Inspiration
L'idée d’AgroVision+ est née d’un constat évident : les petits agriculteurs en Afrique subissent de lourdes pertes à cause des maladies des plantes, des nuisibles et du manque d’outils de surveillance en temps réel. Nous avons voulu répondre à ce besoin avec une solution intelligente, locale et économe en ressources, en combinant l’IA, la vision par ordinateur et l’IoT, dans un système adapté aux réalités africaines.
What it does
AgroVision+ est un système embarqué de surveillance et de recommandation pour l’agriculture de précision. Il :
- Détecte en temps réel les maladies et les nuisibles à partir d’images des cultures.
- Collecte des données environnementales (température, humidité, nutriments du sol).
- Propose des recommandations intelligentes pour les traitements, les cultures à privilégier et la planification agricole.
- Alerte automatiquement l’utilisateur en cas de menace.
- Offre une interface web intuitive pour visualiser les données, consulter l’historique et planifier les actions agricoles.
How we built it
Le système est composé de plusieurs couches :
- Capture d’images : Caméras Raspberry Pi ou IP.
- Modèles IA embarqués : MobileNet, YOLOv5 optimisés pour tournent localement (sans cloud).
- Capteurs IoT : température, humidité, nutriments du sol.
Challenges we ran into
Optimisation de modèles IA pour fonctionner sur des ressources limitées.
Collecte de données visuelles réelles dans des conditions climatiques variées.
Fonctionnement en mode hors-ligne, indispensable en milieu rural.
Autonomie énergétique → intégration de l’énergie solaire.
Nettoyage et structuration des données capteurs pour les rendre exploitables par les modèles ML.
Accomplishments that we're proud of
Avoir obtenu un prototype fonctionnel et stable avec vision par ordinateur en temps réel.
Avoir réussi à faire tourner l’IA en local sans cloud, sur un Raspberry Pi.
Avoir connecté des capteurs en environnement réel pour des lectures précises.
Avoir conçu une interface utilisateur simple, même pour des utilisateurs non techniques.
What we learned
L’importance d’une architecture modulaire et distribuée pour supporter les coupures réseau.
Comment entraîner et déployer des modèles IA légers pour des appareils embarqués.
Comment traduire les besoins réels des agriculteurs en fonctionnalités techniques concrètes.
La gestion de flux de données capteurs + image en environnement peu structuré.
What's next for Agrivision+
Collaboration avec des agriculteurs et ONG pour le test sur terrain.
Intégration d’un système de notifications par SMS pour zones sans Internet.
Amélioration des modèles avec plus de données agricoles locales.
Lancer une version bêta en partenariat avec des centres agricoles.
Log in or sign up for Devpost to join the conversation.