Soutenance de thèse de Monsieur Mathis CORDIER9h00 | Amphi E | POLYTECH ANGERS | 62, avenue Notre-Dame du Lac 49000 ANGERS

Le 27 septembre 2024

Sujet : Contributions to high-throughput plant phenotyping based on affordable RGB-Depth devices via computer vision.

Directeur de thèse : Monsieur David ROUSSEAU

Résumé

Le phénotypage des plantes à haut débit grâce à la vision par ordinateur joue un rôle essentiel dans l’avancement de la recherche agricole et l’amélioration des cultures. Cette approche innovante s’appuie sur des technologies d’imagerie avancées et des algorithmes informatiques pour analyser rapidement et avec précision les caractéristiques physiques des plantes à grande échelle. En automatisant le processus de collecte et d’analyse des données phénotypiques, les chercheurs peuvent obtenir des informations précieuses sur la croissance et le développement des plantes, ainsi que sur leurs ré actions aux facteurs environnementaux. Cette méthode accélère le rythme des programmes de sélection végétale, en permettant d’identifier plus efficacement les caractéristiques souhaitables. En outre, le phénotypage à haut débit des plantes améliore notre compréhension des caractéristiques complexes des plantes, telles que la tolérance au stress et le potentiel de rendement, contribuant ainsi au développement de cultures plus résistantes et plus productives. Dans le cadre de cette thèse, nous avons développé un quadrillage de caméras RGB-Depth à faible coût pour la surveillance de populations de plantes dans un contexte agro-technique. Après la présentation de ce système d’imagerie, nous discutons du défi méthodologique soulevé pour tirer pleinement parti de ce système en termes de débit. Plus la densité de plantes est élevée, plus le débit est important, mais plus la tâche de vision par ordinateur est difficile en raison des fortes occlusions et des chevauchements. Dans une première contribution, nous explorons la possibilité d’organiser les plantes en mini-lots à haute densité et de traiter ces mini-lots comme une seule canopée. Nous concevons un ensemble de caractéristiques à partir des séries temporelles de profondeur et démontrons la valeur de cette approche pour la classification automatique des plantes sensibles/résistantes. Dans une deuxième contribution, nous nous concentrons sur la segmentation de la plante individuelle plutôt que sur le mini-lot, et nous étudions comment tirer parti des mouvements naturels des plantes pour étendre la quantification individuelle des plantes, même en présence de certains chevauchements. Nous dé montrons que les cycles circadiens peuvent être utilisés pour obtenir jusqu’à une semaine de surveillance avec des algorithmes de traitement d’image très simples sur les images de couleur et de profondeur. Dans une dernière contribution, nous zoomons davantage et nous nous concentrons sur la segmentation des feuilles individuelles. Nous démontrons la valeur du modèle de fondation Segment Anything récemment introduit que nous adaptons pour la première fois aux images multimodales RVB-Profondeur. Pour chacune de ces trois contributions principales, les méthodologies proposées présentent l’intérêt d’être principalement non supervisées ou avec un nombre très limité de paramètres à régler, c’est-à-dire avec peu voire aucun réapprentissage nécessaire. Parmi les perspectives possibles, cela ouvre la possibilité de les déployer sur les mini-ordinateurs utilisés pour piloter les caméras RVB-Profondeur.