[Paroles de doctorants] Etienne David : Développement de méthodes d’apprentissage profond pour la caractérisation des cultures

Etienne porte un sujet de thèse labellisée par #DigitAg

Développement de méthodes d’apprentissage profond pour la caractérisation des cultures

  • Date de démarrage : mai 2018
  • Université : Avignon Université
  • Ecole doctorale : A2E – ED 536 Agrosciences & Sciences
  • Discipline / Spécialité : Agronomie, Informatique
  • Directeur de thèse : Frédéric Baret, Inra EMMAH Avignon
  • Encadrant(es) :  Frédéric Baret et Samuel Thomas, Arvalis institut du végétal
  • Financement :  Cifre Arvalis
  • #DigitAg : Thèse labellisée – Axes 5  et 6Challenges 2 & 3

Mots-clés :  Phénotypage haut-débit, données agricoles, grandes cultures, apprentissage profond, apprentissage automatique, intelligence artificielle, vision numérique, télédétection, proxi-détection

Résumé :

L’introduction récente du numérique en agriculture fournit de nombreuses données grâce aux capteurs fixes au champ (IoT pour Internet of Things), ou à des capteurs mobiles portés par des drones, des robots ou des tracteurs. Ces techniques de proxidétection permettent d’accéder à certaines caractéristiques des cultures qui peuvent être suivies au cours du cycle de croissance.  Leur intégration dans des modèles de structure-fonction doit permettre de décrire finement certains processus du fonctionnement de la plante. Cette description, a priori indépendante des conditions environnementales peut ainsi être reliée au génotype. Il serait alors possible de choisir, dans un contexte pédo-climatique donné, quelle est la meilleure combinaison de caractéristiques de fonctionnement aboutissant à la meilleure productivité compte tenu des contraintes environnementales et économiques.

La masse de données ainsi produite la plupart du temps sous forme d’images, contribue à l’émergence du ‘Big-Data’ en agriculture. La transformation de cette masse de données en information utile apparait donc être maintenant le facteur limitant principal. Les récents développements en informatique, notamment en apprentissage automatique permettent d’exploiter efficacement cette masse d’information, en particulier celle contenue dans les images. Ces techniques constituent donc un potentiel immense pour la caractérisation des cultures.

La thèse est centrée sur les cultures de blé et de maïs. Trois problèmes importants seront abordés : – Localisation de plantes et d’organes: Les travaux récents de l’unité montre une supériorité des algorithmes des deep learning dans la localisation et comptage d’organes ; – Estimation de l’indice foliaire. L’indice foliaire est une grandeur sans dimension qui représente la surface de feuille par unité de surface de sol. Le LAI est relativement aisé à estimer à des stades précoces, mais son accès s’avère très imprécis pour des niveaux de LAI élevés ; – Extraction de descripteurs de la structure du couvert végétal : L’arrivée de nouvelles techniques de proxy-détection comme le LiDaR et l’imagerie très haute résolution RGB ou multi-spectrale permet d’accéder à de nouveaux indicateurs sur la structure des plantes.

 

Contact:  etienne.david [AT] inra.fr​

Réseaux : ResearchGateTwitter – GitHub