Contributions to low-cost imaging and machine learning for plant phenotyping

par Salma Samiei

Thèse de doctorat en Signal, Image, Vision

Sous la direction de David Rousseau et de Paul Richard.

Soutenue le 01-10-2020

à Angers , dans le cadre de École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) , en partenariat avec LARIS. Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) (équipe de recherche) et de Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS (laboratoire) .

Le président du jury était Diana Carolina Mateus Lamus.

Le jury était composé de Gerhard Buck-Sorlin, Astrid Junker.

Les rapporteurs étaient Frédéric Baret, Aymeric Histace.

  • Titre traduit

    Contributions à l’imagerie à bas coût et à l’apprentissage automatique pour le phénotypage des plantes


  • Résumé

    Dans cette thèse, nous étudions les possibilités de réaliser une imagerie à haut débit pour le phénotypage végétal à faible coût sur un ensemble de questions biologiques. Nos contributions peuvent être organisées en deux parties. La première partie se concentre sur la façon de réduire le coût du phénotypage végétal au niveau du capteur. Dans cette section, nous montrons l’utilisation novatrice des mini-ordinateurs, associés aux caméras RVB et/ou LiDAR, pour surveiller les plantes à partir de la vue de dessus en tant qu’individus, ou au niveau de la canopée. Avec un accès plus pratique aux systèmes d’imagerie, le goulot d’étranglement actuel du phénotypage végétal correspond désormais au développement d’algorithmes de traitement d’image optimisés. La deuxième partie traite de cette question et se concentre sur la réduction du coût de calcul et du temps requis pour la création de la vérité-terrain associée aux images à traiter. Nous avons étudié la valeur de la transformation scatter, qui est une architecture de réseaux profonds ne nécessitant pas de ressources informatiques massives ou de grands ensembles de données annotés. Nous avons également étudié la possibilité d’effectuer des annotations d’images automatisées avec un apprentissage automatique non supervisé dans des séquences d’images. Nous avons démontré, la possibilité d’accélérer l’annotation avec des outils ergonomiques basés sur la capture de la direction du regard de l’annotateur. Enfin, nous avons démontré la possibilité d’accélérer l’annotation en utilisant des données synthétiques annotées automatiquement.


  • Résumé

    In this thesis, we investigate the possibilities of performing high-throughput imaging for plant phenotyping at low cost on a set of biological questions. Our contributions can be organized into two parts. The first part focuses on how to reduce the cost of plant phenotyping at the sensor level. In this section, we show the innovative use of mini-computers, associated with RGB and/or LiDAR cameras, to monitor plants from the top view as individuals , or at a canopy level. With more convenient access to imaging systems, the current bottleneck in plant phenotypingnow corresponds to the development of optimized image processing algorithms. Thesecond part addresses this issue and focuses on reducing the computational cost and the time required for the creation of ground-truth associated with the images to be processed. We have investigated the value of the scattering transform, which is a deep architecture without the need for massive computational resources or large annotated datasets. We have also investigated the possibility of performingautomated image annotation with unsupervised machine learning in sequences ofimages. We have demonstrated, the possibility to speed up annotation with ergonomictools based on the capture of the annotator’s gazing direction . Last, we have demonstrated the possibility to speed up annotation by using synthetic data automatically annotated.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Université d'Angers. Service commun de la documentation. Section Lettres - Sciences.
  • Bibliothèque : Université d'Angers. Service commun de la documentation. Section Droit - Economie - Santé.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.