Dispositif anti frelons asiatiques

Le frelon asiatique est présent en France depuis les années 2000 et est considéré comme une espèce exotique envahissante. En effet, son régime alimentaire se compose principalement d’abeilles domestiques, ce qui contribue à briser l’équilibre de fonctionnement des ruches et de leur écosystème. Depuis avril 2020, le frelon asiatique est présent dans toute la France et dans de nombreux pays d’Europe. Ils représentent donc un danger à la fois pour l’homme et pour les ruches. Toutefois, les méthodes mises en place restent limitées : pièges à insectes, grilles à l'entrée des ruches, destruction des nids de frelons par des exterminateurs. Certains ingénieurs tentent également de développer des systèmes pour les empêcher de nuire. Néanmoins, cela reste trop théorique ou irréalisable, notamment avec le besoin du système d’avoir une alimentation constante avec la prise de secteur. On peut en conclure que le prix ou l'efficacité de ces systèmes sont encore des défauts majeurs. Cette menace doit être prise au sérieux, c’est pourquoi il peut être utile de s'intéresser à un système capable de protéger les ruches de ces prédateurs. Les frelons asiatiques se placent en vol stationnaire avant l’attaque d’une ruche et sont alors facilement détectables via un système d’acquisition basé sur de la reconnaissance par CNN. Une fois les coordonnées obtenues, l’objectif est d’éliminer la bête à l’aide d’un système laser capable de le faire fuir ou bien de lui brûler ou couper les ailes pour l'immobiliser. On recherche un système peu coûteux, autonome et simple d’utilisation.

Etude du frelon

Physiologie

Le frelon asiatique, ou Vespa Velutina, est arrivé pour la première fois en Europe en 2004. Il est caractérisé par un corps noir avec de fines bandes orangées et des pates aux extremités jaunes. Il se différencie facilement des frelons européens qui sont plus imposants et moins noir. Le frelon mesure environ 2 cm de longueur pour une largeur de 1cm. Il est assez puissant pour éliminer des abeilles européennes sans effort en les décapitant avec ses mandibules.

Menaces

En Europe, le Vespa Velutina n’a pas de prédateurs naturels, ce qui en fait un super-prédateur dans l’écosystème européen. En Asie, ils sont chassés par le frelon géant Vespa mandarinia, qui attaque entre 0 et 10 mètres. Cela oblige les frelons asiatiques à faire leur nid à plus de 10 mètres du sol, les rendant beaucoup moins menaçants qu’en Europe où ils peuvent faire leur nid où ils le souhaitent. Ils sont particulièrement agressifs envers les humains, qu’ils peuvent poursuivre sur plusieurs centaines de mètres, et attaquent également des ruches d'abeille européennes Apis Mellifera, qui sont incapable de se défendre contre de tels prédateurs. La localisation des nids est donc une priorité pour la préservation de notre écosystème. Cependant, aucune solution n’a été imaginée à ce jour, c’est pourquoi nous cherchons des systèmes capables de défendre directement les ruches domestiques. Lorsque les abeilles rentrent dans la ruche avec du pollen, elles ralentissent pour se poser et les frelons les attaquent à ce moment-là. Pour se défendre, les abeilles s'agglutinent à l’entrée de la ruche, mais elles interrompent ainsi leur opération de butinage, ce qui entraîne un manque de ressources pour l’hiver. Les abeilles seront alors soit éliminées par les frelons, soit mourront de faim. L’objectif principal des frelons étant de nourrir leur larves, ils ramènent les cadavres de leur victime à leur nid après s’être eux-mêmes nourri sur les abeilles

Comportement de vols

Il existe peu d’études sur la dynamique de vol et le comportement de prédation du frelon asiatique vis-à-vis de l’abeille domestique. L’enjeu ici serait de pouvoir étudier le comportement des frelons, d’analyser et d’extraire des données sur les comportements successifs de vol – visite, vol stationnaire, attaque, capture, fuite – afin de spécialiser le réseau de neurones.

