Etablissement d'un protocole d'acquisition par rotation d'images pour le suivi du développement d'épis de froment d'hiver et la proxidétection de la fusariose au champ


  • Godechal, F. (2021). Etablissement d'un protocole d'acquisition par rotation d'images pour le suivi du développement d'épis de froment d'hiver et la proxidétection de la fusariose au champ. Gembloux, Gembloux Agro-Bio Tech ULG, Travail de fin d'études, 68.
Type Thesis
Year 2021
Title Etablissement d'un protocole d'acquisition par rotation d'images pour le suivi du développement d'épis de froment d'hiver et la proxidétection de la fusariose au champ
Academic Department Bioingénieur en sciences et technologies de l'environnement
City Gembloux
University Gembloux Agro-Bio Tech ULG
Label U12-0044-Godechal-2021
Number of pages 68
Thesis type Travail de fin d'études
Abstract La fusariose de l’épi est une maladie fongique qui peut avoir des conséquences ravageuses sur les rendements des céréales. Bien qu’elle ait été discrète ces dernières années, le changement climatique pourrait changer la tendance. Plusieurs capteurs sont capables de détecter cette maladie aussi bien en laboratoire que sur le terrain. Dans cette étude, trois systèmes d’acquisition d’image sont utilisés pour identifier la brûlure de l’épi sur un champ de froment d’hiver : un appareil photo numérique, un capteur hyperspectral dans le domaine du visible et infrarouge proche (VPIR, 400 - 1 000 nm) et un autre dans la gamme de l’infrarouge proche (PIR, 900 - 1 700 nm). Afin de segmenter les épis et d’identifier ceux qui sont malades, six modèles surpervisés sont entraînés : une analyse discriminante quadratique (QDA), une analyse discriminante par les moindres carrés partiels (PLS-DA), une forêt aléatoire (RF), un cartographe d’angle spectral (SAM), une machine à vecteurs de support (SVM) et un perceptron multicouches (MLP). Les données sont auparavant prétraitées par différentes méthodes. Les segmentations des épis sur les données hyperspectrales sont très bien réalisées (exactitudes supérieures à 99 %). Les meilleurs modèles pour les données couleurs sont corrects à près de 94 %. Toutes ces valeurs sont rendues possibles par l’utilisation de MLPs; le prétraitement dépend quant à lui du système de vision. La plus faible quantité de données à disposition rend la détection de la fusariose plus complexe. Le domaine de l’infrarouge proche est le plus pertinent pour cette tâche, alors que pour la segmentation, cela dépend de la date à laquelle les données sont collectées. Les modèles de détection atteignent une justesse de plus de 99 % dans cette gamme, mais il est difficile de les comparer. Les résultats montrent donc qu’il est possible de segmenter les épis et de détecter la fusariose au champ avec des performances variables en fonction des capteurs et de la période d’acquisition. Mots clés : épi - Triticum aestivum - Fusarium - phénotypage - infrarouge proche - apprentissage automatique
Fichier
Authors Godechal, F.

Equipe