Un système informatique visuel reposant sur l’apprentissage profond devrait contribuer à protéger les abeilles d’Europe
Le projet hivepoll, financé par l’UE, a étudié la détection en temps réel des menaces pesant sur les ruches, telles que le parasite Varroa destructor et le petit coléoptère des ruches, ainsi que les troubles liés au syndrome d’effondrement des colonies d’abeilles. Par ailleurs, en utilisant un système informatique visuel peu coûteux, les chercheurs se sont également intéressés à la quantification de la performance d’un rucher en termes de pollinisation. Sur la base de ces informations, hivepoll entend établir une nouvelle plateforme d’échange de données entre les apiculteurs et les autres acteurs du marché agricole. «En analysant la quantité et le type de pollen collecté en combinaison avec les caractéristiques de vol en temps réel, nous sommes en mesure de transformer les ruchers en capteurs biologiques innovants, avec des avantages considérables pour le marché agrotechnique, les apiculteurs et les autorités publiques», déclare Michael Brandstötter, coordinateur du projet.
Tirer parti des mégadonnées
Les données recueillies par hivepoll seront utilisées pour prévoir le rendement des cultures, ainsi que pour développer des modèles améliorés de gestion des risques de mauvaises récoltes, soit deux des plus grandes opportunités d’application des mégadonnées dans le domaine agricole. «Nous pouvons valider la faisabilité de l’analyse et de la quantification du pollen au moyen d’algorithmes de vision par ordinateur et de méthodes d’apprentissage profond», explique M. Brandstötter. De l’ensemble des données existant du projet, soit environ 1 600 heures d’activité des abeilles, un sous-ensemble contenant des informations sur la pollinisation a été extrait pour être utilisé dans le cadre d’applications d’apprentissage profond. À partir d’un total de 7 To de données, 40 000 images d’abeilles étiquetées manuellement ont été créées. «À ce jour, il s’agit du plus grand ensemble de données disponible sur les abeilles/le pollen», note M. Brandstötter. «En intégrant les méthodes standard de vision par ordinateur et d’apprentissage profond, nous pouvons développer le premier algorithme de classification de la pollinisation fonctionnant en temps réel sur un ordinateur de bord unique.» Cet ensemble de données est en effet suffisamment important pour tester une approche d’apprentissage profond. Les chercheurs ont donc développé et comparé un protocole de fenêtre coulissante pour la transmission des données, ainsi qu’une approche de classification multi-classes. «La meilleure combinaison de modèles a obtenu un score F1 de 90,95, ce qui suggère que les modèles de réseaux neuronaux convolutifs sont adaptés à la détection des corbeilles à pollen sur les abeilles», observe M. Brandstötter.
Améliorer la survie
Grâce à hivepoll, il sera possible de mettre en place un système d’alerte précoce en cas de faible pollinisation et d’en contrer les effets négatifs, garantissant ainsi le rendement de la production à des fins alimentaires. En outre, une détection efficace des parasites contribuera à la santé des colonies d’abeilles et à leur survie en bonne condition durant l’hiver. La survie des abeilles est une préoccupation majeure pour les apiculteurs et les agriculteurs car elles sont parmi les rares pollinisateurs actifs en force suffisante au début du cycle de plantation. Une pollinisation rapide des cultures est extrêmement importante car elle atténue les effets négatifs des conditions climatiques peu prévisibles, comme, par exemple, le gel de printemps. «Grâce à une meilleure gestion de la pollinisation rendue possible par hivepoll, nous prévoyons une augmentation du rendement des cultures qui pourra atteindre les 10 %», conclut M. Brandstötter. Le projet apporte non seulement un système informatique visuel peu coûteux pour détecter les menaces et gérer efficacement les ruches en temps réel, mais il apporte également des informations sans précédent sur la performance des colonies d’abeilles en tant que pollinisateurs.
Mots‑clés
hivepoll, abeille domestique, apprentissage profond, ruche, pollinisateur, mégadonnées