Détection des maladies de vignes par analyse d'images aériennes de drone
Dans le contexte de la viticulture de précision, il devient de plus en plus nécessaire de réduire l utilisation des produits phytosanitaires dans les maladies de la vigne. Dans ce sens, la localisation des zones symptomatiques de la vigne présente une solution prometteuse pour limiter les coûts de p...
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Weitere Verfasser: | , , , , , , |
| Format: | Thèse numérique |
| Sprache: | Français |
| Veröffentlicht: |
2021.
|
| Schlagworte: | |
| Anmerkung: |
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-....) Autre(s) contribution(s) : Adel Hafiane, Jocelyn Chanussot, Ludovic Macaire, Christelle Gée, David Rousseau, Thierry Chateau, Raphaël Canals (Membre(s) du jury) ; Jocelyn Chanussot, Ludovic Macaire (Rapporteur(s)) |
| Autres localisations: | Voir dans le Sudoc |
| Variante du titre: | Vine diseases detection by analysis of aerial drone images |
| Zusammenfassung: | Dans le contexte de la viticulture de précision, il devient de plus en plus nécessaire de réduire l utilisation des produits phytosanitaires dans les maladies de la vigne. Dans ce sens, la localisation des zones symptomatiques de la vigne présente une solution prometteuse pour limiter les coûts de production, l impact sur la santé humaine et la pollution de l'environnement. Toutefois, la détection automatique des maladies n est pas une tâche facile car elle présente plusieurs défis scientifiques et technologiques. Dans ce contexte, le travail de thèse présenté ici a pour but de proposer des méthodes de traitement d images, de vision par ordinateur et d intelligence artificielle pour la détection des maladies de la vigne à l'échelle du vignoble. Ce travail de thèse présente toutes les étapes qui suivent l'acquisition des données multispectrales et vont jusqu'à la détection des maladies à l'échelle du champ de vigne: prétraitement par recalage (alignement) des images visibles avec des images proche infrarouge; labellisation (ou étiquetage) des données à partir de la vérité terrain; détection des symptômes des maladies de la vigne par architecture d'apprentissage profond. Pour chacune de ces étapes, une méthode a été proposée. En effet, afin de corriger le décalage entre les images visible et proche infrarouge, une nouvelle méthode pour le recalage des images multispectrales basée sur l'algorithme AKAZE et optimisée par un processus itératif a été mise en œuvre. Pour simplifier l'étape de labellisation des données, une méthode semi-automatique basée sur l'architecture d'apprentissage profond LeNet-5 a été développée. Une nouvelle architecture d'apprentissage profond appelée VddNet (Vine Disease Detection Network) intégrant l'information 3D a été conçue pour une détection précise des maladies de la vigne. Les résultats obtenus dans cette thèse ont montré des performances très prometteuses pour la problématique de la thèse. In the context of precision viticulture, it is becoming increasingly necessary to reduce the use of phytosanitary products for vine diseases. In this sense, the localization of symptomatic areas of the vine presents a promising solution to limit production costs, the impact on human health and environmental pollution. However, automatic disease detection is not an easy task as it presents several scientific and technological challenges. In this context, the thesis work presented here aims at proposing image processing, computer vision and artificial intelligence methods for vine disease detection at the vineyard scale. This thesis presents all the steps that follow the acquisition of multispectral data and go up to the detection of diseases at the scale of the vineyard: preprocessing by registration (alignment) of visible images with near-infrared images; labeling of the data from the ground truth; detection of the symptoms of vine diseases by deep learning architecture. For each of these steps, a method has been proposed. Indeed, in order to correct the mismatch between visible and near-infrared images, a new method for the registration of multispectral images based on the AKAZE algorithm and optimized by an iterative process has been implemented. To simplify the data labeling step, a semi-automatic method based on the LeNet-5 deep learning architecture was developed. A new deep learning architecture called VddNet (Vine Disease Detection Network) integrating 3D information was designed for accurate detection of vine diseases. The results obtained in this thesis showed very promising performances for the problematic of the thesis. |
|---|---|
| Beschreibung: | 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-....) Autre(s) contribution(s) : Adel Hafiane, Jocelyn Chanussot, Ludovic Macaire, Christelle Gée, David Rousseau, Thierry Chateau, Raphaël Canals (Membre(s) du jury) ; Jocelyn Chanussot, Ludovic Macaire (Rapporteur(s)) |