Abstract
RÉSULTATS : Les résultats présentés sont issus d'apprentissages et de tests effectués sur des sets d'images prises au scanner manuel IRIScan ® de résolution 1200 dpi (un film polycristal est apposé sur le lange avant la prise d'image) bien que la phase opérationnelle utilise un smartphone. On évalue la performance du comptage en évaluant les 2 types d'erreur possibles par rapport à la valeur de référence prise sur le comptage manuel : les oublis de varroas et le objets détectés pris pour des varroas mais qui n'en sont pas (qui sont des déchets par exemple). MOTS CLÉS : Apiculture de précision, Apis Mellifera, Varroa destructor, Analyse d'images, Intelligence artificielle, réseaux de neurones, Outil d'aide à la décision RÉSUMÉ : L'objectif de l'application smartphone pour le comptage automatisé du varroa est de proposer un outil facile d'utilisation et rapide qui permette à l'utilisateur (apiculteur, chercheur, acteur des produits de traitement...) d'estimer le nombre de varroas présents sur un lange graissé à partir d'une simple photo prise par smartphone de ce lange. Cet outil « clé en main » constitue un outil d'aide à la décision pour suivre la dynamique d'évolution de la population de varroa au cours du temps afin de déterminer des modalités de traitements adaptées. DESCRIPTION : Du comptage manuel au comptage automatisé grâce à l'intelligence articielle Fig.2 (a) Zoom de photo de lange graissé placé 3 jours sous une ruche (b) Entrées Neurones Sortie Extraction des données Algorithme Fig.1. Comptage manuel au rucher Fig.3. Comptage par prise de photo smartphone au rucher Fig.4. Nombre de varroas détectés sur le lange (1.a) (1.b) • Sur la Fig.5, le rappel quantifie la proportion de varroas détectés par les algorithmes en référence à ceux comptés manuellement. • Sur la Fig.5, la précision quantifie la proportion d'objets détectés par les algorithmes qui sont effectivement des varroas (et non d'autres déchets). • On fait varier l'indice de confiance (ic) du modèle (qui est basé sur le nombre de critères de reconnaissance du varroa : couleur, forme, etc.) pour obtenir un compromis entre :-un rappel faible mais une précision élevée (ex: ic = 0.938) : on détecte moins de varroas mais les objets détectés sont réellement des varroas et non d'autres déchets-un rappel fort mais une précision plus faible (ex: ic = 0.646) : on détecte plus de varroas mais certains n'en sont pas. Fig.5. Premiers résultats de performance du système (les étiquettes de données sont l'indice de confiance du modèle) 1,000 0,938 0,931 0,927 0,915 0,852 0,842 0,818 0,815 0,833 0,824 0,800 0,779 0,764 0,709 0,678 0,646 0,618 0,607 50% 55% 60% 65% 70% 75% 80% 85% 90% 95% 100% 0% 20% 40% 60% 80% 100% Précision en % (proportion de varroas détecté qui en sont réellement) Rappel en % (proportion de varroas détectés) Résultats de comptage en fonction d'un indice de confiance variable