[REPLAY Séminaire T-tAg] Comment les agri-youtubeurs communiquent sur leurs pratiques ? / How IoT time series images with CNN can be used to follow wheat heading date? par Louis Rénier et Kaaviya Velumani – 09.09.2020

T-tAg, webinaires scientifiques de #DigitAg : les doctorants #DigitAg présentent leurs travaux de recherche

Revoir les interventions de nos 2 doctorants et les échanges qui ont suivi.

Instaurer de la proximité à distance. Comment les agri-youtubeurs s’y prennent pour communiquer sur leurs pratiques quotidiennes ?

par Louis Rénier, INRAE Ecodéveloppement / Innovation

De la rencontre entre agriculture et numérique a récemment émergé la communauté des agri-youtubeurs, qui pratiquent l’automédiatisation de leur quotidien en se filmant au travail. Un geste qui s’effectue dans la double intention d’un « échange avec les autres agriculteurs » et d’une adresse « au grand public pour expliquer leur métier ». Qu’il s’agisse du dialogue entre pairs ou avec la société, il se dessine ainsi une problématique de la distance, géographique et sociale, que les agriyoutubeurs tentent de résorber par le biais de leur engagement sur Youtube. Comment s’y prennent-ils ? C’est à cette question que nous proposerons d’apporter une réponse, en nous intéressant à la façon dont ces derniers construisent leurs vidéos et instaurent un lien de proximité avec leur public d’abonnés.

Voir aussi: : la page de Louis Rénier


How IoT time series images with CNN can be used to follow wheat heading date?

par Kaaviya Velumani, Hiphen / INRAE EMMAH / CAPTE

Accurate and timely observations of wheat heading date are instrumental for many scientific and technical domains such as wheat ecophysiology, crop breeding, crop management or precision agriculture. Visual annotation of the heading date in situ is a labour-intensive task that may become prohibitive in scientific and technical activities where high-throughput is needed. The recent development of IoT sensors  with imaging capabilities have opened new avenues to monitor crops automatically  in near-real time. In parallel, the advances in computational resources and data science have fostered a significant breakthrough in computer vision and has paved the way to implement advanced algorithms to extract relevant information from high spatial resolution imagery.  Deep learning algorithms with convolutional neural network (CNN), have shown excellent  performances for image analysis. These capabilities have favoured their progressive adoption in the fields of agronomy and phenomics. This study presents an automatic method with the use of CNNs to estimate wheat heading date from a serie of daily images acquired by a fixed RGB camera in the field.

Voir aussi: : la page de Kaaviya Velumani