Blog On ne parle pas de Bruno : comment une charrette à bras révolutionne la sélection végétale
Au sein de l'Alliance, les chercheurs utilisent un chariot à roulettes équipé d'un smartphone, baptisé « Bruno », pour collecter des données agricoles plus rapidement et de manière plus cohérente, aidant ainsi les programmes de sélection à travers l'Afrique à améliorer leurs méthodes d'identification des variétés végétales.
… mais c’est parce que, depuis quatre ans, les résultats sur le terrain parlent d’eux-mêmes
Il n’a ni moteur, ni antenne parabolique, ni capteurs clignotants promettant l’avenir de l’agriculture. Ce qu’il a, c’est du caractère et une conception sur mesure. Bruno est un chariot en acier équipé d’un smartphone, conçu pour être poussé à la main à travers les champs. Pourtant, il contribue à résoudre l’un des obstacles les moins visibles de la sélection végétale : la collecte de données de terrain fiables dont les sélectionneurs ont besoin pour décider quelles plantes deviendront les variétés agricoles de demain.
Ce nom était au départ une blague entre nous.
En 2022, les chercheurs de l’Alliance travaillant dans le cadre du projet ARTEMIS se sont heurtés à une contrainte inhabituelle. Leur collaborateur de l’époque, Mineral, une spin-off de Google X, souhaitait que les images des cultures soient collectées à l’aide de smartphones tenus à la main. Mais cette méthode manuelle demandait trop de main-d’œuvre pour être déployée à grande échelle : il fallait une journée entière à six personnes pour couvrir seulement 30 parcelles. C’est alors qu’est apparu Bruno, un chariot à pousser qui a permis de gagner en efficacité, en qualité et en envergure. Officiellement, le chariot à pousser que l’équipe était en train de construire « n’existait pas ». À peu près à la même époque, le film « Encanto » de Disney était devenu impossible à ignorer. Se déroulant en Colombie (où une grande partie des travaux de sélection et de phénotypage de l’Alliance sont depuis longtemps implantés), le film a inspiré à l’équipe une blague (interne) irrésistible : à l’instar de Bruno dans *Encanto*, la charrette à bras était indispensable, même si Mineral (ou l’équipe au sens large) n’était pas encore prête à en parler. L’équipe a discrètement surnommé le prototype Bruno, et très vite, ce nom est devenu le surnom de la « personne » qui produisait systématiquement les meilleures données.
La plaisanterie a duré jusqu’à ce que des collègues de Google demandent à rencontrer Bruno, s’attendant à voir un autre ingénieur ou technicien de terrain ; on leur a au contraire présenté la charrette elle-même, et à ce moment-là, le nom était déjà bien ancré.
Quatre ans plus tard, après douze itérations de conception et plus de 800 000 images collectées dans le cadre de programmes de sélection en Afrique de l’Est et de l’Ouest, Bruno fait désormais partie intégrante d’un système de phénotypage conçu autour d’une idée simple : la collecte de données de terrain de haute qualité ne devrait pas nécessiter d’infrastructures coûteuses, d’opérateurs spécialisés ou d’équipements que seule une poignée d’instituts de recherche peut se permettre d’acheter, d’entretenir et de réparer.
Le maillon le plus lent de l'alimentation mondiale
La sélection végétale est souvent associée à la génétique, aux laboratoires et à une science pointue, mais ses progrès dépendent tout autant de ce qui se passe en plein air. Les sélectionneurs croisent des milliers de combinaisons parentales avant de cultiver des générations successives dans le cadre d’essais en plein champ, revenant saison après saison pour identifier les plantes qui fleurissent le plus tôt, tolèrent la sécheresse, résistent aux maladies ou produisent les meilleurs rendements. Ce sont là quelques-unes des observations qui déterminent quelles plantes seront retenues.
Malgré toutes les avancées en génomique et en intelligence artificielle, une partie de ce processus a très peu évolué. Il faut toujours que quelqu’un parcoure les champs et consigne ses observations sur les différents traits et caractéristiques des plantes.
