En savoir plus

Deep4Mix : exploitation des méthodes d’apprentissage profond pour le suivi de la dynamique des espèces dans un mélange de cultures

• Date de démarrage:  1er mars 2022
• Discipline(s)/Spécialité(s): Apprentissage profond en proxydétection
• Financement: #DigitAg
• Encadrant(s): Marie Weiss (Emmah, Inrae), Alexis Joly (Zenith, Inria)
• #DigitAg :  Axe 5 : Fouille de données, analyse de données, extraction de connaissances, Axe 2 : Innovations en agriculture numérique, Challenge 1 : Le challenge agroécologique, Challenge 2 : Le phénotypage rapide

Mots-clés : Agroécologie, Segmentation d’instances, segmentation sémantique, Caractérisation automatisée de la végétation

Résumé : La transition agroécologique nécessite le développement et l’évaluation de nouveaux agroécosystèmes multi-performants, résilients et durables. Cependant, les outils d’observation de ces systèmes de culture souvent plurispécifiques sont aujourd’hui peu nombreux et la plupart du temps bas-débit voire destructifs et/ou subjectifs. Le manque de données qui en découle est d’autant plus critique que la complexité de systèmes tels que les cultures associées est supérieure à celle des monocultures. Les outils d’observation de proxidétection haut-débit semblent donc incontournables pour rapidement caractériser et mieux comprendre ces agrosystèmes. Pour autant, si ces outils ont maintenant atteint une certaine maturité pour le suivi des cultures monospécifiques, leur utilisation en agroécologie reste très limitée. Ce projet vise donc à comprendre dans quelle mesure l’imagerie de proxidétection permet de suivre, au champ, la dynamique de la proportion et de la structure des espèces dans un mélange. L’approche méthodologique proposée passe par une étape préalable d’identification des espèces au sein du couvert faisant appel à l’entraînement de modèles d’apprentissage profond. Une base inédite de données d’images annotées sera donc d’abord constituée et s’appuiera sur des données acquises sur des cultures associées dans le projet Remix, mais aussi sur des données acquises sur des cultures monospécifiques peuplées ou non de mauvaises herbes. L’apport d’informations complémentaires (images RGB dans deux directions de visée, nuage de points 3D LiDAR) en entrée des modèles sera également investigué. Enfin, une fois les espèces identifiées, le projet vise à estimer de nouveaux traits tels que la proportion d’espèces, la surface foliaire correspondante ou la surface de superposition entre ces espèces, et à utiliser la dynamique de ces traits pour identifier des événements clés tels que la date de recouvrement entre espèces.

Contact : dubos [AT] inrae.fr

Réseaux sociaux: LinkedIn - ResearchGate

Communications & Publications

Mémoire de thèse (lien vers texte intégral en libre-accès) : http://www.theses.fr/s201366

NODeJ: an ImageJ plugin for 3D segmentation of nuclear objects, Tristan Dubos, Axel Poulet, Geoffrey Thomson, Emilie Péry, Frédéric Chausse, Christophe Tatout, Sophie Desset, Josien C. van Wolfswinkel, Yannick Jacob; Submitted: BMC Bioinformatics doi: 10.1101/2021.11.26.470128

Deep learning ­– promises for 3D nuclear imaging: a guide for biologists, Guillaume MOUGEOT, Tristan Dubos, Frederic Chausse, Emilie Pery, Katja Graumann Graumann, Christophe Tatout, David E Evans, and Sophie Desset, J Cell Sci. 2022 Apr 1;135(7):jcs258986. doi: 10.1242/jcs.258986

Automated 3D bio-imaging analysis of nuclear organization by NucleusJ 2.0,Tristan Dubos, Axel Poulet, Céline Gonthier-Gueret, Guillaume Mougeot, Emmanuel Vanrobays, Yanru Li, Sylvie Tutois, Emilie Pery, Frédéric Chausse, Aline V. Probst, Christophe Tatout & Sophie Desset,Nucleus, 11:1, 315-329, doi: 10.1080/19491034.2020.1845012

RT States: systematic annotation of the human genome using cell type-specific replication timing programs, Axel Poulet, Ben Li, Tristan Dubos, Juan Carlos Rivera-Mulia, David M Gilbert, Zhaohui S Qin, Bioinformatics, Volume 35, Issue 13, 1 July 2019, Pages 2167–2176,doi :doi.org/10.1093/bioinformatics/bty957

Genetic and epigenetic variation in 5S ribosomal RNA genes reveals genome dynamics in Arabidopsis thaliana, Simon L, Rabanal FA, Dubos T, Oliver C, Lauber D, Poulet A, Vogt A, Mandlbauer A, Le Goff S, Sommer A, Duborjal H,