FOOD SCANNER - fonctionnement des scanners infra-rouge pour l'agriculture - Philippe cousin
Toutes les informations du projet ici :
https://www.kisskissbankbank.com/fr/projects/foodscanner-qualite-nutritive-maraichagesolvivant
pour plus d'informations sur SENSEEN : https://www.senseen.io/
Présentation de Philippe Cousin
Dans cette vidéo, Philippe Cousin est présenté comme le partenaire de la campagne Food scanner. Avec sa société Sensing, il s’occupe du développement hardware et software du scanner.
Philippe Cousin explique qu’il travaille dans le domaine des technologies de l’information depuis environ 30 ans, et plus précisément sur les produits intelligents et connectés depuis une dizaine d’années. Il indique avoir décidé de mettre cette expertise au service de l’agriculture et de l’agroécologie, afin d’aider au développement de scanners innovants.
Les bases technologiques du Food scanner
Philippe Cousin explique que le projet repose sur deux innovations majeures :
- l’apport de la spectrométrie et la miniaturisation des spectromètres ;
- l’utilisation de l’intelligence artificielle, en particulier du deep learning.
Il rappelle que les spectromètres ne sont pas nouveaux, mais qu’il s’agissait jusque-là souvent de machines coûteuses et volumineuses, utilisées en laboratoire. Aujourd’hui, il devient possible d’utiliser des modules beaucoup plus petits, adaptés au terrain.
Il présente ainsi plusieurs types de modules :
- un premier module miniaturisé, dont l’électronique a été finalisée et qui doit être intégré dans un boîtier avec batterie pour un usage autonome sur le terrain ;
- un second module encore plus miniaturisé, totalement autonome, intégrant à la fois la lumière, le récepteur et l’intelligence embarquée.
Selon lui, ce deuxième produit est plus complet et plus puissant, mais aussi plus cher. Il estime qu’il faudra attendre une baisse des coûts pour une diffusion plus large.
Ces évolutions montrent, selon lui, qu’il est désormais possible d’aller sur le terrain avec des produits miniatures capables de réaliser des mesures directement en conditions agricoles.
Le principe de fonctionnement du scanner proche infrarouge
Philippe Cousin précise que le Food scanner est un scanner proche infrarouge. Quand on parle de scanner, on parle aussi de bandes de lumière.
Dans ce projet, la bande utilisée est celle du proche infrarouge. Il mentionne également l’existence :
- de bandes de lumière plus élevées, plus complexes à mettre en œuvre ;
- de bandes plus basses, dans le visible, qui peuvent aussi fonctionner.
Le fonctionnement de base du scanner est présenté comme suit :
- une source lumineuse envoie de la lumière sur un échantillon ;
- la mesure se fait en réflexion ;
- les capteurs mesurent le retour de la lumière après interaction avec le produit ;
- on obtient une courbe d’absorbance ou de réponse spectrale propre au produit analysé.
Philippe Cousin explique que les atomes vibrent en réponse à la lumière, et que cette interaction produit une réponse différente selon la nature du matériau observé. C’est cette réponse qui permet ensuite de relier un signal lumineux à des caractéristiques du produit.
Exemple de mesures sur le blé
L’exemple présenté dans la vidéo est celui du blé. Philippe Cousin explique qu’on obtient une courbe caractéristique en fonction des bandes de lumière, sur une plage allant approximativement de 700 nanomètres à 1 100 nanomètres.
À partir d’un grand nombre d’échantillons, il est possible d’observer une répartition des mesures, avec une variabilité liée notamment aux saisons et aux conditions de production. Il souligne que l’échelle de mesure est relativement large, ce qui permet d’envisager une exploitation utile des données.
Le rôle de l’intelligence artificielle
Philippe Cousin insiste sur le fait que le défi principal n’est pas seulement de capter la lumière, mais surtout de bien interpréter les courbes spectrales pour en déduire des résultats utilisables.
Il explique que des méthodes plus anciennes, statistiques ou de 'machine learning classique, ont été testées. Sur environ 1 000 échantillons de blé, ces approches ne donnent pas de résultats jugés suffisants.
Il cite notamment :
- des approches classiques de machine learning ;
- le modèle PLSR (Partial Least Squares Regression), très utilisé dans ce domaine.