Dans tous les programmes de sélection, les techniciens passent des journées entières à parcourir les parcelles, munis de blocs-notes, de mètres rubans et de tablettes, pour consigner à la main des milliers d’observations. C’est un travail physiquement exigeant et, malgré des protocoles rigoureux, les mesures varient inévitablement d’un observateur à l’autre. Le phénotypage assisté par IA apporte une solution : les techniciens de terrain capturent des images des plantes, et des modèles de vision par ordinateur (CV) extraient les mesures des caractères. Cependant, la capture d’images à l’aide d’appareils portables présente la même contrainte : elle est physiquement exigeante et les images peuvent varier d’un technicien à l’autre. Un technicien de grande taille capture les images des cultures différemment d’un collègue plus petit, tandis que les variations de luminosité et les conditions sur le terrain introduisent des variations supplémentaires. Les plateformes de phénotypage automatisées peuvent réduire ces incohérences, mais elles restent hors de portée de nombreux programmes publics de sélection et systèmes nationaux de recherche agricole chargés de développer des variétés de cultures améliorées. Les obstacles vont au-delà du prix d’achat et concernent également le recours à des opérateurs spécialisés, les composants propriétaires, les exigences d’étalonnage et la dépendance vis-à-vis d’un support technique externe.
Plutôt que de mettre au point une version moins coûteuse des plateformes haut de gamme existantes, l’équipe ARTEMIS s’est posé une autre question : « À quoi ressemblerait réellement un système de phénotypage conçu en fonction des réalités de la recherche sur le terrain avec des ressources limitées ? » La réponse : un outil pouvant être fabriqué à partir de matériaux disponibles localement, facile à assembler et à réparer, utilisable par une seule personne et capable d’accueillir des smartphones fonctionnant sous ONA, la plateforme de phénotypage alimentée par l’IA développée en parallèle.
Bruno prend les photos ; ONA extrait les mesures
Alors que le chariot « Bruno » se déplace à travers les parcelles d’essai, des smartphones fixés sur des bras réglables capturent systématiquement des images des plantes de chaque parcelle via Ona, ce qui permet de traiter une parcelle standard en moins de trente secondes, soit environ quatre fois plus vite que certaines méthodes manuelles traditionnelles. ONA analyse ensuite ces images à l’aide de la vision par ordinateur (CV), mesurant les caractéristiques des plantes de manière cohérente. Il s’agit d’un domaine en plein développement, l’équipe s’efforçant de rendre les modèles plus robustes sur différents sites, appareils et conditions d’éclairage. Ensemble, ces deux systèmes réduisent l’une des sources d’incertitude persistantes du phénotypage sur le terrain : la variation entre observateurs.
Des essais sur le terrain seront menés entre 2023 et 2025 avec des chercheurs de l’Alliance et NARO en Tanzanie et Ouganda ont mis en évidence des corrélations comprises entre environ 0,89 et 0,99 avec les mesures manuelles de référence au sol pour le caractère « densité de peuplement » chez les haricots. Des valeurs de corrélation élevées ont également été enregistrées pour des caractéristiques telles que la floraison, la densité de peuplement, le nombre de gousses et l’imagerie des panicules chez les haricots, les niébés et le sorgho, ce qui montre qu’une collecte de données plus rapide ne se fait pas nécessairement au détriment de la précision scientifique.
Conçu par les professionnels du terrain, pour les professionnels du terrain
Le premier prototype, achevé début 2023, a rapidement mis en évidence presque toutes les faiblesses possibles d’un outil agricole. Le châssis se déformait sous la charge, les pneus se desserraient pendant le travail au champ, les vis à molette blessaient les doigts des opérateurs et les bras latéraux, censés guider les cultures, finissaient par s’accrocher aux tiges et les briser. Chaque défaillance est devenue une exigence de conception pour la version suivante. Améliorer Bruno impliquait de trouver un équilibre entre des exigences contradictoires : alléger le chariot réduisait parfois sa stabilité, rétrécir le châssis nécessitait de nouveaux supports de caméra, tandis que la conception de bras latéraux capables d’écarter les plants de haricots (ou les plantes à feuillage dense) sans les endommager a nécessité de multiples itérations avant de trouver le bon équilibre. À cela s’ajoutait la volonté de créer un Bruno «agnostique» vis-à-vis des cultures, ce qui a nécessité de nombreux tests sur différentes cultures et dans divers environnements, permettant de recueillir de nombreux retours d’expérience des équipes qui ont défini les itérations. Des améliorations successives ont finalement permis de réduire son poids, qui est passé d’un maximum de 23 kilogrammes à environ 11 kilogrammes, tout en améliorant à la fois la stabilité et la facilité d’utilisation.