Une étude a été menée dans l’article [1]. 71 frelons marqués grâce à des micro-systèmes d'identification par radiofréquence ont été relâchés autour du nid afin d’étudier leur comportement individuel. La moyenne est de 12,62 ± 10,97 trajets par jour et par individu. 98% des déplacements ont été enregistrés entre 7h00 et 20h00 ce qui a permis de négliger les trajets de nuit dans la suite avec un nombre maximal de trajet entre 12h et 15h00. Les conditions météorologiques influencent le nombre de trajets par jour par individu qui augmente avec une température plus élevée et une faible humidité.

La durée du voyage a été divisée en deux échantillons : les longs trajets de plus d'une heure et les courts trajets de moins d'une heure. Les longs trajets représentent 3,60 % des trajets La plupart des trajets étaient donc de courts trajets d'env. 949,7 ± 750,46 s. La durée de trajet n’est pas influencée par la masse corporelle.

Dans l’étude présentée par l’article [2], le comportement de vol du frelon est étudié dans un laboratoire grâce à un moulin à vol avec du miel pour stimulation. Les ouvrières volaient (2386 ± 1323) m par heure en moyenne avec cependant de grandes variations. La durée de vol était à peu près proportionnelle à la distance de vol, donc la durée moyenne de vol était de (1429 ± 679) s par heure. La vitesse de vol moyenne était de (1,56 ± 0,29) ms-1 avec peu de variations (plage de 0,90 ms−1 à 2,10 ms−1). Les distances de vol des travailleurs étaient stables pendant quelques jours à la fois, mais diminuent au cours de la durée de vie restante d'un travailleur.

La répartition des phases de vol a également été étudiée. Au cours de chaque test en vol, les travailleurs ont généralement effectué plusieurs phases de vol, bien qu'il y ait eu une variation marquée. Ils ont également effectué plusieurs phases de saut (moyenne = 20), mais la contribution en pourcentage des phases de saut à l'activité de vol globale était minime (environ 0,2 %). La distance et la durée des phases de vol étaient très variables, ce qui rend un modèle de comportement très compliqué. La plupart des phases de vol étaient courtes. Cependant, 25% d'entre elles couvraient au moins 4000 m, 10% d'entre elles couvraient au moins 7900 m. Les phases de vol et de saut étaient séparées par des phases de repos de durée courte mais très variable (moyenne = (741 ± 1318) s).

Article [1]: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0198597

Article [2]: https://onlinelibrary.wiley.com/doi/pdf/10.1002/ece3.4182

Etat de l'art

Système d'identification d'oiseaux

Il s'agit d'un projet qui est similaire à notre projet. L'auteur a conçu une caméra ornithologique de Deep Learning. C'est un système pour identifier automatiquement les oiseaux, prendre des mesures et enregistrer des vidéos d'eux. La caméra prend des photos et enregistre des vidéos automatiquement lorsque l'espèce spécifique d'oiseau se trouve devant la caméra. Avec l'aide de l'algorithme de détection d'objet qui est YOLOv2 dans l'article, nous pouvons facilement obtenir les coordonnées de l'oiseau.

Lien: https://www.makeartwithpython.com/blog/deep-learning-bird-camera/

Detection d'objets + coordonnées avec Yolov3

Un exemple peut rapidement démarrer avec la détection d'objets basée sur algo YOLO par Nandini.Y compris l'import de module, le prétraitement des données.Une fois le modèle formé, l'image obtenue par la caméra est utilisée comme entrée et plusieurs objets de cadre de délimitation peuvent être détectés.Cela a un certain degré de similitude avec notre projet, qui est basé sur la détection d'objet de algo YOLO, et peut retourner les coordonnées de l'objet détecté en même temps.Nous pouvons suivre ses étapes et modifier les poids et les paramètres en même temps pour obtenir les objets que nous devons détecter.

