Les problématiques actuelles liées à l'industrie de la culture du coton, à savoir l'estimation des rendements, l'effet des ravageurs et le diagnostic des phases de croissance, nécessitent des solutions de surveillance intégrées et évolutives. Cet article révèle l'apprentissage multitâche du coton (CMTL), un cadre multitâche propulsé par un transformateur qui lance trois tâches agronomiques majeures à partir de photos UAV en une seule fois : détection des capsules, segmentation des dommages causés par les ravageurs et classification des étapes phénologiques. CMTL ne modifie pas les pipelines séparés, mais fusionne plutôt ces objectifs en utilisant un encodeur multi-granulaire à niveaux croisés (CLMGE) et un module de fusion d'attention autodistillée multitâche (MSDAF) qui permettent un apprentissage mutuel à travers les tâches tout en conservant leurs caractéristiques spécifiques. La perte de cohérence des étapes guidée biologiquement est la partie de l'architecture du réseau qui permet au système d'effectuer des transitions de stade de croissance qui se produisent réellement. Nous avons exécuté CMTL sur un ensemble de données UAV tri-sources qui fusionnent plus de 2100 images étiquetées provenant de collections publiques et privées, représentant une variété de stades et de conditions de culture. Le modèle a montré ses vertus par rapport aux meilleures références dans toutes les tâches : atteignant 0,913 mAP pour la détection des capsules, 0,832 IoU pour la segmentation des ravageurs et 0,936 de précision pour la classification des étapes de croissance. De plus, il fonctionne à la vitesse de performance la plus rapide sur des dispositifs périphériques tels que le NVIDIA Jetson Xavier NX (fabriqué à Shanghai, Chine), ce qui le rend idéal pour le déploiement. Ces résultats évoquent la promesse du CMTL en tant qu'instrument unique et productif d'intelligence aérienne des cultures dans l'agriculture de précision du coton.
Umirzakova et al. (2025) ont étudié cette question.