Thèse soutenue

Méthodes de vision par ordinateur et d'apprentissage profond pour la localisation, le suivi et l'analyse de structure de plantes : application au désherbage de précision
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Louis Lac
Direction : Jean-Pierre Da Costa
Type : Thèse de doctorat
Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
Date : Soutenance le 03/03/2022
Etablissement(s) : Bordeaux
Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde)
Partenaire(s) de recherche : Laboratoire : Laboratoire de l'intégration du matériau au système (Talence, Gironde)
Jury : Président / Présidente : Olivier Ly
Examinateurs / Examinatrices : Jean-Pierre Da Costa, Olivier Ly, Christophe Debain, Laure Tougne, Marine Louargant, Marc Donias
Rapporteurs / Rapporteuses : Christophe Debain, Laure Tougne

Résumé

FR  |  
EN

L'agriculture fait aujourd'hui face au défi de la constante augmentation des besoins alimentaires, causée par la croissance démographique soutenue. En parallèle, la crise environnementale, dont l'agriculture est en partie responsable, risque d'impacter négativement les sociétés humaines. Limiter ces impacts tout en assurant la sécurité alimentaire mondiale est donc une nécessité. L'agriculture de précision visant à traiter les cultures de manière plus fine et plus localisée que les méthodes traditionnelles de l'agriculture intensive est l'un des leviers de la transition vers une agriculture plus résiliente et moins polluante. Les récentes avancées en vision par ordinateur, en robotique et en intelligence artificielle permettent d'imaginer de nouvelles solutions innovantes afin d'automatiser certaines tâches comme le désherbage de précision.Dans ce travail de thèse, des méthodes de vision par ordinateur et d'apprentissage profond sont explorées afin de détecter et de collecter des propriétés sur des plantes d'intérêt ainsi que pour suivre des plantes dans des séquences d'images. L'objectif est de fournir des algorithmes performants et robustes pouvant être employés dans des applications de désherbage de précision et de surveillance des cultures en plein champ. Le travail proposé s'appuie sur un prototype de bloc-outil de désherbage mécanique de précision nommé BIPBIP pour évaluer expérimentalement les méthodes développées.Différentes approches d'apprentissage profond conçues pour la localisation et la caractérisation de plantes sont explorées, paramétrées puis évaluées et un algorithme de suivi de plantes d'intérêt permettant d'améliorer la performance de la détection est proposé puis évalué. Les expérimentations présentées dans ce travail montrent qu'il est possible, d'une part, d'exploiter les réseaux de neurones profonds afin de détecter la structure des plantes et de localiser précisément leurs organes et, d'autre part, d'améliorer la performance via un algorithme de suivi temporel des détections.