[Thèse soutenue] Kaaviya Velumani: Algorithmes d’apprentissage approfondi pour l’identification à haut débit de plantes et d’organes de céréales

Algorithmes d’apprentissage approfondi pour l’identification à haut débit de plantes et d’organes de céréales

Sujet de thèse labellisée par #DigitAg

• Date de démarrage : septembre 2018
• Université : Université d'Avignon
• Ecole doctorale : A2E – ED 536 Agrosciences & Sciences
• Discipline / Spécialité : Agronomie, Informatique
• Directeur(s) de thèse : Frédéric Baret, Inrae, UMR Emmah Avignon et Raul Lopez lozano, Inrae, UMR Emmah Avignon
• Encadrant :  Frédéric Baret, Inrae, UMR Emmah Capte
• Financement :  Cifre Hiphen
• #DigitAg : Thèse labellisée – ,Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Challenge 2 : Le phénotypage rapide

Mots-clés: Croissance de la végétation, séries chronologiques, traitement d’images, phénologie des cultures, apprentissage profond, détection d’organes, échantillonnage spatial, Systèmes IoT, Internet des Objets, IoTA, capteurs, phénotypage haut-débit, agriculture de précision

Résumé : Les cultures céréalières sont la source d’alimentation la plus critique pour la population mondiale. Les récentes avancées en génomique végétale ont généré de nouvelles opportunités pour augmenter la variabilité génétique des plantes, avec un énorme potentiel pour l’amélioration des cultures. Cependant, la contribution effective de ces progrès à l’augmentation de la productivité des cultures dépend de la manière dont les traits génotypiques peuvent être liés aux mécanismes écophysiologiques qui produisent une réponse distincte du génotype à l’environnement.
Le phénomique végétale – l’observation des traits phénotypiques des plantes – est la discipline qui doit combler le fossé entre le génotype et le phénotype. Traditionnellement, le phénotypage sur le terrain repose sur des observations manuelles ou destructives, à faible débit, de traits phénotypiques tels que la hauteur des plantes, le stade de la culture et les composantes du rendement. Le développement de plateformes et de capteurs de phénotypage de terrain à haut débit a ouvert une nouvelle ère de phénomique végétale. Cela a un impact potentiel énorme sur l’efficacité des programmes de sélection, car cela permettrait aux sélectionneurs de plantes de phénotyper avec précision un grand nombre de génotypes.
Les progrès de la vision par ordinateur et l’introduction de l’apprentissage profond transforment plusieurs caractéristiques auparavant accessibles uniquement par échantillonnage manuel en caractéristiques à haut débit. Grâce à leurs performances impressionnantes, l’adoption rapide de ces techniques pour le phénotypage des plantes sur le terrain a progressé rapidement au cours des cinq dernières années. Le principal défi pour l’utilisation de l’apprentissage profond dans des conditions opérationnelles est lié au manque de généralisation lorsque les réseaux de neurones convolutifs sont appliqués sur des ensembles de données qui diffèrent dans une certaine mesure – c’est-à-dire qui appartiennent à un domaine différent – de l’ensemble de données utilisé pour leur formation. Par rapport à l’identification d’objets du monde réel, la mise en œuvre de l’apprentissage profond dans le phénotypage sur le terrain présente encore des problèmes spécifiques qui n’ont pas été entièrement traités par la littérature existante.
Cette thèse étudie l’utilisation de techniques d’apprentissage profond pour l’estimation de trois traits essentiels pour le phénotypage des plantes : la densité des plantes aux premiers stades pour le maïs, la densité des têtes de blé et la date d’épiaison du blé. La thèse est structurée en trois chapitres qui prennent la forme d’articles scientifiques, chacun traitant d’un trait phénotypique spécifique, et utilisant un vecteur et un algorithme de détection/comptage spécifiques.

Composition du jury :

Dr. David Rousseau (LARIS, Univ. d’Angers), Rapporteur
Dr. Evelyne Costes (UMR AGAP 2 INRAE, Montpellier), Rapporteur
Dr. Scott Chapman (Univ. de Queensland), Examinateur
Dr. Alexis Comar  (Hiphen), Examinateur
Dr. Frederic Baret (UMT CAPTE INRAE Avignon), Directeur de thèse
Dr. Raul Lopez Lozano (UMT CAPTE INRAE Avignon), Co-Directeur de thèse

Contact :  frederic.baret [AT] inrae.fr

Réseaux : LinkedIn – ResearchGate

Communications & Publications
Télécharger le mémoire de thèse

Publications dans des journaux internationaux à comités de lecture

• Kaaviya Velumani, SimonMadec, Benoit de Solan, Raul Lopez-Lozano, Jocelyn Gillet, Jeremy Labrosse, Stephane Jezequel, Alexis Comar, Frédéric Baret (2020), An automatic method based on daily in situimages and deeplearning to date wheat heading stage , Field Crops Research – https://www.sciencedirect.com/science/article/abs/pii/S0378429019321604?via%3Dihub