Potentialités de l’imagerie couleur embarquée pour la détection et la cartographie des maladies fongiques de la vigne

Potential of on-board color imaging for the detection and mapping of fungal diseases affecting grapevine

• Auteur / Autrice : Florent Abdelghafour
• Direction : Jean-Pierre Da Costa, Christian Germain
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Soutenance le 20/12/2019
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de l'intégration du matériau au système (Talence, Gironde)
• Jury : Président / Présidente : Frédéric Albert Baret
• Jury : Examinateurs / Examinatrices : Jean-Pierre Da Costa, Christian Germain, Frédéric Albert Baret, Philippe Carré, Gilles Rabatel
• Jury : Rapporteurs / Rapporteuses : Philippe Carré, Gilles Rabatel

Mots clés

Mots clés contrôlés

Plantes -- Maladies cryptogamiques

Traitement d'images

Lutte contre

Mildiou de la vigne

Mots clés libres

Maladies fongiques

Classification supervisée

Imagerie embarquée

Physiologie de la vigne

Analyse de texture

Vigne

On-board imaging

Texture analysis

Fungal diseases

Supervised classification

Grapevine physiology

Grapevine

Résumé

Le mildiou de la vigne est une phytopathologie d'origine fongique particulièrement inquiétante pour la filière viticole. L'objectif de cette thèse est d'étudier les potentialités de l'imagerie couleur embarquée pour estimer l'état sanitaire des vignobles affectés par le mildiou à l'échelle intra-parcellaire. La solution proposée vise à assister les réseaux de surveillance épidémiologique dans l'estimation des risques sanitaires et dans la préconisation de plans de lutte chimique. En pratique, la chaîne de traitement d'images construite est dédiée à la détection, au dénombrement et à la mesure des tissus symptomatiques du mildiou. Cette chaîne est conçue pour traiter des images acquises directement à la parcelle dans les conditions de travail viticole.La chaîne de traitement s’appuie des représentations structure-couleur et des modèles probabilistes des classes des tissus présents dans les vignes étudiées. Elle opère en trois étapes : formuler des descripteurs pour extraire les propriétés caractéristiques et discriminantes de chaque classe ; modéliser les distributions statistiques de ces descripteurs dans chacune des classes ; affecter chaque pixel à une classe selon son adéquation à leurs modèles. Les descripteurs combinent le tenseur local de structure (LST) avec des statistiques colorimétriques calculées dans le voisinage du pixel considéré. Pour tenir compte de la nature spécifique des LST, les descripteurs font l'objet de transformations pour être représentés dans l'espace log-euclidien. Dans cet espace, il devient possible de modéliser les classes de tissus d'intérêt par des distributions de mélanges de gaussiennes multivariées des représentations structure-couleur. Enfin, la classification est réalisée par Maximum A Posteriori (MAP). Cette chaîne de traitement est appliquée dans un premier temps à des images de vigne saine. Il s'agit de segmenter une image en classes d'organes (feuillage, grappes ou inflorescences et tiges). Les classifications réalisées se montrent très performantes. De plus, la chaîne de traitement s'avère robuste au réglage des principaux hyper-paramètres.Dans un second temps, la chaîne de traitement est adaptée pour traiter des images comportant des symptômes du mildiou ainsi que des facteurs confondants tels que nécroses, décolorations, carences, plaies mécaniques. La méthode de décision s’appuie sur une reconstruction des symptômes par croissance autour de germes. Les critères utilisés reposent sur les représentations structure-couleur et les modèles probabilistes déjà définis. La nouvelle chaîne de traitement permet de détecter de façon fiable les symptômes du mildiou et d'estimer la surface des tissus affectés.

The downy mildew of the vine is a phytopathology of fungal origin particularly worrying for the wine industry. The aim of this thesis is to study the potentialities of on-board color imaging to estimate the health status of vineyards affected by downy mildew on an intra-plot scale. The proposed solution aims at assisting epidemiological monitoring networks in the estimation of health risks and in the recommendation of chemical control plans. In practice, two image processing chains are proposed, one dedicated to the segmentation of vine organs, and the other to the detection, counting and measurement of symptomatic tissues of downy mildew. These two chains are designed on a common strategy and are aimed at images acquired directly at the plot under the conditions of viticultural work. The proposed strategy is based on structure-color representations and probabilistic models of the tissue classes present in the vines. It operates in three steps : Formulating descriptors to extract the characteristic and discriminating properties of each class ; Modelling the statistical distributions of these descriptors in each class ; Assigning each pixel to on of the classes according to its suitability to their models. The descriptors combine the Local Structure Tensors (LST) with colorimetric statistics calculated in the neighborhood of the pixel considered. To account for the specific nature of LSTs, the descriptors are transformed to be represented in the Log-Euclidean space. In this space, it becomes possible to model the classes of interest by distributions of multivariate Gaussian mixtures of structure-color representations. This strategy is first applied to healthy vine images. It involves the partitioning of an image into organ classes (foliage, bunches or inflorescences and stems). A pixel-wise MAP (Maximum A Posteriori) classification is carried out and regularized by stochastic relaxation and mathematical morphology operations. The results obtained for three phenological stages are very convincing. In addition, the processing chain is robust to the setting of the main hyperparameters. In a second step, the previous methodological chain is adapted to process images with symptoms of downy mildew as well as necrosis, discolorations, deficiencies, mechanical wounds, which are confounding factors. The decision method is based on a reconstruction of symptoms by propagation around germs. The criteria used are based on the previously defined color-structure representations and probabilistic models. The new processing chain reliably detects downy mildew symptoms and estimates the area of the affected tissues.