Caractérisation et détection d'anomalies sur cultures porte-graines par imagerie de drone
L agriculture étant le premier maillon assurant la production alimentaire de nos sociétés, elle doit constamment évoluer en réponse aux nouveaux enjeux et problématiques émergentes. La diminution des homologations des produits phytopharmaceutiques, réduit les modes d action des agriculteurs au quoti...
Enregistré dans:
| Hovedforfatter: | |
|---|---|
| Andre forfattere: | , , , , , |
| Format: | Thèse numérique |
| Sprog: | Français |
| Udgivet: |
2023.
|
| Fag: | |
| Kommentar: |
Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire) Autre(s) contribution(s) : Adel Hafiane, Jean-Pierre Da Costa, Thomas Corpetti, Raphaël Canals, David Rousseau, Thierry Chateau (Membre(s) du jury) ; Jean-Pierre Da Costa, Thomas Corpetti (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Characterization and detection of anomalies by UAV imagery on seeds multiplication crops |
| Summary: | L agriculture étant le premier maillon assurant la production alimentaire de nos sociétés, elle doit constamment évoluer en réponse aux nouveaux enjeux et problématiques émergentes. La diminution des homologations des produits phytopharmaceutiques, réduit les modes d action des agriculteurs au quotidien. En réponse à ces limitations grandissantes, la recherche liée à l agriculture numérique développe de nouveaux outils d aide à la prise de décision pour permettre un meilleur suivi des cultures. Aussi les travaux de cette thèse CIFRE axés sur les problématiques d analyse automatique d images agricoles s inscrivent dans ce cadre de besoin particulier lié aux cultures potagères porte-graines. Les trois axes d étude concernent l estimation de la densité des plantes, l identification d adventices et/ou plantes hors variété ainsi que l estimation de la maturité des graines. Les acquisitions d images aériennes sont réalisées au moyen de drones car ils permettent de couvrir les parcelles potagères en peu de temps et disposent d une meilleure résolution d image, comparativement à l imagerie satellite. Dans le but de réaliser le comptage des plantes, une segmentation des végétaux sur l ensemble des parcelles est appliquée, ce qui permet également de limiter la zone d étude et de gagner en durée de traitement informatique. L utilisation du paradigme de l'auto-attention des réseaux de neurones profonds a permis de classifier efficacement les plantes; une étude sur l'influence de la taille des ensembles d'apprentissage et de test a été menée pour une meilleure évaluation des performances de cette architecture sur une base de données d images agricoles. Pour l estimation de la maturité, une nouvelle méthode de labellisation de données basée sur des modèles génératifs, paramétriques et non-paramétriques, a été développée afin de palier le problème d'annotation des images ne disposant pas de vérité terrain. Ces nouveaux labels rendent possible l entraînement de modèles de réseaux de neurones plus robustes. Agriculture being at the base of the food production in our societies, it must constantly evolve in response to new issues and emerging problems. The decrease in the number of authorized phytopharmaceutical products, reduce the response options available to farmers. To overcome these limitations, research on digital agriculture is developing new decision-making tools to enable better crop monitoring. As so, the work of this CIFRE thesis focuses on the automatic analysis of agricultural images and issues related to vegetable seeds multiplication crops. The three study axes are plant density estimation, weed and/or non-variety plant identification and seed maturity estimation. The aerial images are acquired by UAV, as they enable fast coverage of the vegetable fields in addition of higher image resolution compared to satellite imagery. Plant counting is performed by applying vegetation segmentation on the images, furthermore it also limits the study area and provides a gain in computer processing time. The use of the deep neural network auto-attention paradigm allows efficient plant classification, a study on the impact of training and testing set sizes was conducted to assess the performance of this deep learning architecture when trained on small agricultural image datasets. For maturity estimation, to solve the non-labeled data issue, a new data labeling method based on parametric and non-parametric generative models has been developed in order to annotate images which have no ground truth. These new labels enable the training of more robust deep neural network models. |
|---|---|
| Emne beskrivelse: | Titre provenant de l'écran-titre Ecole(s) Doctorale(s) : École doctorale Mathématiques, Informatique, Physique Théorique et Ingénierie des Systèmes (Centre-Val de Loire ; 2012-....) Partenaire(s) de recherche : Laboratoire Pluridisciplinaire de recherche en ingénierie des systèmes, mécanique et énergétique (Orléans ; 2008-....) (Laboratoire) Autre(s) contribution(s) : Adel Hafiane, Jean-Pierre Da Costa, Thomas Corpetti, Raphaël Canals, David Rousseau, Thierry Chateau (Membre(s) du jury) ; Jean-Pierre Da Costa, Thomas Corpetti (Rapporteur(s)) |
| Format: | Configuration requise : un logiciel capable de lire un fichier au format : PDF |
| Adgang: | Thèse confidentielle jusqu'au 04 juin 2026 |