Selon lui, ces modèles ne permettent pas d’obtenir une qualité de prédiction satisfaisante. Dans un cas idéal, les points mesurés et prédits devraient s’aligner sur une droite ; or, ce n’est pas suffisamment le cas avec ces méthodes.
L’équipe a donc utilisé des approches de deep learning avec des réseaux de neurones. Philippe Cousin indique qu’avec cette approche, les résultats deviennent bien meilleurs. Il annonce une précision de l’ordre de 80 à 90 % pour certaines mesures, avec des écarts jugés relativement faibles entre les courbes observées et les courbes prédites.
Cela les rend confiants dans la possibilité de sortir un scanner opérationnel, avec des premiers modèles qui pourront encore être améliorés à mesure que davantage de données seront collectées.
État d’avancement du projet
Philippe Cousin indique que l’équipe est en train de finaliser le design du scanner. L’objectif annoncé dans la vidéo est de disposer d’un scanner disponible à la fin de l’année.
Il évoque la mise en place prochaine de pages web d’information pour :
- identifier les personnes intéressées ;
- recueillir des précommandes ;
- estimer les volumes de fabrication ;
- réduire les coûts grâce à une production mieux anticipée.
Les premiers usages visés
Le scanner doit être accompagné d’une application permettant de présenter des résultats, dans un premier temps sur :
- le blé ;
- le colza.
Philippe Cousin souligne cependant que le potentiel du scanner est beaucoup plus large et qu’il pourra, à terme, mesurer d’autres paramètres et s’appliquer à d’autres cultures et produits.
Vers de nouveaux indicateurs agronomiques
La discussion élargit ensuite le sujet à d’autres indicateurs, notamment :
- le pH ;
- la conductivité électrique ;
- le Brix dans les plantes ;
- le redox.
L’idée défendue est que ces indicateurs peuvent contribuer à une mesure de la santé des plantes, mais qu’ils ne suffisent pas à eux seuls. Pour obtenir une vision complète, il faut aussi s’intéresser à la nutrition, ce qui conduit à envisager des analyses foliaires complètes.
Philippe Cousin explique que le travail des années à venir consistera à compléter les indicateurs existants afin d’aboutir, à terme, à un scanner capable de donner en un seul clic une analyse foliaire.
Une avancée importante : mesurer redox, pH et conductivité en même temps
Philippe Cousin présente comme une très bonne nouvelle le fait que l’équipe a développé des modèles fondés sur le deep learning permettant de relever un défi qui, selon lui, n’avait jamais été réalisé auparavant dans ce contexte : mesurer en même temps :
- le redox ;
- le pH ;
- la conductivité.
Il précise qu’ils sont en train de préparer un papier scientifique sur le sujet.
À ce stade, les données proviennent surtout de mesures sur blé et colza, mais il estime qu’avec davantage de mesures sur d’autres produits, y compris des aliments, fruits et légumes, il sera probablement possible d’étendre ces capacités à un grand nombre d’usages.
Un champ d’application très large
Philippe Cousin insiste sur le fait que le champ d’application de la technologie est extrêmement vaste. Si la bande de lumière actuellement utilisée s’avérait limitée dans certains cas, d’autres solutions sont déjà envisagées :
- le moyen infrarouge ;
- des bandes de lumière plus basses comme l’ultraviolet ;
- la lumière visible.
Selon lui, l’association entre ces différentes solutions technologiques et l’intelligence artificielle permet d’envisager des produits portables pour une large gamme de mesures.
Il souligne toutefois que ces avancées dépendent fortement de la disponibilité de données. Il remercie à ce titre le travail de terrain réalisé dans le cadre de la communauté agroécologique, indispensable pour alimenter les modèles et permettre ensuite la mise à disposition de scanners utiles au terrain.
Un gain de temps considérable par rapport aux méthodes classiques
Un des grands avantages soulignés dans la vidéo concerne le temps gagné.
Il est rappelé que, dans le cas du redox, lors d’une journée de mesures, même en allant vite, on ne réalise qu’environ 40 mesures par jour avec les méthodes actuelles. Pour les analyses foliaires, il faut en plus :
- prélever des échantillons ;
- les envoyer au laboratoire ;
- attendre plusieurs semaines avant d’obtenir les résultats.
Avec le scanner, l’objectif est d’obtenir, par lecture optique, une réponse en 5 à 10 secondes après un clic. Cela change complètement le nombre de points de mesure réalisables et permettrait de mieux s’intéresser :
- à la santé des cultures ;
- à la santé des sols ;
- à la qualité des produits.
