Aller au contenuAller au menuAller à la rechercheAller à la page d'actualités

Laboratoire Angevin de Recherche en Ingénierie des Systèmes


Navigation principale

    Recherche

    Fil d'ariane

    Soutenance de thèse de Madame Salma SAMIEI

    Soutenance de thèse de Madame Salma SAMIEI

    • Partager la page sur les réseaux sociaux
    • Envoyer cette page par mail

      Envoyer par mail


      Séparés par des virgules
    • Imprimer cette page

    Soutenance de thèse de Madame Salma SAMIEI

    09h00 | INRAe PAYS DE LA LOIRE | Salle de Conférence Campus du Végétal | Bâtiment A | 42, rue Georges Morel | BEAUCOUZE

    Le 1 octobre 2020

    Sujet : Contributions to low-cost imaging and machine learning for plant phenotyping

    Directeur de thèse : Monsieur David ROUSSEAU

    Résumé

    Dans cette thèse, nous étudions les possibilités de réaliser une imagerie à haut débit pour le phénotypage végétal à faible coût sur un ensemble de questions biologiques. Nos contributions peuvent être organisées en deux parties. La première partie se concentre sur la façon de réduire le coût du phénotypage végétal au niveau du capteur. Dans cette section, nous montrons l’utilisation novatrice des mini-ordinateurs, associés aux caméras RVB et/ou LiDAR, pour surveiller les plantes à partir de la vue de dessus en tant qu’individus, ou au niveau de la canopé. Avec un accès plus pratique aux systèmes d’imagerie, le goulot d’étranglement actuel du phénotypage végétal correspond désormais au développement d’algorithmes de traitement d’image optimisés. La deuxième partie traite de cette question et se concentre sur la réduction du coût de calcul et du temps requis pour la création de la vérité-terrain associée aux images à traiter. Nous avons étudié la valeur de la transformation scatter, qui est une architecture de réseaux profonds ne nécessitant pas de ressources informatiques massives ou de grands ensembles de données annotés. Nous avons également étudié la possibilité d’effectuer des annotations d’images automatisées avec un apprentissage automatique non supervisé dans des séquences d’images. Nous avons démontré, la possibilité d’accélérer l’annotation avec des outils ergonomiques basés sur la capture de la direction du regard de l’annotateur. Enfin, nous avons démontré la possibilité d’accélérer l’annotation en utilisant des données synthétiques annotées automatiquement.