Paola, Jun, Boris et Shiyu, stagiaires internationaux en master


A l’été 2018, les stagiaires de master 2 de la première promotion #DigitAg auront achevé leur stage. A l’occasion de la #DigitAgora, plusieurs d’entre eux ont présenté leurs sujets et leurs premiers résultats. Des étudiants internationaux accueillis dans des laboratoires membres de #DigitAg témoignent de leur séjour en France.


Paola Benedetti

En Italie, Paola est étudiante de master en informatique à l’UNITO (Università degli Studi di Torino). Elle est arrivée en France en 2017 dans le cadre du programme Erasmus+. Après ses cours à l’Université de Montpellier, Paola a postulé pour un stage de master2, financé par #DigitAg. Elle est encadrée par Dino Ienco, qui collabore avec Ruggero Pensa, son responsable à Turin.

J’ai obtenu mon baccalauréat à l’école européenne, et je me suis ensuite consacrée à l’informatique. Je termine mes études en réalité virtuelle et multimédia à l’Université de Turin. Cela fait des années que je voulais soumettre ma candidature Erasmus. Je me suis décidée l’an dernier et j’ai obtenu une bourse de mon université. Connaissant mes centres d’intérêt, le professeur Pensa, coordinateur des échanges Erasmus avec la France, m’a mise en contact avec Dino Ienco, il ne restait plus qu’à partir….

 

A l’université de Montpellier, j’ai remarqué une différence importante dans l’approche du travail en groupe, structuré de manière à avoir une confrontation interne et externe sur son propre travail. Au niveau du stage, je n’aurais pas pu trouver mieux.

 

Ces 6 mois en France ont été intenses. J’ai rencontré des gens qui ont partagé leur passion pour leur travail et cela m’a incité à m’améliorer et à faire mieux. Sur le plan personnel, j’ai été “catapultée” dans un environnement international, j’ai rencontré de nombreuses personnes d’horizons différents avec lesquels i j’ai partagé des expériences, des passions des intérêts, des gaffes dues à la langue… C’était une expérience unique, une période qui a pris fin mais qui a changé mon point de vue sur l’avenir. Elle m’a changée et continue à me changer !

 

Caractérisation automatique de types de culture par télédétection à travers des méthodes de deep learning (Ile de la Réunion)

Pourquoi avoir candidaté ? Avoir la possibilité de travailler pendant six mois sur un sujet complexe comme les réseaux neuronaux, apprendre les méthodes de traitement des images satellites, le tout dans un environnement de recherche stimulant, c’est une occasion à ne pas manquer pour s’épanouir personnellement et professionnellement !

Au cours de mes études, je n’avais pas eu l’occasion d’aborder l’imagerie satellitaire et le domaine de l’agriculture. Je ne connaissais pas le domaine de l’agriculture numérique. Je n’avais aucune idée qu’il s’agissait d’un domaine de recherche aussi vaste, j’étais fascinée…

Où en es-tu ?  Nous avons tenu nos objectifs, avec la mis au point de M3Fusion, un modèle d’apprentissage profond, pour exploiter efficacement l’hétérogénéité des informations issues de différents capteurs, dans un processus de fusion de données de télédétection :  “Ces résultats sont en cours de valorisation, avec une communication à une conférence en juin et un article soumis (version étendue de l’article a été soumis à IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)”.

Et après le master ? Je vais chercher un emploi dans un environnement de recherche pour continuer dans cette voie et ensuite faire une demande de doctorat. J’aimerais travailler dans le domaine de la computer vision en exploitant les techniques de machine et deep learning.

