Modèles d’apprentissage profond hiérarchiques et semi-supervisés sur systèmes embarqués pour l’agriculture intelligente

Hierarchical and semi-supervised deep learning models on embedded systems for smart farming

• Auteur / Autrice : Guillaume Heller
• Direction : Valeriu Vrabie, Eric Perrin
• Type : Thèse de doctorat
• Discipline(s) : Info - Informatique
• Date : Soutenance le 30/03/2023
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Sciences du Numérique et de l’Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (Reims, Marne ; 2004-....)
• Partenaire(s) de recherche : Equipe de recherche : Equipe ATS-CRESTIC
• Jury : Président / Présidente : Bart Lamiroy
• Jury : Examinateurs / Examinatrices : Valeriu Vrabie, Eric Perrin, Jocelyn Chanussot, Su Ruan, Nicolas Thome, Maxime Devanne
• Jury : Rapporteurs / Rapporteuses : Jocelyn Chanussot, Su Ruan

Mots clés

Mots clés contrôlés

Parallaxe

Imagerie multispectrale

Viticulture

Réseaux neuronaux (informatique)

Maladies de la vigne

Analyse informatique

Flavescence dorée

Apprentissage profond

Informatique -- Recherche

Agriculture

Intelligence artificielle

Mots clés libres

Apprentissage profond

Classification d'images

Imagerie multispectrale

Hiérarchique

Semi-Supervisé

Agriculture Intelligente

Deep Learning

Image classification

Multispectral Imaging

Hierarchical

Semi-Supervised

Smart Farming

Résumé

L’intelligence artificielle est de plus en plus utilisée pour l’agriculture intelligente. Elle possède cependant plusieurs limitations telles que des besoins importants en ressources, ce qui allonge le délai de traitement des données.Dans cette thèse, nous nous intéressons à la mise en place de solutions d’apprentissage profond pour automatiser la détection de la Flavescence Dorée, une jaunisse de la vigne apparue récemment en Champagne. Nous devrons pour cela respecter des contraintes de précision et de tempsde traitement.Nous proposons d’abord une solution de greffage de réseaux de neurones permettant de combiner des modèles hétérogènes en réutilisant des feature maps de dimension et de nombre variables. La réutilisation de ces informations permet de gagner un temps significatif sans affecter laprécision.Nous mettons ensuite en place une solution de fusion multi-sources permettant de tirer profit d’acquisitions multispectrales. En combinant des feature maps à des niveaux hiérarchiques différents, il est possible d’améliorer la précision et de s’affranchir de l’étape de correction des erreursde parallaxe.Les solutions proposées se basent sur des hyperparamètres déterminés de manière empirique. Nous exploitons des concepts issus de la théorie de l’information pour automatiser la définition de ces paramètres et éviter la multiplication des étapes d’apprentissage.Le dernier axe des travaux vise à faciliter la mise en place des solutions par des approches semi-supervisées et des méthodes antagonistes génératives pour tenir compte des spécificités des jeux de données relatifs aux maladies de la vigne : classes déséquilibrées, phase de labélisation chronophage…

Artificial intelligence is more and more used for Smart Farming. However, it has several limitations such as significant resource requirements,which lengthens the time it takes to process data.In this work, we are interested in deep learning solutions to automate the detection of Flavescence Dorée, a Grapevine yellow that recently appeared in Champagne. We will be subject to precision and processing time constraints.We first propose a neural network grafting solution allowing to combine heterogeneous models by reusing feature maps of variable size and number. Reusing this information saves significant time without affecting accuracy.We then propose a multi-source fusion solution to take advantage of multi-spectral imaging. By combining feature maps at different hierarchical levels, it is possible to improve accuracy and avoid the parallax error correction step.The proposed solutions are based on empirically determined hyperparameters. We use concepts from information theory to automate the definition of these parameters and avoid the multiplication of training.The last part of the work aims to ease the implementation of solutions by semi-supervised approaches and generative antagonistic methods to consider the specificities of datasets relating to vine diseases: unbalanced classes, time-consuming labeling phase…