L'application de l'intelligence artificielle vise à rendre inutiles de nombreuses opérations manuelles de triage des pommes de terre de semence. Grâce à l'utilisation de caméras, Flikweert Vision Technologies, basée à Ouwerkerk, en Zélande, permet d'automatiser en grande partie le tri des lots difficiles à trier en fonction de leur qualité. La première version du QualityGrader compact, qui mesure 3,3 mètres de long et 1,2 mètre de large, est actuellement testée à grande échelle dans l'exploitation agricole Quaak Potato à Scherpenisse. “L'accent est mis sur l'optimisation de l'évaluation de la qualité et de la séparation entre les bonnes et les mauvaises pommes de terre.’

Automatisation des pommes de terre de consommation

Lorsque la saison de triage des pommes de terre de semence s'est achevée, Flikweert a choisi d'utiliser la machine pour trier les pommes de terre de consommation. Le fait que Quaak Potato ait maintenant décidé d'acheter trois QualityGraders indique que l'entrepreneur est convaincu de la valeur ajoutée. Trois tables de triage ont été remplacées par les QualityGraders de la jeune entreprise d'Ouwerkerk. On estime que chaque machine trie environ 10 tonnes de pommes de terre par heure. “Cela nous permet de traiter environ une remorque par heure, ce qui est la capacité souhaitée”, explique Martijn Flikweert.

Avantages de l'intelligence artificielle dans l'agriculture

L'application de l'intelligence artificielle dans l'agriculture a été une quête. Après avoir obtenu leur diplôme, Martijn Flikweert et son cousin Lars Flikweert ont décidé de créer Flikweert Vision Technologies en 2019. Tous deux ont une formation en grandes cultures et ont étudié respectivement l'agrotechnologie et la gestion à Dronten et l'ingénierie des biosystèmes à Wageningen. “Nous avons vu que l'intelligence artificielle pouvait être d'une grande valeur dans un secteur où beaucoup de travail manuel est encore effectué. Après tout, l'agriculture travaille avec des produits naturels, que les changements saisonniers et les conditions météorologiques affectent. Ce sont ces variations dans les produits naturels qui nous ont convaincus que l'intelligence artificielle pouvait apporter une valeur ajoutée significative.”

Reprendre la lecture

Alors qu'ils pensaient initialement trier des choux de Bruxelles, Lars et Martijn Flikweert ont décidé de se concentrer sur les pommes de terre. Stefan Flikweert, le frère de Martijn, a été impliqué dans le projet pour parvenir à la machine de triage optimale, basée sur le logiciel développé. “Stefan, qui a étudié l'ingénierie mécanique, s'est chargé du développement et de la conception du QualityGrader”, explique Martijn.”

“Notre point de départ était d'aider un producteur de pommes de terre de semence qui était satisfait de sa calibreuse actuelle mais qui souhaitait passer moins de temps dans la salle de calibrage. Que devait donc pouvoir faire le QualityGrader ? Nous avons délibérément choisi un tri basé sur la qualité. Ce que nous constatons souvent chez les fournisseurs actuels de machines de tri optique, c'est que ces machines se concentrent sur un calibrage précis. Bien que cela soit certainement précieux, nous pensons que de nombreux producteurs souhaitent surtout automatiser le travail de lecture. C'est la raison pour laquelle nous avons développé une machine compacte et abordable qui prend en charge une grande partie du travail de lecture.”

Reconnaître les croûtes, les dommages, les fissures de croissance et les défauts de moisissure

Au départ, un prototype a été développé avec un convoyeur à rouleaux d'occasion et une rangée d'écopes de tir derrière lui. “En examinant le prototype d'un œil critique, nous avons beaucoup appris, tant sur le plan logiciel que sur le plan mécanique. Grâce aux améliorations apportées par le prototype, des dessins ont été réalisés pour le premier QualityGrader. Comme il y avait plusieurs producteurs dans la région avec beaucoup de pommes de terre de semence qui avaient beaucoup de tavelure, l'accent a été mis principalement sur la détection de la tavelure.

Selon Martijn Flikweert, la difficulté à détecter la tavelure a également marqué la limite des capacités de la machine de classement optique. “Si nous pouvons détecter la tavelure, nous pouvons également détecter les dommages, les défauts de forme et les fissures de croissance, avons-nous pensé. Cela s'est avéré vrai, et comme nous nous concentrons désormais principalement sur les pommes de terre de consommation, nous pouvons maintenant identifier avec précision d'autres défauts que la tavelure.

Générer des données

La trieuse optique est équipée de trois caméras industrielles qui lisent les pommes de terre. “La longueur de la machine est nécessaire pour positionner correctement la pomme de terre devant la caméra”, explique le Dr K. L'algorithme devient de plus en plus précis au fur et à mesure de l'installation des QualityGraders. “Nous créons un ensemble de données. Des exemples de pommes de terre présentant différents défauts conduisent à un formulaire d'évaluation. Ce formulaire sert d'algorithme pour évaluer chaque pomme de terre”. Chaque pomme de terre est photographiée cinq fois sous différents angles. Le logiciel détermine ensuite les défauts présents ou manquants. “Ce système est encore en cours de développement, mais cela dépend principalement de la génération et du traitement d'un plus grand nombre de données. Il en résultera une évaluation plus cohérente, plus précise et plus solide.” Des écopes en plastique situées à l'arrière de la calibreuse permettent de séparer les mauvaises pommes de terre des bonnes.

C'est l'utilisateur qui détermine en fin de compte la précision souhaitée pour la sélection. “Celle-ci peut être adaptée à chaque lot. Par exemple, sur la base d'objectifs d'exportation ou de classes de lots. Les différents défauts peuvent être définis séparément. Si l'utilisateur souhaite également détecter les petits défauts, le seuil de dommage doit être abaissé.”

Avantages de QualityGrader

L'intérêt pour le QualityGrader est aujourd'hui tel que plusieurs producteurs l'ont acheté après les démonstrations. “Nous espérons installer six QualityGraders, voire plus, cette année”, déclare Martijn Flikweert. Le principal avantage réside bien sûr dans l'économie de main-d'œuvre que représente la lecture. “À l'heure actuelle, certaines personnes n'identifient même pas toutes les mauvaises pommes de terre. Dans la pratique, la capacité d'attention des gens diminue au fil de la journée. Cela entraîne des différences de qualité et des variations de la capacité de traitement. Il est difficile de dire quel pourcentage de pommes de terre est actuellement trié correctement par le QualityGrader. Cela dépend actuellement du lot et des réglages souhaités. C'est également la raison pour laquelle nous nous concentrerons, au cours de la période à venir, sur l'amélioration de la précision des décisions et sur la minimisation de l'impact des différences entre les lots sur les performances.”

“Pour notre groupe cible, le cultivateur de pommes de terre de semence et le transformateur de pommes de terre moyens qui sont satisfaits du calibrage actuel mais qui veulent passer moins de temps dans la salle de calibrage, nous voulons offrir une machine abordable”. Martijn Flikweert souligne que les efforts de Flikweert Vision Technologies restent entièrement concentrés sur la technologie de triage optique pour le moment. “Nous voulons développer et affiner une solution spécialisée pour l'automatisation de la lecture. Si plusieurs producteurs sont satisfaits du fonctionnement d'un QualityGrader, nous espérons augmenter la production. En fin de compte, la complexité réside dans le logiciel. La séparation initiale doit être aussi optimale que possible. Bien que nous ayons déjà fait des progrès significatifs dans ce domaine, nous visons encore plus de robustesse et de fiabilité.”

Article original : Arable.co.uk