agriculture (S.R. Kurkute et coll., 2018) (voir
le tableau 3.). Le marché des drones agricoles devrait croître de plus de 38 % au cours des prochaines
années. On croit que la nécessité d’une agriculture efficace ne fera que prendre de l’importance en
raison de l’augmentation des niveaux de population et des changements climatiques (Puri et coll.,
2017).
a) Pulvérisation des cultures

L’UAVS, autrement appelé drones, sont principalement établis sur les innovations des capteurs et des
microcontrôleurs qui sont cultivés en particulier avec l’espoir de compenser la non participation du
pilote et en conséquence permettre le voyage des véhicules sans pilote et leur conduite indépendante
(Spoorthi et al., 2017). Ces drones ont été utilisés comme pulvérisateurs de substances par les
agriculteurs depuis de nombreuses années maintenant et ils sont considérés comme efficaces et de
grande importance dans les situations de climat nuageux et a également résolu le problème de
l’inaccessibilité à un champ de grandes cultures, par exemple, le maïs (Sugiura et coll., 2005; Simelli
et Tsagaris, 2015). En outre, ils sont également acceptés pour avoir une position favorable solide
contraste avec les capteurs aéroportés par satellite de haute résolution d’image (Jannoura et al., 2015;
Simelli et Tsagaris, 2015). Giles et coll., 1987, ont modernisé un pulvérisateur de plantation de
transporteurs aériens avec un cadre de contrôle de pulvérisateur à base de micro-ordinateur. Un cadre
d’estimation du volume du feuillage, en vue des transducteurs de portée ultrasonique, a été interfacé
avec un PC qui contrôlait les collecteurs à 3 buses de chaque côté du pulvérisateur par l’utilisation de
calculs de contrôle dépendant de la quantité de pulvérisation déposée. Kale et al. (2015) ont utilisé des
drones pour pulvériser des substances synthétiques sur le rendement où les drones sont réunis pour
actualiser un cercle de contrôle pour les applications horticoles. Ces drones ont été mis en œuvre avec
des capteurs transportés sur les cultures dans le champ connu sous le nom de réseaux de capteurs à
distance (WSN) qui contrôlait la façon d’appliquer les composés synthétiques. Les données récupérées
par ces capteurs à distance ont limité les drones à pulvériser les substances synthétiques uniquement
dans les régions assignées. Huang et Reddy (2015) ont construit un pulvérisateur à faible volume pour
un hélicoptère sans pilote. L’hélicoptère utilisé dans le cadre de la présente enquête a une distance
rotor principale de 3 m et une charge utile la plus extrême de 22,7 kg. Pendant 45 min, un gallon de
gaz a été impliqué. Cette technique et les résultats systématiques de cette méthodologie donnent un
précurseur qui pourrait être utilisé dans la création de cadres d’application de vol d’UAV pour des
rendements plus élevés qui a un taux cible plus élevé et une plus grande taille de gouttelettes VMD.
Xue et al. (2016) ont construit un cadre de prière en vol programmé basé sur un véhicule aéroporté
sans pilote. Le cadre utilisait un PC à échelle miniaturisée à puce unique MSP430 d’une puissance
extrêmement coordonnée et ultra-faible avec un module pratique gratuit. Ce cours autorisé a été
programmé pour coordonner l’UAV pour la pulvérisation aux zones requises ou désirées sur les
champs. La consistance des pulvérisations pour ces essais d’UAV était meilleure que l’exigence
standard pour le coefficient de variété de pulvérisation à très faible volume. Zhu et al. Zhu et al. (2010)
ont mis au point un contrôleur de pulvérisation de précision PWM pour les véhicules aériens sans
pilote. Cet article montre un autre contrôleur de modulation de largeur d’impulsion (PWM) pour le
pulvérisateur de précision de véhicule aérien sans pilote (UAV) pour l’agriculture utilisant un
modulateur de largeur de battement TL494 à récurrence fixe combiné avec une carte d’obtention
d’information et une programmation créée. Un UAV peut être télécommandé ou automatisé au moyen
de plans de vol prémodifiés. Par conséquent à cet examen, le contrôleur PWM se développe comme un
système de haute précision pour les applications de pulvérisation. Zhang et al. Zhang et al. (2015) ont
évalué la largeur d’andain puissante et la circulation des billes des cadres de douche aéronautique sur
les avions M-18B et Thrush 510G. Dans cet examen, ils ont évalué la largeur et la consistance de
l’andain puissant de la dispersion des gouttelettes de deux plans agraires, le M-18B et la Grive 510G,
qui volaient individuellement à une hauteur de 5 m et 4 m. La conséquence de cet examen est que la
taille du vol entraîne la distinction de la largeur de l’andain pour les deux avions agricoles. Le
pulvérisateur est celui qui émiette le liquide pulvérisé qui est peut-être une suspension, une émulsion
ou une réponse en petites gouttes et le lance avec une puissance négligeable pour le faire circuler de
façon appropriée (Nørremark et al., 2008). Il est en outre en charge de la ligne directrice de la mesure
des pesticides afin de maintenir une distance stratégique de l’application extrême. L’utilisation
intempestive de pesticides peut montrer inefficace ou nuisible à la saleté trop le rendement. De même,
les définitions des résidus de pesticides sont diffusées avec l’aide de dépoussiéreurs. En fonction de la
vitalité nécessaire pour atomiser et jeter le liquide de douche, les pulvérisateurs sont répartis en quatre
catégories, à savoir : le pulvérisateur d’énergie hydraulique, le pulvérisateur d’énergie gazeuse, le
pulvérisateur d’énergie centrifuge et le pulvérisateur d’énergie cinétique (fig. 2).

Vous aimerez peut-être aussi