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

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

• Auteur / Autrice : Salma Samiei
• Direction : David Rousseau, Paul Richard
• Type : Thèse de doctorat
• Discipline(s) : Signal, Image, Vision
• Date : Soutenance le 01/10/2020
• Etablissement(s) : Angers
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Equipe de recherche : Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS
• Jury : Président / Présidente : Diana Carolina Mateus Lamus
• Jury : Examinateurs / Examinatrices : Gerhard Buck-Sorlin, Astrid Junker
• Jury : Rapporteurs / Rapporteuses : Frédéric Baret, Aymeric Histace

Mots clés

Mots clés contrôlés

Apprentissage automatique

Phénotype

Mots clés libres

Imagerie

Apprentissage machine

Phénotypage

Low-Cost plant Phenotyping

Imaging

Machine Learning

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.

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.