Outfield Technologies est une start-up agro-technologique basée à Cambridge qui utilise des drones et de l'intelligence artificielle, pour aider les producteurs de fruits à maximiser leur récolte de vergers.

Les fondateurs d'Outfield Technologies, Jim McDougall et Oli Hilbourne, ont travaillé avec Ph.D. l'étudiant Tom Roddick du laboratoire d'intelligence machine du département pour développer leurs capacités technologiques afin de pouvoir compter les fleurs et les pommes sur un arbre via des drones surveillant d'énormes vergers de pommiers.

"Une évaluation précise de la floraison ou une estimation de la récolte permet aux producteurs d'être plus productifs, durable et respectueux de l'environnement", explique Jim McDougall, directeur commercial d'Outfield.

"Notre analyse d'imagerie aérienne se concentre sur l'estimation du rendement et est très recherchée à l'échelle internationale. L'un des plus gros problèmes auxquels nous sommes confrontés dans le secteur des fruits est la prévision précise du rendement. Ce système a été développé avec les producteurs pour planifier la main-d'œuvre, logistique et stockage. Il est nécessaire dans toute l'industrie, planifier la commercialisation et la distribution, et s'assurer qu'il y a toujours des pommes sur les étagères. Les estimations sont actuellement faites par les producteurs, et ils font un travail incroyable, mais les vergers sont incroyablement variables et les estimations sont souvent erronées jusqu'à 20 %. Cela se traduit par une perte de revenus, des opérations inefficaces et peut entraîner un gaspillage considérable de récoltes invendues. »

Les méthodes d'identification d'Outfield sont une excellente application de la recherche que Ph.D. l'étudiant Tom Roddick, supervisé par le professeur Roberto Cipolla, travaille sur. Tom fait partie du groupe Computer Vision and Robotics qui se concentre sur l'intelligence artificielle et l'apprentissage automatique, en utilisant des méthodes de Deep Learning, via des réseaux de neurones artificiels (ANN).

Les ANN sont des systèmes informatiques modelés approximativement sur le cerveau humain, qui sont conçus pour reconnaître les modèles. Ils interprètent les données sensorielles en étiquetant ou en regroupant les entrées brutes. Les modèles qu'ils reconnaissent sont numériques, dans lequel toutes les données du monde réel, que ce soit des images, sonner, texte ou séries temporelles, est traduit.

De tels systèmes « apprennent » à effectuer des tâches en analysant des exemples, généralement sans être programmé avec des règles spécifiques à la tâche. Par exemple, en reconnaissance d'images, l'ANN pourrait apprendre à identifier les images contenant des pommes en analysant des exemples d'images qui ont été manuellement étiquetées comme « pomme » ou « pas de pomme » et en utilisant les résultats pour identifier les pommes dans d'autres images. Ils le font sans aucune connaissance préalable des pommes, par exemple, couleurs ou formes de pomme. Au lieu, ils génèrent automatiquement des caractéristiques d'identification à partir des exemples qu'ils traitent.

Les ANNs regroupent et classent en détectant d'abord des modèles simples dans les données, tels que les contours des images ou des sons dans la parole, puis construisez progressivement une hiérarchie de concepts jusqu'à ce que des caractéristiques complexes comme des visages ou des phrases émergent dans les données. L'objectif initial de l'approche ANN était de résoudre les problèmes de la même manière qu'un cerveau humain le ferait. Cependant, heures supplémentaires, l'attention s'est portée sur l'exécution de tâches spécifiques. Les ANN ont été utilisés pour diverses tâches, y compris la vision par ordinateur, reconnaissance de la parole, traduction automatique, filtrage des réseaux sociaux, jeux de société et vidéo et diagnostic médical.

Au cours de son doctorat, Tom a travaillé sur la conduite autonome, regarder des scènes de rue capturées à la caméra, annoter et étiqueter chaque élément. Il indique où sont les voitures, les piétons, le trottoir, etc. Pour ce faire, il utilise un outil appelé segmentation sémantique pour étiqueter chaque pixel individuel afin de donner une compréhension de haut niveau de ce qui se passe. Les champs extérieurs doivent identifier les pommes et les fleurs dans leurs photographies de verger et une façon de le faire est d'utiliser cette méthode de segmentation sémantique.

Un autre aspect de la méthode de collecte de données d'Outfield consiste à déterminer où se trouvent leurs drones à tout moment et il existe un autre volet de la vision par ordinateur qui se concentre sur la localisation, déterminer où vous êtes dans le monde et ce que vous regardez. Ancien élève Kesar Breen, consultant indépendant en machine learning et vision par ordinateur, a pris du temps malgré son emploi du temps chargé pour conseiller Jim et Oli. Kesar les a aidés avec un aperçu des technologies qu'ils pourraient utiliser pour la modélisation et l'analyse du verger afin de savoir où se trouvent les cultures, et a rédigé un algorithme potentiel pour ce faire, avec des délais et des exigences. Kesar dit, "Outfield fait des trucs très sympas en travaillant avec des technologies intéressantes mais éprouvées, sur un problème commercial important. Je pense qu'il est très susceptible d'être commercialement viable."

Parlant de son travail avec Outfield, Tom dit, « Les besoins de segmentation sémantique d'Outfield ont des subtilités très spécifiques qui sont très intéressantes d'un point de vue recherche par exemple. J'ai l'habitude de regarder des images pour identifier de gros objets comme des voitures, qui sont faciles à repérer, mais ce qu'Outfield a, ce sont ces énormes images aériennes de vergers qui sont des millions et des millions de pixels et il veut détecter chaque fleur ou chaque fruit pour calculer combien il y en a. J'ai cherché à le faire efficacement et de manière robuste pour pouvoir faire la distinction entre des choses comme ; est-ce une pomme sur un arbre ? Ou est-ce une pomme par terre ?"

Jim dit, « Le Royaume-Uni possède certaines des meilleures technologies et les meilleurs scientifiques technologiques au monde. Nous effectuons actuellement des tests bêta, ce qui inclut l'utilisation du modèle avec des cultures autres que les pommes.

« Nous avons un plan solide pour les deux à trois prochaines années, et nous ouvrons un cycle d'investissement en octobre 2019 pour se clôturer au premier trimestre 2020. Cela nous permettra d'intégrer davantage de membres de l'équipe à temps plein et de tester les produits à grande échelle en Nouvelle-Zélande et au Royaume-Uni au cours de la prochaine année. »