Ces améliorations reflètent les contributions de techniciens de terrain, d’agronomes, d’ingénieurs, de spécialistes en apprentissage automatique et de concepteurs de produits, chacun apportant une solution à un aspect différent du même problème : protéger les cultures pendant la collecte, normaliser les images utilisées par le pipeline de vision par ordinateur et rendre le chariot suffisamment confortable pour être utilisé tout au long d’un cycle complet de collecte de données. La conception à grande échelle était tout aussi importante : chaque composant a été sélectionné de manière à pouvoir être fabriqué, réparé et remplacé à l’aide de matériaux et de ressources disponibles localement.
Les détails révèlent ce processus. Un mètre ruban intégré garantissait la cohérence des images d’une parcelle à l’autre à une hauteur définie. Un mât central rectangulaire empêchait les smartphones fixés de pivoter lors des déplacements entre les parcelles. Des bras latéraux incurvés ont remplacé les modèles précédents après que des techniciens eurent signalé des dommages dans les peuplements de cultures denses. Un support horizontal empilable pour téléphone peut être raccourci ou allongé en fonction de l’espacement des rangs de plantes et du protocole de capture d’images. Chaque ajustement répondait à un problème pratique identifié grâce aux retours d’expérience continus des utilisateurs sur le terrain, plutôt qu’à un problème imaginé dans un atelier.
C'est cette même philosophie qui a guidé le déploiement de Bruno. Plutôt que de s'en remettre à un fabricant central ou à une assistance technique externe, l'équipe d'ARTEMIS a élaboré des manuels d'assemblage numériques, des procédures opérationnelles standardisées et des supports de formation permettant aux partenaires de construire, d'entretenir et de déployer le système de manière autonome. Un programme d’élevage en Éthiopie ou au Sénégal peut ainsi accéder à Bruno, assembler le chariot et former de nouveaux utilisateurs sans avoir à faire appel à des techniciens spécialisés venant d’ailleurs.
« Nous nous sommes demandé à quoi ressemblerait un outil conçu en pensant aux utilisateurs ; un outil qui garantisse l’efficacité et la qualité de la collecte de données, mais qui soit également facile à utiliser et à dépanner sans équipement sophistiqué. Nous voulions un outil pouvant être fabriqué à Nairobi, Kampala ou Dakar, réparé n’importe où et utilisé partout par n’importe qui. C’était la seule façon de parvenir à une mise à l’échelle. Il y a quatre ans, nous nous demandions si cela était même possible. Aujourd’hui, la question est de savoir à quelle vitesse un programme peut intégrer Bruno dans ses activités sur le terrain. » Beverly Liavoga, scientifique à l’Alliance de Bioversity International & CIAT.
De meilleures données, un meilleur élevage
La fabrication de Bruno coûte environ 300 dollars américains et son assemblage peut être réalisé en deux heures maximum. Ce prix abordable est essentiel, car une grande partie de la recherche mondiale en amélioration des cultures est menée par des organismes de recherche publics plutôt que par des institutions disposant d’infrastructures de phénotypage sophistiquées et de moyens financiers. Conçue pour une fabrication locale, cette technologie peut être mise en place là où se déroule la sélection, à un coût d’accès et d’entretien abordable, sans dépendre de fournisseurs spécialisés et sans compromettre la qualité des données.
Des données plus récentes, standardisées et fiables permettent aux sélectionneurs d’évaluer davantage de plantes, de prendre des décisions de sélection plus éclairées et d’identifier des variétés prometteuses avec une plus grande certitude. Même si une décennie de sélection ne peut être réduite à quelques saisons, Bruno élimine l’une des étapes les plus lentes et les plus exigeantes en main-d’œuvre, ce qui laisse aux chercheurs davantage de temps pour se concentrer sur le développement de cultures capables de résister à la sécheresse et aux maladies, d’améliorer les récoltes et de renforcer la sécurité alimentaire grâce à des processus de collecte de données plus fiables, plus rapides et plus précis.
Bruno et ONA font désormais partie de Tatu, le portefeuille en pleine expansion de l’Alliance, composé d’outils basés sur l’IA et conçus pour soutenir l’amélioration des cultures dans les pays du Sud. Ensemble, ils démontrent que l’agriculture numérique ne consiste pas toujours à développer des technologies de plus en plus complexes. Parfois, les avancées les plus significatives découlent de la compréhension du fonctionnement de la recherche sur le terrain et de la conception d’outils adaptés à ces réalités.
Continuez à explorer
L'intelligence artificielle au service de l'agriculture
Les smartphones peuvent analyser les cultures et écouter les agriculteur.rice.s. Voici une intelligence artificielle conçue pour être mise entre les mains des sélectionneur.euse.s, des agent.e.s de vulgarisation et des agriculteur.rice.s.
