Auteur(s)

Yassine Sohbi¹, Corentin Barbu¹, Antoine Gardarin¹, Nicolas Parisey²
 

Résumé

L'étude de la faune nocturne vivant au sol est une tâche de recherche stimulante en raison de ses multiples implications dans différents domaines tels que la lutte biologique par conservation ou l'identification des ravageurs des cultures. Cet article présente une méthode automatique de reconnaissance de cette faune à partir d'images de terrain acquises sur plusieurs années. Cette méthode, appelée BioAuxNet, est basée sur un algorithme d’apprentissage profond qui combine les dernières avancées dans les domaines des réseaux neuronaux et de la vision par ordinateur. À partir de plus de 100 000 images brutes prises sur le terrain pendant quatre ans, nous avons créé un premier jeu de données réaliste de 8 espèces communes de la faune nocturne vivant au sol : carabes, souris, opilion, limaces, musaraigne et vers de terre. Pour notre modèle, nous avons classiquement utilisé de l’apprentissage par transfert (affinant un réseau pré-entraîné) et de l’augmentation de données (démultipliant certaines images pour mieux généraliser). Le résultat est que notre modèle peut reconnaître notre type de faune avec un critère de précision de 84,31 %, ce qui est très encourageant. Les perspectives de cette étude sont multiples, on citera typiquement la possibilité d’un suivi au champ du nombre de certains auxiliaires
 

Mots clés

Reconnaissance multi-classe, faune nocturne au sol, biodiversité, deep learning, MaskRCNN, vision par ordinateur

1 UMR Agronomie, INRAE AgroParisTech, Université-Paris-Saclay, 22 place de l'agronomie, bâtiment F, F-91123 Palaiseau.
2 UMR IGEPP, INRAE, Domaine de La Motte, F-35653 Le Rheu