Multiscale Sensing For Disease Monitoring In Vineyard Production – MERIAVINO

Le projet vise à combiner tous les éléments de détection, de traitement, de stockage de sécurité et d'analyse afin de fournir un nouveau système fiable pour la surveillance des vignes. De nos jours, différents réseaux de capteurs à faible consommation sont conçus pour l'agriculture, apportant des réponses aux défis de la durabilité grâce aux technologies des capteurs et à l'analyse automatique des informations. Contrairement aux approches existantes, le projet MERIAVINO propose une conception multi-échelle des mesures et de leur intégration (du sol au ciel/espace), en complément de l'architecture IoT classique, avec des capteurs imprimables à faible consommation d'énergie. De nouvelles méthodes d'IA pour la fusion des données et la modélisation sont développées. Le projet comprend également le traitement des données sous anonymisation pour répondre aux exigences de protection. L'étude globale et l'expérimentation sont menées à l'échelle continentale, où les paramètres agronomiques et les conditions climatiques varient.

- Les parcelles expérimentales ont été sélectionnées dans trois régions européennes : Murfatlar - Roumanie, Corinthia - Grèce et Amboise - France. Nous avons effectué une surveillance du climat, le dépistage du développement du champignon pathogène en fonction des conditions climatiques spécifiques et du stade de développement de la vigne, la détermination des principaux facteurs physiologiques (conductance stomatique et teneur relative en chlorophylle) en fonction de l'état de santé de la vigne et de l'environnement.

- L'ontologie de l'environnement est utilisée pour décrire les conditions environnementales : température atmosphérique, niveau d'éclairement (rayonnement solaire), humidité, pression atmosphérique, vent, etc. L'ontologie des dispositifs/réseaux est utilisée pour décrire les détails des dispositifs de détection et d'actionnement du système. Le système expérimental se compose de deux kits de capteurs, l'un standard et l'autre conçu et testé en laboratoire. La première étape du projet a consisté à identifier les paramètres qui sont surveillés pour l'identification des maladies de la vigne. Les capteurs dédiés à la mesure de ces paramètres ont été identifiés. Des capteurs et des systèmes IoT ont été acquis et installés dans les vignobles expérimentaux en France, en Roumanie et en Grèce.

- Pour intégrer la sécurité dans les solutions développées par le projet, nous nous sommes concentrés sur trois aspects différents : (1) la veille technologique pour s'assurer que la production du projet atteint les normes de sécurité actuelles, (2) l'audit et l'analyse de la sécurité des solutions choisies ou développées par le projet (3) l'intégration de la sécurité dans l'architecture des solutions développées. Nous avons choisi de nous appuyer sur des solutions sur étagère pour les communications entre le stockage et l'acquisition pour le déploiement initial ; cela permet une validation rapide à la fois de notre plateforme et de notre approche générale. L'analyse de sécurité de ces solutions montre qu'elles ont de bonnes propriétés de sécurité et qu'il n'est pas nécessaire d'ajouter un mécanisme de sécurité pour un premier prototype.

- Un état de l'art de la méthode a été étudié, mais très peu de recherches ont abordé le problème de la fusion de données hétérogènes pour la détection et la prédiction des maladies. Nous avons développé une nouvelle méthode qui combine les images satellites 2D avec les données météorologiques. Les résultats sont prometteurs, d'autres développements sont en cours pour les images de drones. Les corrélations entre les données des capteurs IoT donnent des informations sur l'état de la vigne, différents algorithmes sont testés pour identifier une méthode de prédiction pour la prévention des maladies.

A la fin du projet nous attendions :
- Mise en place d'un serveur centralisé pour regrouper les données provenant de diverses parcelles de vignobles dans différents pays.

- Exploiter trois années de données historiques pour comprendre et de modéliser l'impact du comportement du climat local sur les l'état sanitaire du vignoble.

- Prédiction en temps réel à l'aide des modèles d'apprentissage profond avec des séries temporelles. Cela donne la capacité de fournir des informations opportunes, permettant une prise de décision et une adaptation approprié.

-Fusion de données hétérogènes, séries temporelles et des images multispectrales/hyperspectrales. Cette combinaison de diverses sources de données permettrait de détecter d'identifier des maladies voir détecter de manière précoce leur apparition.

- L'intégration de techniques d'apprentissage fédéré répond à l'architecture du projet, plusieurs sites produisant de données, et aussi aux préoccupations en matière de protection de la vie privée et en encourageant les efforts de collaboration. Le but est d'agréger des modèles d'apprentissage automatique formés sur des données provenant de diverses sources sans partager les données brutes, ce qui garantit la sécurité des données privée.

- L'intégration de techniques d'apprentissage fédéré correspond bien à l'architecture du projet, plusieurs sites produisant de données, et réponds aux préoccupations en matière de protection de la vie privée et en encourageant les efforts de collaboration. Le but est d'agréger des modèles d'apprentissage automatique formés sur des données provenant de diverses sources sans partager les données brutes, ce qui garantit la sécurité des données privée.

-Une démonstration pratique afin de montrer la viabilité des solutions proposées, permettant ainsi aux parties prenantes de constater les avantages concrets du projet.

Simona Ghi?a, Mihaela Hnatiuc, Aurora Ranca, Victoria Artem, Madalina-Andreea Ciocan, 2022. Studies on the short-term effects of the cease of pesticides use on vineyard microbiome. IntechOpen in the book under the working title «Vegetation Dynamics, Changing Ecosystems and Human Responsibility«, ISBN 978-1-80356-138-7.

Mihaela Hnatiuc, Mirel Paun, Daniel Kapsamun IoT Sensors System for Vineyard Monitoring, 2022 11th International Conference on Frontiers of Intelligent Technologys, 2022

Mihaela Hnatiuc, Bogdan Hnatiuc, Sorin Sintea, Simona Ghita, Aurora Ranca, Victoria Artem, Bogdan Cristian Savin, IOT technology used in vineyard monitoring, 2021 IEEE 27th International Symposium for Design and Technology in Electronic Packaging (SIITME)

Mihaela Hnatiuc,Bogdan Hnatiuc, Aurora Ranca, Sorin Sintea, Victoria Artem, Simona Ghita, The methods for vine disease identification, 2021 IEEE 27th International Symposium for Design and Technology in Electronic Packaging (SIITME), DOI: 10.1109/SIITME53254.2021.9663713, Electronic ISSN: 2642-7036, ieeexplore.ieee.org/document/9663649

Computer Vision, IoT and Data Fusion for Crop Disease Detection Using Machine Learning: A Survey and Ongoing Research, Maryam Ouhami , Adel Hafiane , Youssef Es-Saady , Mohamed El Hajji and Raphael Canals , Remote Sens. 2021, 13(13), 2486.

Maryam Ouhami, Youssef Es-Saady, Mohammed El Hajji, Raphael Canals and Adel Hafiane “Meteorological Data and UAV Images for the Detection and Identification of GrapevineDisease Using Deep Learning”, IEEE E-HEALTH AND BIOENGINEERING CONFERENCE – EHB, 2022 10-th edition, Ia?i, Romania, November 17-19, 2022

Arun Pandian; V. Dhilip Kumar; Oana Geman; Mihaela Hnatiuc; Muhammad Arif; K. Kanchanadevi, « Plant Disease Detection Using Deep Convolutional Neural Network«, Applied Sciences, MDPI 2022-07-10

William Maillet, Maryam Ouhami, and Adel Hafiane. Fusion of satellite images and weather data with transformer networks for downy mildew disease detection. IEEE Access, 11 :5406–5416, 2022