Thèse soutenue

Détection des maladies de vignes par analyse d'images aériennes de drone

FR  |  
EN
Auteur / Autrice : Mohamed Kerkech
Direction : Adel Hafiane
Type : Thèse de doctorat
Discipline(s) : Sciences et Technologies Industrielles
Date : Soutenance le 01/06/2021
Etablissement(s) : Bourges, INSA Centre Val de Loire
Ecole(s) doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....)
Jury : Examinateurs / Examinatrices : Adel Hafiane, Jocelyn Chanussot, Ludovic Macaire, Christelle Gée, David Rousseau, Thierry Chateau, Raphaël Canals
Rapporteurs / Rapporteuses : Jocelyn Chanussot, Ludovic Macaire

Résumé

FR  |  
EN

Dans le contexte de la viticulture de précision, il devient de plus en plus nécessaire de réduire l’utilisation des produits phytosanitaires dans les maladies de la vigne. Dans ce sens, la localisation des zones symptomatiques de la vigne présente une solution prometteuse pour limiter les coûts de production, l’impact sur la santé humaine et la pollution de l'environnement. Toutefois, la détection automatique des maladies n’est pas une tâche facile car elle présente plusieurs défis scientifiques et technologiques. Dans ce contexte, le travail de thèse présenté ici a pour but de proposer des méthodes de traitement d’images, de vision par ordinateur et d’intelligence artificielle pour la détection des maladies de la vigne à l'échelle du vignoble. Ce travail de thèse présente toutes les étapes qui suivent l'acquisition des données multispectrales et vont jusqu'à la détection des maladies à l'échelle du champ de vigne: prétraitement par recalage (alignement) des images visibles avec des images proche infrarouge; labellisation (ou étiquetage) des données à partir de la vérité terrain; détection des symptômes des maladies de la vigne par architecture d'apprentissage profond. Pour chacune de ces étapes, une méthode a été proposée. En effet, afin de corriger le décalage entre les images visible et proche infrarouge, une nouvelle méthode pour le recalage des images multispectrales basée sur l'algorithme AKAZE et optimisée par un processus itératif a été mise en œuvre. Pour simplifier l'étape de labellisation des données, une méthode semi-automatique basée sur l'architecture d'apprentissage profond LeNet-5 a été développée. Une nouvelle architecture d'apprentissage profond appelée VddNet (Vine Disease Detection Network) intégrant l'information 3D a été conçue pour une détection précise des maladies de la vigne. Les résultats obtenus dans cette thèse ont montré des performances très prometteuses pour la problématique de la thèse.