Contributions à l’imagerie à bas coût et à l’apprentissage automatique pour le phénotypage des plantes
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) |
Laboratoire : Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS | |
Jury : | Président / Présidente : Diana Carolina Mateus Lamus |
Examinateurs / Examinatrices : Gerhard Buck-Sorlin, Astrid Junker | |
Rapporteurs / Rapporteuses : Frédéric Baret, Aymeric Histace |
Mots clés
Mots clés contrôlés
Mots clés libres
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.