Un produit encore en construction
Philippe Cousin insiste sur le fait qu’il s’agit du début d’un produit appelé à s’améliorer. Il ne faut pas attendre immédiatement un outil parfait.
La première étape est déjà jugée remarquable : parvenir à un produit relativement bon marché, utilisable sur le terrain, et capable de réaliser des mesures utiles.
Il explique qu’une phase importante consistera ensuite à :
- valider les premières solutions ;
- recueillir des retours d’expérience ;
- améliorer les modèles ;
- compléter les mesures disponibles.
Les premiers utilisateurs auront donc aussi un rôle de bêta-testeurs.
Données numériques et open source
Un avantage important mentionné dans l’échange est que les données entrantes et sortantes numériques seront open source.
Prix envisagé du scanner
À la date de la vidéo, le prix est estimé autour de 2 000 à 2 500 euros.
Philippe Cousin précise que ce coût reste élevé car, même miniaturisés, les modules électroniques conservent aujourd’hui un certain prix. Il estime toutefois que la baisse des coûts des puces électroniques est inévitable à moyen terme.
Il évoque ainsi plusieurs perspectives :
- un premier prix de démarrage autour de 2 000–2 500 euros ;
- l’espoir d’atteindre plus tard un scanner autour de 1 000 euros ;
- à plus long terme, peut-être des scanners entre 100 et 500 euros pour le grand public, dans un horizon de quatre à cinq ans si les volumes de production augmentent fortement.
Il cite notamment l’exemple de fabricants japonais comme Hamamatsu qui proposent déjà des puces équivalentes à des coûts beaucoup plus bas, ce qui laisse espérer une baisse future des prix.
Programme de mesures annoncé
Pour l’année suivante, il est indiqué que les travaux doivent :
- confirmer les mesures sur blé ;
- confirmer les mesures sur colza ;
- ajouter le maïs ;
- ajouter les pois ;
- ajouter l’orge.
Ensuite, l’équipe souhaite s’intéresser à la qualité nutritive des produits récoltés.
Dans un troisième temps, un autre chantier important est annoncé : le sol, présenté comme un sujet particulièrement complexe.
Besoin de financement et de données
Il est expliqué que la campagne de financement participatif doit permettre de financer :
- les mesures de terrain ;
- les mesures de laboratoire ;
- la production de données précises nécessaires à l’amélioration du scanner.
L’objectif affiché reste de fournir à terme un scanner pour tous.
Production, précommandes et premiers utilisateurs
Philippe Cousin souligne que le coût dépendra aussi fortement des volumes de production. Il est donc important de savoir rapidement combien de personnes seraient intéressées : 100, 200, 300 scanners ou davantage.
Des pages d’information doivent être mises en place afin de permettre aux personnes intéressées de :
- se déclarer ;
- acheter ou précommander un scanner ;
- participer au projet.
Il précise que les premiers acheteurs devront accepter une logique de co-développement : le scanner évoluera grâce à leurs retours, avec des mises à jour logicielles et des enrichissements progressifs.
Les personnes intéressées par d’autres mesures pourront aussi acheter le scanner et commencer à scanner elles-mêmes divers produits — tomates, fruits, pommes, etc. — afin d’alimenter le développement futur de nouveaux modèles de mesure.
Conclusion
La vidéo présente le Food scanner comme un projet de scanner proche infrarouge portable, fondé sur la miniaturisation des spectromètres et l’usage du deep learning.
Les premiers résultats obtenus sur le blé et le colza sont jugés encourageants, notamment pour la mesure simultanée de paramètres comme le redox, le pH et la conductivité. L’ambition est de proposer un outil de terrain capable de fournir rapidement des informations aujourd’hui accessibles seulement par des analyses lentes ou coûteuses.
Le projet en est encore à une phase de lancement et d’amélioration, mais les intervenants expriment une forte confiance dans son potentiel pour l’agriculture, l’agroécologie, l’analyse des plantes, des récoltes, et à plus long terme des sols.
Pour les personnes intéressées par l’achat d’un scanner ou par une participation au projet, il est indiqué qu’elles peuvent contacter soit Ver de Terre Production via son formulaire de contact, soit la société de Philippe Cousin, Sensing.