  • Sujet : Caractérisation automatique de types de culture par télédétection à travers des méthodes de deep learning
  • Présentation à la #DigitAgora – mai 2018 (pdf)
  • Mémoire de master (pdf) à venir (septembre 2018) 
  • Communication : P. Benedetti, Dino Ienco, Raffaele Gaetano, Kenji Ose, Ruggero G. Pensa, Stéphane Dupuy (2018). M3Fusion : Un modèle d’apprentissage profond pour la fusion de données satellitaires Multi-{Echelles/Modalités/Temporelles}. Conférence Française de Photogrammétrie et de Télédétection (CFPT), Marne-La-Vallée, 26-27 juin. 2018
    Les systèmes modernes d’observation de la Terre fournissent des données à différentes résolutions temporelles et spatiales. Parmi les capteurs optiques, la constellation Sentinel-2 fournit aujourd’hui des images à haute résolution temporelle (tous les 5 jours) et à haute résolution spatiale (10~m) qui sont utiles pour étudier la dynamique de l’occupation du sol. D’autre part, les images à très haute résolution spatiale (THRS) demeurent un outil essentiel pour déterminer les éléments caractérisés par des motifs spatiaux fins. Comprendre comment exploiter efficacement l’ hétérogénéité d’information des différents capteurs, dans un processus de fusionne de données,  est un défi majeur dans le domaine de la télédétection.
    Avec l’objectif d’utiliser la dynamique temporelle des séries temporelles à haute résolution ainsi que les informations spatiales fines contenues dans les images du THRS pour cartographier l’occupation du sol, nous proposons un modèle d’apprentissage profond, appelé M3Fusion, pour aborder ce défi. Les expériences, menées sur l’Île de la Réunion, montrent la qualité de notre architecture neuronale soit en terme de performances quantitative que en terme de rendu spatiale par rapport à une approche standard d’apprentissage automatique.
  • Encadrant ; Dino Ienco, Irstea TETIS
  • informatique, analyse des données, traitement d’images, Mots clés : télédétection, apprentissage automatique, images satellitaires, big data agricole, Très Haute Résolution Spatiale (THRS), occupation des sols, deep learning, protection des cultures, Ile de la Réunion
  • #DigitAg :  Axe 5 : Fouille de données, analyse de données, extraction de connaissances / Challenge 3 : La protection des cultures, Challenge 8 : Développement agricole au Sud

Jun Zhang

Jun est arrivée en France avec un Master 1 en Statistiques de l’Université de Shandong, dans le cadre d’un projet d’échanges entre son université et l’Université de Bretagne-Sud Puis elle s’est inscrite en Master 2 Mathématiques – Parcours statistique et science de données à l’Université de Grenoble-Alpes. Après des premiers cours un peu difficiles à suivre, Jun a apprécié la diversité des enseignements proposés en France : “beaucoup de cours de base sont similaires, mais les parcours sont plus détaillés, avec des choix de sujets intéressants et plus de cours pratiques et de projets.”

Détection d’état à partir de données massives et temporelles de déplacements de bovins

Jun a trouvé le sujet sur le site de la Société Française de Statistique. Pourquoi avoir candidaté ? “C’est un projet de Big Data et je voudrais travailler dans ce domaine. Je ne connaissais pas le domaine de l’agriculture numérique avant cela. C’est génial, elle peut nous aider à résoudre de nombreux problèmes pratiques.”

Bénéfices de ce stage ? “J’en sais plus sur l’agriculture numérique et j’apprends de nouvelles méthodes d’analyse de données, j’ai acquis de l’expérience.”

  • Sujet : Détection d’état à partir de données massives et temporelles de déplacement de bovins
  • Présentation à la #DigitAgora – 31 mai 2018 (pdf)
  • Rapport de stage (pdf) à venir
  • Résumé : Ce stage vise l’extraction de nouvelles formes de connaissances concernant les bovins en bâtiment, grâce aux données de géo-localisation relevées quotidiennement et à haute fréquence (1.6 Hz). Pour détecter l’évolution de l’état (maladie, chaleur…) des bovins, nous proposons de travailler sur deux approches interdisciplinaires, faisant appel à la modélisation mathématique, à la statistique inférentielle et à l’informatique. La première issue des travaux sur la modélisation stochastique menés au sein de MISTEA propose de modéliser les différents états possibles par un modèle individu centré axé sur la détection. La deuxième repose sur les matrix profile et permet d’identifier des répétions de motifs entre séries temporelles ou bien à l’intérieur d’une série. Face aux problèmes de données massives (160 vaches laitières / 144000 positions (x,y) / 180 jours) , ces deux approches complémentaires nécessitent toutes les deux des méthodes de distribution des données et de parallélisation des algorithmes et modèles.
    L’objectif du stage est d’adapter ces deux approches sur les données des bovins, afin d’anticiper des signes d’intérêt sur l’état des bovins. Enfin, dans une partie plus exploratoire de ce travail, il s’agit d’envisager les possibilités de combiner les deux approches. Un première piste est d’étudier comment, à partir des informations fournies par la modélisation, on peut cibler et améliorer l’approche analyse de données (matrix profile).
  • Encadrant :  Bertrand Cloez (INRA MISTEA). Co-encadrement : équipe Zenith d’Inria à Montpellier (Reza Akbarinia et Florent Masseglia).
  • mathématiques appliquées, statistiques, informatique, analyse des données, production animale, modélisation stochastique
  • #DigitAg :  Axe 5 : Fouille de données, analyse de données, extraction de connaissances,  Axe 6 : Modélisation et simulation (systèmes de production agricole) / Challenge 4 : Des productions animales durables

