fr | en
Laboratoire Angevin de Recherche en Ingénierie des Systèmes

Séparés par des virgules

Soutenance de thèse de Monsieur Mouad ZINE EL ABIDINE9h00 | IRHS | Meeting Room (rdc) | 42, rue Georges Morel 49070 BEAUCOUZE

Sujet : Contributions to computer vision and machine learning for plant variety testing.

Directeurs de thèse : Monsieur David ROUSSEAU

Résumé

Cette thèse propose des contributions originales de vision par ordinateur et apprentissage automatique pour les tests des variétés végétales. L’imagerie pour les plantes s’est développée ces dernières années en direction du phénotypage pour des expérimentations en milieu contrôlé ou pour le domaine de l’agriculture. Le domaine des tests des variétés végétales consiste à réaliser des mesures pour valider la qualité et l’originalité de toute nouvelle variété avant d’autoriser sa commercialisation. Il a été jusqu’ici peu étudié au moyen d’outils numériques et les tests actuels sont le résultat d’inspections visuelles. Dans cette thèse, nous avons contribué à la vision par ordinateur et à l’apprentissage automatique appliqués aux tests de variétés de pommes, en particulier les tests de distinction pendant les périodes de pré-récolte (dans les vergers) et de post-récolte (dans les milieux contrôlés). Les méthodologies proposées ont une valeur générique. Automatiser les mesures réalisées durant un test de distinction dans les vergers des tests des variétés représente un défi puisque chaque arbre appartient à une variété et que les arbres peuvent être proches les uns des autres. Nous avons développé une méthode originale pour séparer les arbres. Cette méthode a été appliquée au comptage des pommes en les associant à leurs variétés. Nous avons démontré la possibilité d’évoluer vers des tests de distinction numérique dans des milieux contrôlés en utilisant l’apprentissage automatique de manière supervisée par le biais du transport optimal. Cette approche a été illustrée dans le test de distinction basé sur la couleur de pomme. De même, nous avons proposé une méthode alternative basée sur l’apprentissage automatique non supervisé. Certains traits dans les tests des variétés sont mesurés par des examinateurs à l’aide des dessins issus du catalogue de l’union pour la protection des obtentions végétales (UPOV). Nous avons montré pour la première fois qu’il est possible d’utiliser ces dessins comme référence numérique pour permettre l’automatisation des mesures sans remettre en cause les pratiques actuelles. Dans les tests des variétés, certains traits sont mesurés suivant une échelle ordinale. L’ordinalité peut être un critère à vérifier dans l’espace des caractéristiques pour valider une méthode d’apprentissage automatique. Nous avons introduit une nouvelle méthode de réduction de dimension spécifiquement adaptée à la visualisation de données sur des échelles ordinales et deux métriques pour quantifier l’ordinalité dans l’espace des caractéristiques. Ces techniques ont été illustrées sur des données synthétiques et des données réelles issues de tests de résistance des maladies foliaires. L’utilisation de l’apprentissage automatique supervisé nécessite l’annotation des données, ce qui peut prendre beaucoup de temps. Nous avons développé une approche d’acquisition d’images originale qui permet de réduire le temps d’annotation et envisager une transition numérique qui ne constitue pas une perte de temps pour les experts annotateurs. Dans la même optique, nous avons démontré que les images acquises dans un environnement contrôlé pouvaient être ajoutées aux images acquises dans les vergers et ainsi "booster" l’apprentissage automatique via l’apprentissage par transfert.

Scroll