Intelligence artificielle pour l’industrie. Application à la viticulture et à la modélisation des cas de Covid-19

Deep Learning for the Industry. Application to Precision Viticulture and Covid-19 modeling

• Auteur / Autrice : Lucas Mohimont
• Direction : Luiz Angelo Steffenel, Nathalie Vaillant-Gaveau
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 30/09/2022
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : Ecole doctorale Sciences du Numérique et de l’Ingénieur (Reims, Marne)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique en Calcul Intensif et Image pour la Simulation (LICIIS) - UR 3690 LRC DIGIT (Reims, Marne)
• Jury : Président / Présidente : Bruno Tisseyre
• Jury : Examinateurs / Examinatrices : Luiz Angelo Steffenel, Nathalie Vaillant-Gaveau, Cong-Duc Pham, David Fofi, Michaël Krajecki, François Alin, Rachel Oliveira
• Jury : Rapporteurs / Rapporteuses : Cong-Duc Pham, David Fofi

Mots clés

Mots clés contrôlés

Séries chronologiques

Agriculture connectée

Traitement d'images -- Techniques numériques

Intelligence artificielle

Viticulture

Mots clés libres

Viticulture

Segmentation

Agriculture connectée

Apprentissage profond

Séries temporelles

Inférence locale

Inference at the edge

Smart agriculture

Deep learning

Viticulture

Segmentation

Time series

Résumé

Cette thèse entre dans le cadre de l'Intelligence Artificielle et plus précisément de la vision par ordinateur et de l'analyse de séries temporelles. Ces travaux ont été financés dans le cadre du Projet Européen Artificial Intelligence for Digitizing Industry (H2020 AI4DI).L'apprentissage profond, et les réseaux de neurones convolutifs en particulier, a été développé sur de grandes bases de données contenant des dizaines de milliers d'exemples étiquetés. Ces méthodes forment désormais l'état-de-l'art dans de nombreux domaines comme la Vision par Ordinateur. Or, la collecte de données est plus difficile dans un contexte industriel car il faut s'adapter à l'environnement et au cycle de production. Nous étudions dans cette thèse la problématique de l'adaptation des méthodes d'apprentissage profond pour des applications industrielles à travers trois cas d'usages.Notre premier cas d'usage est la prédiction du rendement de la vigne à partir d'images. Nous proposons un modèle PSPNet pour segmenter les vignes et compter les raisins. Ce modèle est applicable en conditions naturelles sur des cépages et des stades phénologiques différents. Nous proposons ensuite une méthode pour détecter les raisins malades au pressoir, elle inclut (1) un modèle Unet léger pour détecter les raisins en temps réel et (2) un modèle PSPNet permettant de quantifier objectivement le pourcentage de maladie visible. Notre dernier cas d'usage est l'adaptation des réseaux de neurones convolutifs pour la prédiction des cas (et hospitalisations) de Covid-19 en France à partir de série temporelles.Nous avons étudier pour chaque cas d'usage les différentes méthodes de régularisation permettant la création de modèles performants malgré le peu de données disponibles.

This thesis takes place in the context of the Artificial Intelligence for Digitizing Industry(H2020 AIDI) European Project. Its objective is to study and develop Deep Learning models applied to industrial cases.Deep learning, and Convolutional Neural Networks, in particular, were developed with large datasets containing thousands of labeled images. These methods are now state-of-the-art in many sub-field of Artificial Intelligence, such as Computer Vision. However, data collection is problematic in many industrial contexts. Therefore, many adaptations are necessary to work with the constraints of the environment and the production cycle. In this work, we study the problem of adapting these deep learning methods to industrial environments with three use cases.Our first use case is automatic grape yield prediction from images. We propose a PSPNet model for vine segmentation and berry counting with a single-stage method. This model can segment vines of different varieties and at different phenological stages in natural conditions. Our second use case is post-harvest automatic grape disease detection at the press. We propose a two-stage pipeline that includes (1) a lite-Unet model for real-time grape detection and (2) either disease classification with the MobileNet-V2 model or objective visible symptoms quantification with a PSPNet segmentation model.Our third use case is adapting a convolutional neural network to Covid-19 cases and hospitalization prediction from time series.We studied different regularization schemes for each use case to train efficient models with small databases.