Boris Biao Babatoundé

Etudiant béninois en Master Economie du développement agricole de l’environnement et alimentation (EcoDEVA) à Montpellier Supagro, Boris Biao est ingénieur agronome de la Faculté d’Agronomie de l’Université de Parakou au Bénin :  “Je suis arrivé en France dans le but de poursuivre mes études et améliorer mes connaissances à la fois sur des aspects d’accompagnement des transitions agricoles mais aussi en recherche scientifique. J’ai tout de suite candidaté parce que je suis passionné de l’innovation en agriculture numérique. J’avais déjà quelques notions sur les NTIC en agriculture et maintenant je vois que son champ d’application est plus vaste que ce que je pensais.”  Au sujet des cours qu’il a suivi, Boris souligne que “le plus important c’est plus le fait de découvrir une autre façon d’apprendre et d’interagir…. ici l’enseignement est parfait.”

Description du contexte institutionnel du système sectoriel de l’innovation en agriculture numérique

Accueilli à l’UMR MOISA, Boris est encadré par Leïla Temri et Nina Lachia.

  • Sujet de stage : Description du contexte institutionnel du système sectoriel de l’innovation en agriculture numérique
  • Présentation à la #DigitAgora – 31 mai 2018 (pdf)
  • Mémoire de Master (pdf) à venir
  • Résumé : Aujourd’hui les technologies numériques apparaissent comme un moyen d’améliorer l’agriculture sur les plans de la productivité, de la
    protection de l’environnement, des conditions de travail des agriculteurs mais aussi de la traçabilité des aliments jusqu’au consommateur. De ce fait, elles figurent comme l’un des objectifs prioritaires en matière d’innovation des politiques agricoles françaises et européennes. Ainsi, l’agriculture numérique constitue un enjeu stratégique pour la France tel que décrit dans le rapport agriculture innovation 2025 (Bournigal, Houllier, Lecouvey, Pringuet, 2015) ainsi que dans de nombreux rapports publiés par des organismes européens (European Parliament, 2016, par exemple). L’objectif de ce travail est de dresser un panorama de l’environnement institutionnel de l’agriculture numérique aux niveaux national et européen, en s’appuyant principalement sur les théories néo-institutionnelles . Il s’agit de mettre en évidence : L’environnement institutionnel de l’agriculture numérique ; Le champ institutionnel de l’agriculture numérique ; Le processus d’institutionnalisation du numérique dans l’agriculture. Afin d’appréhender les différentes pressions institutionnelles, les isomorphismes (normatifs, coercitifs ou mimétiques) à l’œuvre (DiMaggio et Powell, 1983), plusieurs questions peuvent être posées : Quelles sont les institutions impliquées (Friedberg, 1998) ? Quels dispositifs, quelles politiques, quelles mesures visent à favoriser le développement des innovations numériques dans l’agriculture ? Quels sont les acteurs concernés, depuis les producteurs de technologies en lien avec la recherche jusqu’aux agriculteurs et autres utilisateurs dans les systèmes alimentaires, en passant par les prescripteurs mais aussi utilisateurs que sont les conseillers agricoles ? Le cadre théorique pourra s’articuler autour de la notion de « système sectoriel d’innovation » défini par Malerba (2002) comme « un ensemble de produits nouveaux ou existants pour des usages spécifiques, et l’ensemble des agents en interactions marchandes et non marchandes pour la création, la production et la vente de ces produits. » Ce cadre devrait permettre d’identifier des catégories d’outils, selon leurs caractéristiques, leurs usages spécifiques.
    D’un point de vue méthodologique, le travail sera réalisé essentiellement au moyen d’une étude bibliographique mais aussi d’entretiens téléphoniques ou en face à face avec les acteurs locaux (dont membres de la chaire Agrotic notamment) qui permettront de compléter et de préciser les informations précédemment recueillies. Cette étape d’identification du contexte institutionnel de l’agriculture numérique constitue un préalable important à des travaux ultérieurs destinés à mieux comprendre les usages des technologies numériques dans l’agriculture et leurs impacts pour les exploitations agricoles. Il s’agit en particulier d’identifier les outils numériques adoptés et leur mode de diffusion, en appréhendant les étapes préalables à l’usage, qui ont conduit à l’adoption de ces outils.
  • Encadrantes : Leïla Temri (Montpellier SupAgro MOISA) et Nina Lachia (Montpellier SupAgro AgroTIC)
  • management, économie, politique institutionnelle, innovation, conseil agricole, agriculture numérique
  • #DigitAg :  Axe 1 : Impact des technologies de l’information et de la communication sur le monde rural, Axe 2 : Innovations en agriculture numérique / Challenge 5 : Les services de conseil agricole, Challenge 7 : Intégration de l’agriculture dans les chaînes de valeur