Lien: https://ichi.pro/fr/detection-d-objets-avec-yolov3-et-opencv-28510119961632

Projet similaire réalisé par une autre école

Une autre école d’ingénieurs française, L’ESILV, a proposé un sujet similaire à ses étudiants de dernière année en 2019-2020. Le système devait permettre de reconnaître un frelon grâce à une caméra et un algorithme entraîné à leur détection puis d’envoyer un faisceau laser pendant 2 secondes sur le frelon après vérification qu’aucun être humain ne soit dans la zone de tir.

Lien: https://www.esilv.fr/portfolios/canon-laser-de-defense-des-ruches-contre-les-frelons-asiatiques/

Système de vision

Caractéristiques du système

Schéma du dispositif

Nous considérons pour notre schéma une ruche Dadant 10 cadres avec les dimensions précisées. Cela peut s’étendre facilement à tout type de ruche dadant car les variations de dimensions reste inférieures à la distance de travail choisie qui est de 70 centimètres. Nous utilisons ici une caméra Raspberry Pi v2 8MP sur laquelle sera directement implémenté le réseau de neurones permettant de détecter et de transmettre les coordonnées d’un frelon s’approchant de la ruche.

Caméra

Caméra v2 8MP Raspberry Pi

Résolution photo : 3280 x 2464 pixels

Résolution vidéo : 1080p30, 720p60 et 640x480p90

Taille du capteur : ¼”

Prix : 25 à 30 euros

Résolution

La résolution est le premier paramètre à calculer afin de choisir un capteur. Elle dépend à la fois du champ de vue ainsi que du plus petit élément. Nous avons fixé le champ de vue à 60 cm ainsi que le plus petit élément à détecter dans l’image à 1 mm. En effet la taille du frelon étant d’environ 2 centimètres, nous avons considéré qu’un plus grand champ de vue ou plus de détail ne serait pas utile à l’efficacité du pointage laser. La résolution est donnée par :

r= 2*(Champ de vue / Taille du plus petit élément) D’où r =1200 pixels au minimum.

Notre capteur suffit amplement à obtenir la résolution voulue et a également un bon rapport qualité/prix.

Objectif

Pour obtenir des images nettes de la scène, il est important de choisir l’objectif avec la bonne focale. Cette dernière dépend de la taille du capteur (ici sa longueur), du champ de vue et de la distance de travail. Le capteur est de ¼” ce qui correspond à la figure suivante : Dans notre cas, on ne prend en compte que la longueur du champ de vue donc nous considérons que la taille du capteur est de 3.6mm. La distance de travail est donnée sur le schéma : D = 70cm. On calcule la focale grâce à l’équation : f=Distance de travail * Taille du capteur/Champ de vue D’où f = 12 mm.

Compléments

Il est possible d’améliorer le système via l'implantation de fonctionnalités supplémentaires. En effet, lors de ses déplacements, le frelon asiatique émet un bruit caractéristique dont la fréquence fondamentale avoisine les 100 Hz, ce qui est différent des battements d’ailes des abeilles qui sont proches des 200 Hz. Il serait ainsi possible de mettre en place un détecteur acoustique capable d’alimenter le système complet dès qu’un bruit de frelon asiatique est repéré. Cela permettrait d’éviter une consommation excessive de batterie et ainsi d’augmenter la durée de vie du système.

Réseau de neurones

Nous avons décidé d'utiliser l'algorithme YOLO pour la détection des frelons. You only look once (YOLO) est un système de détection d'objets en temps réel à la pointe de la technologie. Nous avons testé YOLOv3 et YOLOv5. Nous avons trouvé YOLOv5 plus facile à déployer et plus précis, nous avons donc finalement décidé d'utiliser YOLOv5.

Nous n'avons pas trouvé d'ensemble de données pour le frelon asiatique sur internet. Mais nous avons trouvé un ensemble de données pour le frelon européen. Nous avons donc décidé d'utiliser cet ensemble de données pour tester notre réseau dans un premier temps. Ce premier test a présenté une précision supérieure à 90%. Nous ne pouvons pas entraîner le réseau neuronal sur notre propre ordinateur en utilisant le GPU. Nous avons donc décidé d'utiliser Google colab pour les entraînements en ligne. Il nous permet d'écrire et d'exécuter du code Python dans notre navigateur. Et il offre les avantages suivants: aucune configuration requise, accès libre aux GPU et partage facile.

