Modélisation d'images agronomiques : application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée

Agronomic picture modelling : application to weed recognition by imaging for precise spraying

• Auteur / Autrice : Gawain Jones
• Direction : Frédéric Truchetet, Christelle Gée
• Type : Thèse de doctorat
• Discipline(s) : Informatique et instrumentation de l'image
• Date : Soutenance en 2009
• Etablissement(s) : Dijon

Mots clés

Mots clés contrôlés

Photographie aérienne en agriculture

Traitement d'images -- Techniques numériques

Photographie aérienne

Plantes adventices

Résumé

Les nouvelles réglementations concernant les usages de produits phytosanitaires en agriculture ont conduit à la mise au point de méthodes d'identification de plantes (culture et adventices) par une gestion des adventices par imagerie. Afin de disposer d'un outil performant permettant l'évaluation de ces méthodes d’identification reposant sur une analyse spatiale de la scène photographiée, un modèle de simulation de scènes agronomiques a été mis au point. Prenant en considération les caractéristiques agronomiques d'une parcelle, ce modèle permet de simuler une vérité terrain dont les paramètres sont contrôlés. La scène agronomique ainsi créée subit ensuite une transformation projective afin de simuler la prise de photographie. Ce modèle a ensuite été validé à l'aide de comparaison statistique avec des données réelles. De nouveaux algorithmes spatiaux basés sur la Transformée de Hough et utilisant l'alignement en rang de la culture ont été développés. Trois méthodes basées sur une analyse en composante connexe, une estimation de contours et une méthode probabiliste ont été mises en oeuvre et évaluées à l'aide du modèle. Les résultats obtenus sont très bons avec une classification correcte culture/adventices supérieure à 90% et pouvant atteindre 98%. Enfin, pour ce modèle, une approche spectrale a été explorée afin de dépasser les limitations des méthodes spatiales. Une extension 3D a été apportée à ce modèle afin de permettre la simulation de la réflectance bidirectionnelle (BRDF) des plantes et du sol. La transformation d'une information spectrale en une information RGB, la prise en compte de filtres optiques ou la création de données multispectrales sont discutées.

Plant (crop and weed) identification is a very active field of research in agriculture since the reinforcement of European laws about pesticide applications for a site-specific management of spraying practices. A new crop/weed simulation model was developed to allow the evaluation of crop/weed spatial identification methods from imaging. Considering multiples agronomic parameters – crop location, weed infestation rate, weed spatial distribution – the first step of this model allows the simulation of an infested crop field. Then, in a second step, a world to camera transformation is applied to allow every kind of picture (with or without perspective effect). The validation of this model was performed using statistical tests comparing a real image to its homologous virtual one. New crop/weed discrimination algorithms based on the Hough Transform to detect crop rows were also developed. Three methods, using the crop row information and based on a blob-coloring, an edge estimation or a probabilistic classification were exhaustively tested using this model. Results show very good performance of these methods with correct average classification rate of 90% and up to 98% under special conditions. A spectral approach was also explored for the model in order to overcome the limitations imposed by spatial algorithms. Crop and weed plant patterns are now in 3D to allow the calculation of the bidirectional reflectance (BRDF) of plants and soil based on PROSPECT and SOILSPECT models. We also discussed the transformation of a reflectance spectrum into a RGB color, the simulation of optical filter effects and the creation of multispectral images.