Détection des adventices par imagerie aérienne

Résumé

Dans le contexte agricole actuel, il est nécessaire de réduire l’utilisation des produits phytosanitaires contre les mauvaises herbes. Le désherbage localisé présente une alternative prometteuse pour limiter les coûts et l’impact environnemental. Cependant, la localisation automatique des adventices n’est pas une tâche facile car elle présente plusieurs défis scientifiques et technologiques. L’objectif de cette thèse est de proposer des méthodes de traitement d’images et d’intelligence artificielle pour la localisation des adventices en grandes cultures. Dans ce cadre, nous avons abordé deux problématiques, la détection des rangées de culture et la détection des adventices. Deux méthodes ont été proposées pour la détection des rangées de culture. La première méthode combine la transformée de Hough et l’algorithme de regroupement linéaire itératif SLIC. La deuxième, quant à elle, utilise une approche totalement nouvelle basée sur l’apprentissage profond. Ces deux méthodes ont été utilisées pour détecter les adventices inter-rang et celles qui sont en contact avec les rangées de culture. Pour tendre vers une meilleur efficacité, deux nouvelles méthodes de détection d’adventices par apprentissage machine, entièrement automatiques ont été développées. L’originalité de ces méthodes est que l’apprentissage est effectué sur des données annotées automatiquement. La première méthode est basée sur l’apprentissage profond tandis que la seconde génère des modèles à partir de descripteurs profonds et un classifieur à classe unique. Les résultats obtenus sur des données réelles montrent l’intérêt des approches proposées.

mots clés

Titre traduit

Weed Detection by Aerial Imagery
Résumé

In the current agricultural context, there is a need to reduce the use of pesticides for weed control. Localized weed control presents a promising option to limit costs and environmental impact. However, automatic weed detection is not an easy task and presents several scientific and technological challenges. The objective of this thesis is to propose image processing and artificial intelligence methods for weed detection in field crops. Within this framework, we addressed two issues, crop row detection and weed detection. Two methods were proposed for crop row detection. The first method combines the Hough transform and the simple linear iterative clustering SLIC. The second one uses a completely new approach using deep learning. Both methods were used to detect inter-row weeds and weeds in contact with crop rows. To achieve greater efficiency, two new fully automatic machine learning weed detection methods have been developed. The originality of these methods is that learning is carried out on automatically annotated data. The first method is based on deep learning while the second method generates models from deep features and one-lass classifier. The results obtained on real data show the interest of the proposed approaches.