Solution et méthodes réalisés

Mise en place

Partie caméra

Au cours du sprint d’idéation, nous avions établi une distance caméra/entrée de la ruche de 2m. Nous avions donc prévu d’ajouter un objectif de focale 12 mm à la Picam pour obtenir les 50 cm de la ruche dans notre champ de vision. Finalement, après discussion avec notre porteur de projet, nous avons ramené notre distance de travail à 1 mètre. L'objectif inclus dans la Picam est alors suffisant pour obtenir le champ de vue nécessaire pour observer l’intégralité de la ruche. L'objectif de 12 mm et la monture C imprimé en 3D par Matthieu Dumay sont donc inutiles.

Nous avons effectué nos tests à 20 cm des frelons en 640x480p pour limiter la surchauffe et le temps de traitement.

Partie CNN et électronique

Nous allons implémenter notre détection de frelon sur le Raspberry Pi 3B,il y aura les principales étapes suivantes:

1.Graver le système d'exploitation sur la carte SD

- Décompressez le fichier compressé de l'image du système d'exploitation téléchargé pour obtenir le fichier image img

- Après avoir utilisé le plateau de carte SD ou le lecteur de carte, connectez-le à l'ordinateur.

- Décompressez et exécutez l'outil win32diskimager.

Nous utilisons une carte SD qui a été gravée avec Linux.

2. Connexion externe Raspberry Pi

Étant donné que le Raspberry Pi n'est pas livré avec un clavier et un moniteur, nous devons le connecter en externe. En même temps, nous connectons le raspberry pi à l'alimentation, afin qu'il puisse démarrer avec succès et que nous puissions voir l'interface sur l'écran.

3. Configurez l'environnement requis pour que yolov5 s'exécute et caméra pi

- S'il n'y a pas de python sur la carte, nous devons d'abord installer python.

- Si vous exécutez directement install -r requirements.txt lors de la configuration de l'environnement YOLOv5, il y a une forte probabilité que le téléchargement soit lent et qu'une erreur puisse être signalée. torche et torchvision doivent d'abord être téléchargés puis installés directement.

- Après avoir téléchargé tous les environnements, nous devons configurer notre caméra.

Accédez à Caméra, sélectionnez Activer

Sélectionnez "Terminer" et redémarrez.

Commencer la détection

Nous plaçons le modèle formé localement (fichier .pt) dans le répertoire yolo correspondant au Raspberry Pi, et grâce au script, nous pouvons réaliser la détection d'image et la surveillance de la caméra en temps réel.

Piste d'amélioration

Matériel vision

La caméra nous propose trois formats vidéo, 1920x1080p, 1280x720p ou 640x480p. Le choix de la Picam V2 est donc intéressant car elle est peu coûteuse (25 €) et propose un large choix de nombre de pixels pour la capture vidéo. Nous avons effectué les tests à 20 cm des frelons en 640x480p pour limiter la surchauffe et le temps de traitement. Une telle résolution n’est pas suffisante pour une distance de 1 mètre, mais un format plus généreux en pixels nous permettra d’utiliser le système en conditions réelles. Il faudra également que le réseau de neurones soit entraîné avec des images correspondant à notre prise de vue.

Banque d'images

Les banques d’images déjà réalisées sont difficiles à obtenir. Nous avons alors sollicité des ingénieurs ayant déjà travaillé sur le sujet et possédant donc une banque d’images adaptée, mais nos mails sont restés sans réponse. La meilleure option serait de créer une véritable banque d’image avec de nombreuses prises de vues et différents zooms plus ou moins importants sur les frelons, mais cela requiert un temps considérable pour obtenir plusieurs centaines d’images adaptées.