fr.wedoany.com Rapport : L'équipe du professeur Zhang Man de l'École d'information et de génie électrique de l'Université agricole de Chine a publié un article de recherche dans la revue « Engineering » de l'Académie chinoise d'ingénierie, intitulé « Multimodal Feature Representation Mechanism for 3D Detection of Agricultural Obstacles with Few or Zero Samples ». Cette étude, répondant aux besoins de perception sécuritaire des obstacles en champ pour la navigation autonome des machines agricoles intelligentes, propose une méthode de détection 3D des obstacles agricoles avec peu ou zéro échantillon basée sur un mécanisme de représentation de caractéristiques multimodales, offrant une nouvelle approche pour un fonctionnement autonome sûr et fiable des machines agricoles dans des environnements agricoles non structurés. Lancée en 2015 par l'Académie chinoise d'ingénierie, la revue « Engineering » est indexée dans SCI, EI, Scopus, etc., avec un facteur d'impact SCI récent de 12,2, et a été classée première parmi les revues d'ingénierie générale mondiale en termes de facteur d'impact.
La navigation autonome des machines agricoles est un soutien essentiel à l'intelligence des équipements agricoles, et la perception sécuritaire des obstacles dans les environnements agricoles complexes est cruciale pour garantir un fonctionnement autonome fiable. Ces dernières années, les méthodes d'apprentissage profond fusionnant les données des caméras et des LiDAR ont réalisé des progrès significatifs dans la détection 3D des obstacles, mais ces méthodes dépendent généralement de grandes quantités de données d'entraînement annotées. Les scènes agricoles, caractérisées par leur non-structuration, des variations saisonnières marquées et une grande diversité de types d'obstacles, entraînent des coûts élevés de collecte et d'annotation de données multimodales. La capacité de généralisation des modèles dans des conditions de peu ou zéro échantillon reste le principal problème limitant leur application pratique.
Le mécanisme de représentation de caractéristiques multimodales proposé par l'équipe de recherche intègre un correcteur de posture pour les images et les nuages de points, utilisant les informations de posture fournies par le système de navigation par satellite Beidou et l'unité de mesure inertielle pour corriger les biais de posture des échantillons causés par les terrains accidentés des champs, améliorant ainsi la précision, la fiabilité et la cohérence des données multimodales. Parallèlement, un encodeur de caractéristiques sémantiques, un encodeur de caractéristiques géométriques-intensité et un décodeur de fusion spatiale en vue à vol d'oiseau sont construits, unifiant les informations sémantiques des images avec les caractéristiques géométriques et d'intensité des nuages de points dans un espace de représentation de fusion sémantique-géométrique-intensité, capturant les relations clés entre les catégories et améliorant la capacité du modèle à identifier de nouvelles catégories d'obstacles dans des conditions d'annotation limitées.
L'équipe a mené des essais sur le terrain à la station expérimentale de Zhuozhou de l'Université agricole de Chine, couvrant des scénarios typiques d'opération de machines agricoles tels que les routes en ciment, les terres non cultivées et les champs de blé, et a collecté des données multimodales d'obstacles typiques comme les moissonneuses-batteuses, les tracteurs et les personnes. Les résultats montrent que la méthode proposée atteint un bon équilibre entre les performances de détection, l'efficacité opérationnelle et la dépendance aux données, réduisant la dépendance du modèle aux échantillons d'entraînement de 30 % à 40 %. Dans un cadre d'entraînement complet, le taux de précision, le taux de rappel, le score F1 et la vitesse de détection atteignent respectivement 95,03 %, 97,01 %, 96,01 % et 16,56 FPS. Dans un scénario à zéro échantillon, où aucune catégorie d'obstacle ne dispose d'échantillons d'entraînement correspondants, la méthode proposée obtient tout de même un score F1 de 81,63 %.
Ces résultats contribuent à réduire la dépendance de la détection 3D des obstacles dans les environnements agricoles complexes vis-à-vis des données annotées à grande échelle, améliorant la capacité de perception sécuritaire des machines agricoles intelligentes face à des obstacles inconnus, des terrains complexes et des cibles de multiples catégories, et fournissent un soutien technique pour la navigation autonome, l'évitement dynamique d'obstacles et le fonctionnement fiable des équipements agricoles intelligents.
L'article a été réalisé en collaboration par l'Université agricole de Chine, l'Université forestière de Pékin et l'Institut de recherche CRRC, avec l'Université agricole de Chine comme première unité signataire. Le professeur Zhang Man est l'auteur correspondant de l'article, et Wang Tianhai, étudiant en master de la promotion 2021 et lauréat du prix du meilleur mémoire de master de l'université en 2024, en est le premier auteur. Cette recherche a bénéficié du soutien du Programme national clé de recherche et développement (2022YFD2001600-2022YFD2001601). Invité par la revue « Engineering », le professeur Zhang Man a participé le 30 juin 2026 à la conférence spéciale « Capteurs agricoles » du Engineering Forum, où il a présenté en ligne les résultats de cette recherche.
