Apprentissage profond pour l'analyse de la qualité des pommes de terre

Deep learning for potato quality analysis

• Auteur / Autrice : Sofia Marino
• Direction : Pierre Beauseroy, André Smolarz
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et Sûreté des Systèmes
• Date : Soutenance le 15/05/2020
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur (Troyes, Aube)
• Partenaire(s) de recherche : Entreprise : Eurocelp
• Partenaire(s) de recherche : : ANRT (Association nationale de la recherche et de la technologie) - Cifre (Convention industrielle de formation par la recherche)
• Partenaire(s) de recherche : Laboratoire : Institut Charles Delaunay / ICD
• Jury : Président / Présidente : Frédéric Morain-Nicolier
• Jury : Examinateurs / Examinatrices : André Smolarz, Frédéric Morain-Nicolier, Christian Germain, François Rousseau, Luc Deroulers, Latifa Oukhellou
• Jury : Rapporteur / Rapporteuse : Christian Germain

Mots clés

Mots clés contrôlés

Pomme de terre -- Maladies

Qualité des produits

Classification automatique

Vision par ordinateur

Apprentissage profond

Mots clés libres

Apprentissage profond

Vision par ordinateur

Classification automatique

Qualité des produits

Pomme de terre -- Maladies

Deep Learning

Computer vision

Automatic classification

Quality of product

Potatoes--Diseases and pests

Résumé

La pomme de terre est l'un des produits agricoles les plus consommés dans le monde. L'aspect visuel de ce tubercule est d'une grande importance pour la plupart des consommateurs. En effet, la qualité des tubercules peut être couramment affectée par divers défauts qui altèrent leur peau et donc leur aspect. Depuis plusieurs années, des méthodes manuelles ont été appliquées afin d’identifier ces défauts, néanmoins cette tâche manuelle est coûteuse, chronophage et subjective. L'objectif ultime de cette thèse est de développer un système de vision artificielle qui soit capable de fournir des informations sur la qualité des échantillons de pommes de terre de manière automatique. Tout d'abord, nous utilisons un système de prise d'images afin de constituer une base de données large et variée. Ensuite, nous proposons et évaluons trois méthodes de classification et de localisation de divers défauts et maladies. Nous avons combiné des techniques traditionnelles d'apprentissage automatique ainsi que des techniques plus récentes reposant sur l'apprentissage profond afin de maximiser les performances de chacune des méthodes proposées. Enfin, pour assurer le bon fonctionnement du système en cas de changements de la distribution des données (évolution du système d’acquisition…), nous avons proposé une méthode d'adaptation de domaine non supervisée fondée sur l'apprentissage antagoniste. Les résultats expérimentaux obtenus démontrent la pertinence de chacune des méthodes présentées, ainsi que leur applicabilité dans un environnement industriel.

Potato is one of the most widely consumed agricultural produce in the world. The visual appearance of this tuber is of crucial importance to most consumers who are increasingly demanding. The quality of tubers can be commonly affected by defects or diseases that alter their skin and thus their appearance. For several years now, manual methods have been applied to detect and classify these defects. Nevertheless, this manual task is laborious, subjective and time-consuming. Therefore, the development of methods that automate quality control is of paramount importance to increase efficiency, reduce costs, and obtain objective results that enhance customer confidence. The main objective of this thesis is to develop a computer vision system that can provide information on the quality of potato samples automatically. First, an imaging system is used to build up a large and varied image database. Secondly, three methods for classifying and localizing several defects and diseases are proposed and evaluated. Traditional machine learning techniques as well as more recent techniques based on deep learning are combined to maximize the performance of each new proposed approach. Finally, to ensure that the system continues to perform well even if changes occur in the data distribution, an unsupervised domain adaptation method based on adversarial learning is proposed. The experimental results obtained demonstrate the relevance of each of the proposed methods as well as their applicability in an industrial environment.