Caractérisation de la qualité des raisins par imagerie

Characterization of grape quality by imaging

• Auteur / Autrice : Soizic Lefévre
• Direction : Danielle Nuzillard, Alban Goupil
• Type : Thèse de doctorat
• Discipline(s) : ATS - Automatique et Traitement de Signal
• Date : Soutenance le 26/06/2023
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (Reims, Marne ; 2004-....)
• Jury : Président / Présidente : Stéphanie Salmon
• Jury : Examinateurs / Examinatrices : Danielle Nuzillard, Alban Goupil, Hichem Snoussi, Christophe Cudel, Christine Fernandez-Maloigne
• Jury : Rapporteur / Rapporteuse : Hichem Snoussi, Christophe Cudel

Mots clés

Mots clés contrôlés

Forêts d'arbres de décision

Machines à vecteurs de support

Spectrométrie de masse

Imagerie hyperspectrale

Raisin

Analyse informatique

Vendanges

Vigne

Viticulture

Vigne -- Fléaux

Maladies

Vignobles

Informatique -- Recherche

Mots clés libres

Viticulture

Traitement d'image

Apprentissage automatique

Classification/segmentation

Imagerie hyperspectrale

Imagerie RGB

Winegrowing

Image processing

Machine learning

Classification/segmentation

Hyperspectral imaging

RGB imaging

Résumé

L’identification des états sanitaires du raisin au moment de la vendange est un enjeu majeur afin de produire des vins de qualité. Pour répondre à cet enjeu, des données sont acquises par spectrométrie, imagerie hyperspectrale et imagerie RGB sur des échantillons de raisin au cours des vendanges.Plusieurs prétraitements adaptés à chaque type de données sont appliqués tels que la normalisation, la réduction, l’extraction de vecteurs de caractéristiques et la segmentation de zones utiles. D’un point de vue imagerie, la reconstitution en fausses couleurs des images hyperspectrales, éloignée de la réalité, ne permet pas d’étiqueter toute la diversité intra-classe. En revanche, la qualité visuelle de l’imagerie RGB favorise l’étiquetage des classes avec précision. A partir de cet étiquetage, des classifieurs tels que les machines à vecteurs de support, les forêts aléatoires, l’estimation du maximum de vraisemblance, la mise en correspondance spectrale, les k-moyennes sont testés et entrainés sur les bases étiquetées. En fonction de la nature des données, le plus performant est appliqué sur les images entières de grappes ou caisses de raisins de plusieurs cépages provenant de différentes parcelles.Les indices de qualité obtenus à partir du traitement des images RGB sont très proches des estimations effectuées par les experts du domaine.

Identifying the health conditions of the grapes at harvest time is a major issue in order to produce quality wines. To meet this issue, data are acquired by spectrometry, hyperspectral imaging and RGB imaging on grape samples during harvest.Several pre-treatments adapted to each type of data are applied such as normalization, reduction, extraction of characteristic vectors, and segmentation of useful areas. From an imaging point of view, the reconstruction in false colors of hyperspectral images, far from reality, doesn’t allow to label all the intra-class diversity. On the other hand, the visual quality of RGB imaging enables accurate class labelling. From this labelling, classifiers such as support vector machines, random forests, maximum likelihood estimation, spectral mapping, k-means are tested and trained on labelled bases. Depending on the nature of the data, the most effective is applied to whole images of grape clusters or crates of grapes of several grape varieties from different parcels.The quality indices obtained from RGB image processing are very close to the estimates made by experts in the field.