Application du DEEP LEARNING au traitement de données LIDAR TERRESTRE pour l’évaluation de TRAITS ARCHITECTURAUX et de fonctionnement d’arbres fruitiers

Application of DEEP LEARNING to the processing of TERRESTRIAL LiDAR data for the evaluation of ARCHITECTURAL FEATURES and functioning of fruit trees

• Auteur / Autrice : Juan Pablo Rojas bustos
• Direction : Christophe Fiorio
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 02/04/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École doctorale Information, Structures, Systèmes (Montpellier ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Amélioration Génétique et Adaptation des Plantes/UMR AGAP Montpellier
• Jury : Examinateurs / Examinatrices : Marie Weiss, Eric Duchêne, Frédéric Boudon, Emmanuel Faure, Evelyne Costes
• Jury : Rapporteurs / Rapporteuses : Géraldine Morin, David Rousseau

Mots clés

Mots clés contrôlés

Apprentissage profond

Arbres fruitiers

Mots clés libres

Arbres fruitiers

Nuage de points

Deep Learning

Traits architecturaux

Fruit trees

Deep Learning

Point Clouds

Architectural Features

Résumé

Face aux effets du changement climatique, à l’augmentation de la population et à la nécessité d’assurer la sécurité alimentaire, la compréhension du développement des plantes est un élément essentiel des solutions. Cette étude vise à répondre à ces préoccupations urgentes. Pour entreprendre une telle étude, il est nécessaire d’explorer comment la variabilité génétique donne lieu à des ensembles spécifiques de caractéristiques architecturales. Dans le cas des arbres fruitiers qui seront le support de cette étude, la compréhension de ces variations architecturales facilite la régulation, la prédiction et l’assurance de la production. Elle permettra également de proposer des stratégies de gestion visant à maintenir la santé de l’arbre et à optimiser sa productivité.Les arbres fruitiers se composent généralement de deux parties : la partie supérieure,comprenant le tronc, les branches et les autres organes aériens, et la partie souterraine comprenant l’ensemble du système racinaire. Dans les deux cas, l’étude de l’architecture soulève diverses questions concernant la géométrie de l’arbre, les gènes impliqués dans son développement et ses variations, ainsi que les états successifs au cours de son ontogénie. En répondant à ces questions, la compréhension de l’architecture des arbres fruitiers peut contribuer à l’amélioration des variétés et de leur production. C’est pourquoi plusieurs techniques ont été développées pour mesurer les organes de l’arbre et modéliser leur architecture, incluant leur topologie et leur forme. Initialement, cette tâche nécessitait un groupe d’opérateurs humains pour mesurer physiquement ces objets directement sur le terrain. Cependant, cette approche prend beaucoup de temps et nécessite des observations approfondies. Au cours des dernières décennies, l’avènement de nouveaux capteurs tels que les caméras et le LiDAR (Light Detection and Ranging) a facilitél’acquisition de représentations numériques des arbres, ouvrant ainsi de nouvelles possibilités d’étude. L’objectif de cette thèse est d’obtenir des descripteurs de l’architecture donnant une charactérisation globale de la géométrie de l’arbre, puis une approximation plus précise au niveau des organes. Ces descripteurs ont été basées sur le traitement de nuages de points obtenus à partir de LiDAR terrestres et aériens dans un verger de pommiers contenant une collection de génotypes. Les nuages de points ont été traités en développant deux pipelines utilisant divers algorithmes de filtrage, d’apprentissage automatique et d’apprentissage profond.

With the effects of climate change, a growing human population, and the need to ensurefood security, understanding the development of plants is a crucial part of the possible solutions. This study is considered to be highly significant in addressing these pressing concerns. To undertake such a study, it is necessary to explore how genetic variability gives rise to specific sets of architectural traits. Understanding these architectural variations facilitates the regulation, prediction and assurance of fruit production. It will also allow management strategies to be proposed to maintain the health of the tree and optimize its productivity. Fruit trees typically consist of two components: the upper part, including the trunk, branches, and other organs above ground, and the underground part encompassing the entire root system. In both cases, studying the architecture raises various questions concerning tree geometry, the genes involved in tree development and variation, and the successive states of the tree. By addressing these questions, understanding the architecture of fruit trees can contribute to the improvement of varieties and their production. Hence, several techniques have been developed to measure tree organs and model their architecture and shape. Initially, this task required a group of human operators to physically measure these objects directly in the field. However, this approach is time-consuming and demands extensive observation. Over the past few decades, the advent of new sensors such as cameras and LiDAR (Light Detection and Ranging) has facilitated the acquisition of digital representations of trees, opening up new possibilities for study. The objective of this thesis is to obtain architectural metrics that provide an overall perspective of the tree’s geometry, followed by a more precise approximation at the organ level. These metrics were based on the processing of point clouds obtained from terrestrial and aerial LiDAR in an apple orchard including a collection of genotypes. The point clouds were processed by developing two pipelines utilizing various filtering, machine learning, and deep learning algorithms.