Méthodes de vision par ordinateur et d'apprentissage profond pour la localisation, le suivi et l'analyse de structure de plantes : application au désherbage de précision / Louis Lac ; sous la direction de Jean-Pierre Da costa

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Catalogue Worldcat

Vision par ordinateur

Apprentissage profond

Agriculture de précision

Plantes adventices -- Lutte contre

Da Costa, Jean-Pierre (1975-....) (Directeur de thèse / thesis advisor)

Ly, Olivier (1973-....) (Président du jury de soutenance / praeses)

Debain, Christophe (Rapporteur de la thèse / thesis reporter)

Tougne, Laure (19..-.... ; informaticien) (Rapporteur de la thèse / thesis reporter)

Louargant, Marine (1990-....) (Membre du jury / opponent)

Donias, Marc (1969-....) (Membre du jury / opponent)

Université de Bordeaux (2014-....) (Organisme de soutenance / degree-grantor)

École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde) (Ecole doctorale associée à la thèse / doctoral school)

Laboratoire de l'intégration du matériau au système (Talence, Gironde) (Laboratoire associé à la thèse / thesis associated laboratory)

Résumé / Abstract : L'agriculture fait aujourd'hui face au défi de la constante augmentation des besoins alimentaires, causée par la croissance démographique soutenue. En parallèle, la crise environnementale, dont l'agriculture est en partie responsable, risque d'impacter négativement les sociétés humaines. Limiter ces impacts tout en assurant la sécurité alimentaire mondiale est donc une nécessité. L'agriculture de précision visant à traiter les cultures de manière plus fine et plus localisée que les méthodes traditionnelles de l'agriculture intensive est l'un des leviers de la transition vers une agriculture plus résiliente et moins polluante. Les récentes avancées en vision par ordinateur, en robotique et en intelligence artificielle permettent d'imaginer de nouvelles solutions innovantes afin d'automatiser certaines tâches comme le désherbage de précision.Dans ce travail de thèse, des méthodes de vision par ordinateur et d'apprentissage profond sont explorées afin de détecter et de collecter des propriétés sur des plantes d'intérêt ainsi que pour suivre des plantes dans des séquences d'images. L'objectif est de fournir des algorithmes performants et robustes pouvant être employés dans des applications de désherbage de précision et de surveillance des cultures en plein champ. Le travail proposé s'appuie sur un prototype de bloc-outil de désherbage mécanique de précision nommé BIPBIP pour évaluer expérimentalement les méthodes développées.Différentes approches d'apprentissage profond conçues pour la localisation et la caractérisation de plantes sont explorées, paramétrées puis évaluées et un algorithme de suivi de plantes d'intérêt permettant d'améliorer la performance de la détection est proposé puis évalué. Les expérimentations présentées dans ce travail montrent qu'il est possible, d'une part, d'exploiter les réseaux de neurones profonds afin de détecter la structure des plantes et de localiser précisément leurs organes et, d'autre part, d'améliorer la performance via un algorithme de suivi temporel des détections.

Résumé / Abstract : Agriculture faces today the challenge of steadily increasing food demands, caused by the sustained population growth. At the same time, the environmental crisis, for which agriculture is partly responsible, risks having a negative impact on human societies. Limiting these impacts while ensuring global food security is therefore a necessity. Precision agriculture, which aims to treat crops in a more precise and more localized way than traditional methods of intensive agriculture, is one of the levers of the transition to a more resilient and less polluting agriculture. Recent advances in computer vision, robotics and artificial intelligence make it possible to imagine new innovative solutions to automate certain tasks such as precision hoeing.In this thesis work, computer vision and deep learning methods are explored in order to detect and collect properties on plants of interest as well as to track crops in sequences of images. The goal is to provide powerful and robust algorithms which can be used in precision hoeing and crop monitoring applications. The proposed work is based on a prototype of a mechanical precision hoeing tool named BIPBIP to experimentally evaluate the developed methods.Several deep learning methods designed for the localization and characterization of plants are explored, parameterized and evaluated, and an algorithm for tracking plants of interest is evaluated. The experiments presented in this work show that it is possible, on the one hand, to leverage deep neural networks to detect the structure of crops and to precisely locate their organs and, on the other hand, to improve the performance of the detection thanks to a temporal tracking algorithm.