YOLO-Based Deep Learning for Citrus Fruit Detection, Counting, and Yield Estimation in Complex Orchard Environments: A Systematic Review

Imaginez un verger d'orangers, aux branches lourdes de fruits, cachés sous une canopée de feuilles. Pour un travailleur humain, compter chaque orange dans une telle scène est une tâche lente, épuisante et sujette à l'erreur ; une personne pourrait compter un fruit deux fois, tandis qu'une autre en manquerait un niché profondément dans l'ombre. Pour les agriculteurs, se tromper dans ce compte signifie mal évaluer la quantité de fruits qu'ils récolteront, ce qui fausse tout, du recrutement de la main-d'œuvre à la planification du nombre de camions nécessaires. Pour résoudre ce problème, les scientifiques se sont tournés vers des caméras et des ordinateurs, apprenant aux machines à « voir » le fruit tout comme le ferait un humain. L'outil le plus populaire pour cette tâche est un type de logiciel appelé YOLO, qui signifie « You Only Look Once » (Vous ne regardez qu'une seule fois). C'est un système rapide et efficace conçu pour scanner une image et repérer instantanément des objets, ce qui le rend idéal pour des robots ou des drones qui doivent prendre des décisions en une fraction de seconde en se déplaçant dans un verger. Mais à mesure que ces outils sont devenus plus courants, le domaine s'est encombré de centaines d'études différentes, chacune affirmant avoir trouvé une meilleure façon de compter les agrumes. La question demeure : ces systèmes sont-ils vraiment prêts pour le monde réel, ou sont-ils simplement bons pour performer dans un laboratoire contrôlé ?

Une équipe de chercheurs s'est donné pour mission de répondre à cela en examinant de manière exhaustive près de deux cents études scientifiques qui ont utilisé ces systèmes de détection rapides pour trouver et compter les fruits de type agrumes. Ils ne se sont pas contentés de lire les titres ; ils ont approfondi les détails de quatre-vingt-dix études spécifiques, en appliant un ensemble de règles strictes pour voir ce qui se passait réellement derrière les chiffres. Leur objectif était de comprendre non seulement la performance des ordinateurs, mais aussi la manière dont les chercheurs les avaient testés et si les résultats pouvaient être dignes de confiance. Ils ont découvert que la technologie a effectivement mûri. Lorsque ces systèmes sont testés sur des images de fruits, ils sont remarquablement précis, identifiant correctement la vaste majorité des oranges, des citrons et des mandarines qu'ils voient. En moyenne, les systèmes ont trouvé environ quatre-vingt-dix pour cent des fruits qui étaient réellement présents et étaient corrects environ quatre-vingt-dix pour cent du temps lorsqu'ils affirmaient avoir trouvé quelque chose. Ce niveau de performance suggère que la technologie de base fonctionne suffisamment bien pour être utile.

Cependant, les chercheurs ont découvert que l'histoire est plus complexe que ce que les taux de réussite élevés laissent paraître. Bien que les ordinateurs soient doués pour repérer les fruits sur des photos, la manière dont les scientifiques les ont testés est souvent défaillante. Dans presque chaque étude examinée, les chercheurs n'ont effectué leurs tests qu'une seule fois, sans répéter l'expérience pour voir si les résultats étaient cohérents ou s'il s'agissait simplement d'un coup de chance. De plus, la plupart des études reposaient sur de très petites collections d'images, souvent prises dans un seul verger sous des conditions d'éclairage parfaites. C'est comme tester une voiture uniquement sur une piste lisse et vide en été, puis supposer qu'elle se comportera tout aussi bien sur une route de montagne enneigée. Les chercheurs ont constaté que lorsque les fruits sont cachés derrière des feuilles, ou lorsque les fruits verts se fondent dans les feuilles vertes, les ordinateurs éprouvent des difficultés significatives. Ils ont également noté que très peu d'études ont réellement testé leurs systèmes sur de vrais robots ou drones sur le terrain ; la plupart ont été testées sur des ordinateurs puissants dans un laboratoire, ce qui est un environnement très différent d'un verger poussiéreux et imprévisible.

La revue a également mis en évidence que le domaine s'est stabilisé autour d'un ensemble d'outils communs. La plupart des chercheurs utilisent les mêmes quelques versions du logiciel de détection et apportent des modifications similaires pour les améliorer, comme l'ajout de modules spéciaux pour aider l'ordinateur à se concentrer sur les parties importantes d'une image ou pour rendre le logiciel plus léger afin qu'il puisse fonctionner sur de plus petits appareils. Pourtant, malgré ces méthodes partagées, il n'existe pas de jeu de données standard unique que tout le monde utilise pour comparer ses résultats. C'est comme si chaque chef du monde essayait de prouver qu'il fait la meilleure soupe, mais qu'aucun des chefs n'utilise les mêmes ingrédients ou la même recette, ce qui rend impossible de savoir qui est véritablement le meilleur. Les chercheurs ont trouvé qu'une infime fraction des études utilisait des caméras avancées capables de voir plus que la simple lumière visible, telles que des capteurs détectant la chaleur ou des couleurs spécifiques invisibles à l'œil humain, ce qui pourrait aider à distinguer plus facilement les fruits des feuilles.

En fin de compte, l'étude conclut que bien que la capacité des ordinateurs à détecter les agrumes ait atteint un haut niveau de précision dans des cadres contrôlés, le domaine n'est pas encore prêt pour une utilisation généralisée et fiable dans l'agriculture réelle. La technologie elle-même n'est pas le problème principal ; le problème réside dans la manière dont elle est validée. Les chercheurs soutiennent que les travaux futurs doivent se concentrer sur le test de ces systèmes dans des conditions diverses et difficiles, et sur le matériel réel utilisé sur le terrain, plutôt que simplement dans un laboratoire. Ils appellent à un standard commun pour les tests afin que les différents systèmes puissent être comparés équitablement, et à des contrôles statistiques plus rigoureux pour garantir que les résultats sont reproductibles. Tant que ces étapes n'auront pas été franchies, la promesse d'un comptage des fruits et d'une estimation des rendements entièrement automatisés restera hors de portée, en attente d'une base de preuves plus solide pour la soutenir.