BaleUAVision : Jeu de données UAV pour bottes de foin

Pourquoi compter les bottes de foin depuis le ciel importe

Les bottes de foin peuvent sembler de simples rouleaux d’herbe sèche, mais connaître précisément combien il y en a dans un champ et où elles se trouvent représente une valeur réelle pour les agriculteurs. Des comptages précis orientent la quantité de fourrage disponible pour le bétail, le nombre de camions nécessaires et la durée d’intervention des équipes de récolte. Cet article présente BaleUAVision, un nouveau jeu de données ouvert construit à partir d’images de drones qui facilite la détection et le comptage automatique des bottes de foin vue du ciel, contribuant à rendre l’agriculture plus intelligente et plus efficace.

Des fermes vues d’en haut

BaleUAVision repose sur 2 599 photographies couleur nettes prises par des drones survolant 16 parcelles de foin dans le nord de la Grèce. Les champs couvrent environ 232 acres et s’étendent sur deux régions aux paysages différents : de larges plaines autour de Xanthi et un terrain plus varié près de Drama. Les vols ont eu lieu à l’été 2023, par ciel dégagé et vents faibles, à des hauteurs comprises entre 50 et 100 mètres et à des vitesses modérées. Le résultat est un instantané réaliste de champs après récolte, avec des bottes disposées selon des motifs qui reflètent les pratiques agricoles locales et le relief, et non un montage de laboratoire.

Transformer des images en données exploitables

La collecte d’images n’est que la première étape. L’équipe a soigneusement traité toutes les photos, en écartant celles qui présentaient un flou ou d’autres problèmes, puis les a assemblées en cartes aériennes détaillées, appelées orthomosaïques, pour chaque champ. Ces mosaïques ont servi à compter manuellement chaque botte comme référence fiable. Parallèlement, chaque botte individuelle a été tracée à la main sur les photos originales sous la forme d’un contour précis, et pas seulement d’une boîte approximative. Ce travail minutieux a créé des « ground truth » de haute qualité dans plusieurs formats de fichiers courants, afin que de nombreux outils d’intelligence artificielle puissent être entraînés et testés sans conversions supplémentaires.

Variété dans les vols, robustesse des modèles

La façon dont un drone est piloté — hauteur, vitesse et chevauchement des photos — conditionne ce qu’il observe. BaleUAVision varie délibérément ces paramètres de vol pour que les systèmes de détection entraînés dessus ne s’effondrent pas quand les conditions changent. Les vols bas capturent plus de détails mais moins de surface au cadrage ; les vols élevés couvrent plus de terrain mais font paraître les bottes plus petites. En incluant des images à différentes hauteurs et dans diverses conditions d’éclairage réparties sur deux régions, le jeu de données rend compte à la fois de la diversité géographique et des variations d’échelle caméra rencontrées dans des opérations réelles. Les tests montrent que cette diversité aide les modèles d’intelligence artificielle à reconnaître les bottes même lorsqu’elles sont photographiées dans de nouveaux lieux ou à de nouvelles hauteurs.

Mettre le jeu de données à l’épreuve

Pour vérifier l’utilité réelle de BaleUAVision, les auteurs ont entraîné un système de détection populaire connu sous le nom de YOLOv11 pour trouver les bottes de foin dans les images. Ils ont ensuite mis le modèle au défi de deux manières : en lui demandant de détecter des bottes dans des champs d’une région différente de celles vues pendant l’entraînement, et en changeant la hauteur de vol entre l’entraînement et le test. Entraîné sur le jeu de données, le système a détecté presque toutes les bottes dans de nouveaux champs avec très peu de fausses alertes. Il a également bien supporté des hauteurs de vol supérieures lorsqu’il avait vu des exemples à basse altitude pendant l’entraînement. En revanche, un modèle entraîné uniquement sur des images prises à haute altitude peinait à reconnaître les vues de près jusqu’à ce que les chercheurs ajoutent même un petit nombre d’exemples à plus basse altitude, montrant comment des données supplémentaires modestes mais bien choisies peuvent grandement améliorer la fiabilité.

Au-delà de l’IA générique, vers des outils prêts pour le terrain

L’équipe a aussi comparé son modèle spécialisé entraîné sur les bottes avec de grands systèmes de vision généralistes conçus pour « segmenter tout » dans une image. Bien que ces modèles fondamentaux soient puissants dans de nombreuses configurations, ils ont offert des performances nettement inférieures sur des bottes compactes et de petite taille sur des fonds de champs chargés. Le modèle spécialisé entraîné sur BaleUAVision était non seulement plus précis, mais aussi plus pratique à exécuter sur des drones réels et des ordinateurs agricoles. Cela souligne comment des données spécifiques et soigneusement élaborées peuvent transformer des avancées générales en outils réellement exploitables à l’échelle de la ferme.

De meilleurs comptages à une agriculture plus intelligente

En termes simples, BaleUAVision fournit aux chercheurs et aux entreprises un ensemble riche et librement accessible d’images de drones et de contours de bottes pour construire et tester des logiciels et robots de comptage. Grâce à ce jeu de données, ils peuvent développer des outils capables d’indiquer rapidement et de façon fiable aux agriculteurs combien de bottes ils ont, où elles se trouvent et comment les collecter au mieux — économisant carburant, temps et main-d’œuvre. Les mêmes données peuvent aussi soutenir des études sur l’état des parcelles, la planification logistique et même des robots agricoles futurs. En ouvrant ce jeu de données au public, les auteurs posent les bases pour transformer de simples bottes de foin en vecteur d’une agriculture plus précise et pilotée par les données.

Citation: Karatzinis, G.D., Gkelios, S. & Kapoutsis, A.C. BaleUAVision: Hay Bales UAV Captured Dataset. Sci Data 13, 313 (2026). https://doi.org/10.1038/s41597-026-06622-8

Mots-clés: agriculture de précision, imagerie par drone, détection de bottes de foin, vision par ordinateur, jeu de données de télédétection