Analyse intelligente des images pour la surveillance dans une agriculture de précision

Intelligent image analysis for monitoring in precision agriculture

• Auteur / Autrice : Solemane Coulibaly
• Direction : Bernard Kamsu-Foguem, Dantouma Kamissoko
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Automatique
• Date : Soutenance le 06/12/2021
• Etablissement(s) : Toulouse, INPT en cotutelle avec Université des Sciences Techniques et Technologiques de Bamako (Mali)
• Ecole(s) doctorale(s) : École doctorale Aéronautique-Astronautique (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Génie de Production (Tarbes ; 1989-....)
• Jury : Président / Présidente : Carmen Gervet
• Jury : Examinateurs / Examinatrices : Bernard Kamsu-Foguem, Dantouma Kamissoko, Carmen Gervet, Annig Le Parc-Lacayrelle, Daouda Traoré
• Jury : Rapporteurs / Rapporteuses : Engelbert Mephu-Nguifo, Denis Pomorski

Mots clés

Mots clés contrôlés

analyse

Mildious

Agriculture connectée

Agriculture de précision

Mots clés libres

Agriculture de précision

Vision par ordinateur

Apprentissage supervisé

Réseau de neurones

Apprentissage profond

Apprentissage par transfert

Explicabilité des réseaux de neurones

Apprentissage multitâches

Détection des maladies

Détection des insectes ravageurs

Precision agriculture

Computer vision

Supervised learning

Neural network

Deep learning

Transfer learning

Explainable Artificial Intelligence

Multi-task learning

Disease detection

Insect pest detection

Résumé

Les avancées technologiques de la vision par ordinateur et l'utilisation des systèmes d'intelligence artificielle (comme l'apprentissage automatique ou profond) ont eu un fort impact dans l'agriculture en la faisant passer à une nouvelle ère digitalisée. Il s'agit d'une agriculture numérique ou de précision dans laquelle on assiste à une forte utilisation des données, de l'informatique intelligente, des drones, et des capteurs pour produire davantage. A cet effet, cette thèse propose de nouvelles réponses aux enjeux de la surveillance des cultures menacées par des attaques fongiques. Ce qui nous a amené à donner de nouvelles contributions visant à relever les défis d’une agriculture de précision. Partant de là, nous avons effectué une étude bibliométrique sur les apports de l’apprentissage profond en agriculture. Nous avons discuté les contributions des chercheurs principalement impliqués, en vue d'apporter de nouvelles réponses aux défis de l’agriculture de précision. Cette étude a été clôturée par des recommandations essentielles dans la réalisation d’un système agricole intelligent. Il s’agit de (i) considérer la perception des acteurs humains du système; (ii) exiger la prise en compte des tests statistiques et des validations croisées des données d’entraînement lors de la comparaison des performances de plusieurs classificateurs ; (iii) analyser la performance d’un classificateur sur les données d’entraînement en faible quantité. Dans un premier temps, pour consolider cette étude, nous avons étudié la classification de la maladie mildiou au niveau de la culture du mil, une des cultures vivrières des régions d’Afrique et d’Asie. Dans ce travail, un accent a été mis sur la faible quantité de données d'entraînements supervisées, nécessaires pour former de tels classificateurs. Dans un second temps, nous avons proposé une nouvelle tâche de classification des réseaux de neurones convolutifs en augmentant les espaces de caractéristiques des données d’entraînement. Cette approche se base sur les principes de l’apprentissage multitâches dans l’élaboration d’un modèle de classification multi-labels avec la comparaison de plusieurs classificateurs. Durant des années, les recherches en apprentissage automatique étaient beaucoup plus concentrées sur la performance des modèles de prédiction plutôt que sur leur compréhension, leur interprétation et leur pouvoir de décision. Si nous comprenions ce que le modèle a appris, il est possible de garantir la qualité des résultats obtenus. Dans un troisième temps, nous avons observé les propriétés de visualisation d’un modèle profond afin d’obtenir des résultats significatifs, explicables par un utilisateur quelconque. Nous avons qualitativement analysé des cartes de visualisation des méthodes d'explicabilité lors de la localisation des insectes ravageurs des cultures. Au-delà d’une prédiction à base du calcul de probabilité, nous avons guidé le processus de la localisation d’insectes en employant la théorie de l’information mutuelle. L'apprentissage profond requiert assez souvent une grande quantité de données et une puissance de calcul pour entraîner un réseau de neurones profonds. Les résultats obtenus par nos travaux ont prouvé que, l'apprentissage par transfert, l'augmentation des données et le partage des tâches constituent des moyens efficients pour améliorer la capacité des réseaux de neurones profonds. Notons que les systèmes ont pour vocation d'interagir avec des utilisateurs humains. Ils doivent donc être en mesure d'expliquer, de justifier leur comportement et les décisions qu'ils prennent afin que ces utilisateurs puissent comprendre les actions réalisées. Les contributions de cette thèse ont dévoilé que, l'exploration des méthodes de l'explicabilité est un moyen pertinent et utile pour le déploiement des outils d'intelligence artificielle au service de l’agriculture de précision.

Technological advances in computer vision and the use of artificial intelligence systems (such as automatic or deep learning) have had a strong impact on this field, bringing it into a new digitalized era. This is digital or precision agriculture in which there is a strong use of data, intelligent computing, drones, and sensors to produce even more. In this thesis, we propose new answers to the challenges of monitoring crops threatened by fungal attacks. This has led us to make new contributions to the challenges of precision agriculture. Based on this, we conducted a bibliometric study on the contributions of deep learning in agriculture. We discussed the contributions of the researchers mainly involved, in order to provide new answers to the challenges of precision agriculture. This study was closed with essential recommendations in the realization of an intelligent agricultural system. These are (i) to consider the perception of the human actors of the system; (ii) to require the consideration of statistical tests and cross-validations of the training data when comparing the performances of several classifiers; (iii) to analyze the performance of a classifier on the low quantity training data. First, to consolidate this study, we studied the classification of late blight disease in millet, one of the food crops in African and Asian regions. In this work, emphasis was placed on the small amount of supervised training data needed for such classifiers. In a second step, we improved the classification tasks of convolutional neural networks by increasing the feature spaces of the training data. This approach is based on the principles of multi-task learning in the development of multi-label classification model the comparison of several classifiers. For years, research in artificial intelligence was much more focused on the performance of learning models rather than on their understanding, interpretation, and decision power. If we understood what the model learned, we could guarantee the quality of the results obtained. In a third step, we observed the visualization properties of a deep model in order to obtain meaningful results that can be explained by any user. We have qualitatively analyzed the explanatory capacity of deep neural networks when locating crop pests. In addition to a prediction based on a probability value, we have guided the process of insect localization by using the mutual information theory. Deep learning requires a large amount of data to build a deep neural network and computational power to train it. The results obtained from our work have proven that transfer learning, data augmentation, and task sharing are efficient ways to improve the capacity of deep neural networks. Note that learning systems based on artificial intelligence are intended to interact with human users. They must therefore be able to explain and justify their behavior and the decisions they make so that these users can understand the actions they take. The contributions of this thesis have revealed that the exploration of the explanation methods is a useful and beneficial tool for farmers. They aim to shed light on the process of scaling up the concerns and challenges of the new form of agriculture that is precision agriculture.