Shiyu Liu

En Chine, Shiyu a obtenu une licence en génie mécanique à l’Université Polytechnique du Nord-ouest (Northwestern Polytechnical University) de Xi’An (Province de Shaanxi). Il est arrivé en France en 2015 pour des études d’ingénieur grâce au programme de double diplôme entre son université et l’INSA de Lyon, puis a poursuivi avec le master 2 Robotique de l’Université de Montpellier.

Comme Jun, Shiyu note qu’en France, les études, surtout les études d’ingénieur, insistent sur la mise en pratique des connaissances à travers des stages ou des projets de recherche : “En Chine, on a moins de collaborations avec les entreprises ou des laboratoires quand on fait des études.” Il a apprécié la multidisciplinarité des cours et les stages. Ce qui lui semble à améliorer ? “La procédure d’admission, la planification des cours et des projets, et la validation des années scolaires”.

Appariement de bandes spectrales par reconstruction 3D pour capteurs d’image dédiés aux applications agricoles

Ce sujet l’intéresse particulièrement, car Shiyu a suivi beaucoup de cours et réalisé plusieurs projet de recherche dans le domaine de la robotique et de la vision. Il a eu connaissance de l’offre de stage par les enseignants de son master :  “J’avais entendu parlé de l’agriculture numérique mais je n’avais aucune connaissance sur le sujet. Maintenant, je pense indispensable de développer ces techniques et surtout de les mettre en place dans les applications agricoles, c’est un thème pour notre futur.”

Où en est-il ? “J’ai développé les algorithmes, je suis en train d’optimiser le temps de traitement des images”. Pour la suite, Shiyu est à la recherche d’un sujet de thèse, toujours dans le domaine de la robotique ou de la vision.

  • Sujet de stage : Appariement de bandes spectrales par reconstruction 3D pour capteurs d’image dédiés aux applications agricoles
  • Présentation à la #DigitAgora – 30 Mai 2018 (pdf)
  • Mémoire de master (pdf) à venir
  • Résumé :  L’utilisation des drones pour le suivi des cultures est une demande en très forte croissance, qui s’appuie sur la disponibilité de capteurs imageurs multispectraux combinant des bandes dans le visible et le proche infrarouge. Aujourd’hui, pour y répondre, divers dispositifs commerciaux sont proposés (caméra 4 bandes Sequoia (www.parrot.com), caméra 6 bandes Airphen (www.hiphen-plant.com), qui reposent tous sur la juxtaposition de caméras élémentaires munies de leur propre objectif. Cette solution multi-objectifs est satisfaisante pour la prise d’images de résolution spatiale limitée à quelques centimètres par pixel. Cependant, elle est inutilisable pour certaines applications nécessitant une résolution plus élevée et donc un vol à très basse altitude (détection d’adventices, comptage de plantules, maladies). En effet, les effets de parallaxe interdisent alors la superposition uniforme des différentes bandes spectrales. Ce sujet a pour cadre le développement d’une méthode d’appariement entre bandes spectrales adapté à la prise d’images rapprochées, s’appuyant sur la reconstruction 3D de la scène visualisée. Dans une première étape, une approche photogrammétrique (aujourd’hui classique) permettra de construire un modèle numérique de surface (MNS) à partir de l’une des bandes, par l’assemblage de prises d’images successives à fort recouvrement. Ce MNS, associé à la calibration géométrique du capteur, permettra ensuite d’associer à la position de chaque pixel dans une bande la position correspondante dans les autres bandes, et donc au final la superposition exacte des données spectrales pour l’ensemble de la scène. Le stagiaire a en charge le développement de ces différentes étapes, et l’évaluation des résultats obtenus sur la base d’expérimentations de terrain.
  • Encadrant : Gilles Rabatel, Irstea ITAP
  • informatique, traitement d’images hyperspectrales, appariement d’images, images drones, modèle numérique de sol (MNS), protection des cultures, phénotypage rapide, capteurs optiques
  • #DigitAg : Axe 3 : Capteurs, acquisition et gestion de données / Challenge 1 : Le challenge agroécologique, Challenge 2 : Le phénotypage rapide, Challenge 3 : La protection des cultures