Thèse soutenue

Deep learning appliqué à l’imagerie multicomposante pour des problématiques de test de variétés
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Hadhami Garbouge
Direction : David RousseauNatalia SapoukhinaPejman Rasti
Type : Thèse de doctorat
Discipline(s) : Signal, Image, Vision
Date : Soutenance le 29/11/2022
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 : Laboratoire : LARIS. Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) - Laboratoire Angevin de Recherche en Ingénierie des Systèmes / LARIS
Jury : Président / Présidente : Julia Buitink
Rapporteurs / Rapporteuses : Frédéric Cointault, Christian Germain

Résumé

FR  |  
EN

La thèse propose des contributions méthodologiques originales basées sur la vision par ordinateur et des méthodes apprentissage automatique pour le domaine de tests des variétés. Les systèmes d’imagerie pour les plantes sont développée ces dernières années en direction du phénotypage pour des expérimentations en milieu contrôlé ainsi que pour le domaine de l’agriculture. Le domaine de tests des variétés consiste à réaliser des mesures pour valider la qualité et l’originalité de toute nouvelle variété avant d’autoriser sa commercialisation. Jusqu’ici, il a été peu étudié au moyen d’outils numériques et les tests actuels sont essentiellement le résultat des inspections visuelles. Les travaux de la thèse se sont concentrés sur le test des variétés pour des grandes cultures. Sur un plan méthodologique, nous investiguons l’usage des systèmes d’imageries multicomposantes avec des capteurs à bas-coût et des méthodes d’apprentissage par réseaux de neurones profonds. Dans une première partie, nous explorons le potentiel de capteurs multicomposantes RGB Depth en test des variétés qui fournissent une information de trichromacie et de distance des plantes à la caméra. Les fusions précoce, intermédiaire et tardive de ces composantes dans un réseau de neurones par convolution ou à mémoire locale ou de type « transformer » sont examinées. Nous montrons la valeur ajoutée de la carte de distance notamment pour estimer les cinétiques des stades de développement individuels de plantules le jour comme la nuit. Ensuite, nous explorons les mêmes approches d’imagerie RGB-Depthpour la détection de stades de développement collectifs dans des petites parcelles sous la forme de textures. Dans une seconde partie, nous abordons la question du possible transfert de connaissance de traits mesurés en milieux contrôlés (chambre de culture, phytotron) vers des milieux moins contrôlés (serres ou champs). Nous revisitons pour ce faire la détection de stades de développement de plantules. Une méthode d’augmentation de données simulant des ombres est proposée et montre son intérêt pour des approches d’apprentissage par transfert en serres comme au champ. Une ouverture vers l’usage de données de synthèse pour de l’apprentissage par transfert est pro posée. Dans une troisième partie, nous développons une imagerie multispectrale optimisée pour la détection et quantification de pathologies dans des tests de résistance aux maladies. Chaque étape est détaillée et validée sur des expérimentations qui s’étalent sur plus de trois saisons. Un pipeline complet est présenté incluant à nouveau des éléments d’apprentissage profond et d’apprentissage machine classique. Une ouverture vers la détermination automatique de protocole d’acquisition est proposée en annexe. En plus de nos contributions méthodologiques, nous avons fourni des outils informatiques. Nous avons développé un logiciel pour traiter les séquences d’images RGB-Depth pour détection des stades de développement, mesurés la hauteur des plantes en temps réel, séparés les génotypes automatiquement, etc. Et aussi nous avons mis en disposition des bases de données annotées et des modèles entrainés.