Contributions to low-cost imaging and machine learning for plant phenotyping / Salma Samiei ; sous la direction de David Rousseau et de Paul Richard

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : anglais / English

Catalogue Worldcat

Phénotype

Apprentissage automatique

Classification Dewey : 620

Rousseau, David (1973-....) (Directeur de thèse / thesis advisor)

Richard, Paul (1964-....) (Directeur de thèse / thesis advisor)

Mateus Lamus, Diana Carolina (1980-....) (Président du jury de soutenance / praeses)

Baret, Frédéric (19..-....) (Rapporteur de la thèse / thesis reporter)

Histace, Aymeric (1977-....) (Rapporteur de la thèse / thesis reporter)

Buck-Sorlin, Gerhard (19..-....) (Membre du jury / opponent)

Junker, Astrid (19..-....) (Membre du jury / opponent)

Université d'Angers (Organisme de soutenance / degree-grantor)

École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) (Ecole doctorale associée à la thèse / doctoral school)

LARIS. Laboratoire Angevin de Recherche en Ingénierie des Systèmes (EA7315) (Equipe de recherche associée à la thèse / thesis associated research team)

Résumé / Abstract : 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 canopée. 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.

Résumé / Abstract : In this thesis, we investigate the possibilities of performing high-throughput imaging for plant phenotyping at low cost on a set of biological questions. Our contributions can be organized into two parts. The first part focuses on how to reduce the cost of plant phenotyping at the sensor level. In this section, we show the innovative use of mini-computers, associated with RGB and/or LiDAR cameras, to monitor plants from the top view as individuals , or at a canopy level. With more convenient access to imaging systems, the current bottleneck in plant phenotypingnow corresponds to the development of optimized image processing algorithms. Thesecond part addresses this issue and focuses on reducing the computational cost and the time required for the creation of ground-truth associated with the images to be processed. We have investigated the value of the scattering transform, which is a deep architecture without the need for massive computational resources or large annotated datasets. We have also investigated the possibility of performingautomated image annotation with unsupervised machine learning in sequences ofimages. We have demonstrated, the possibility to speed up annotation with ergonomictools based on the capture of the annotator’s gazing direction . Last, we have demonstrated the possibility to speed up annotation by using synthetic data automatically annotated.