Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour...
-
Upload
james-charrier -
Category
Documents
-
view
108 -
download
4
Transcript of Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour...
![Page 1: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/1.jpg)
Modélisation d'images agronomiquesApplication à la reconnaissance d'adventices par imagerie
pour une pulvérisation localisée
Université de Bourgogne - U.F.R. Sciences et TechniquesÉcole Doctorale E2S : Environnement, Santé, STICAgroSup Dijon : UP-GAP / Le2i - UMR CNRS 5158
Soutenance de thèseprésentée en vue de l'obtention du grade de
Docteur en Instrumentation et Informatique de l'ImageGawain JONES
Le 26 novembre 2009
![Page 2: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/2.jpg)
2
1. Contexte et motivations
2. Modélisation
3. Validation
4. Discrimination culture/adventices
5. Modélisation spectrale
6. Conclusion et perspectives
Plan
![Page 3: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/3.jpg)
3
1. Contexte et motivations
![Page 4: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/4.jpg)
4
• 1980-90 : variabilité intra-parcellaire
• Gestion localisée de parcelles :– Optimisation des coûts / Impact environnemental
• Récolte d’informations :– État des sols / Rendement / Répartition des intrants
• Apports des STIC à l’agriculture– Capteurs / GPS / Systèmes optiques
• Forte volonté gouvernementale :– DC sur l’eau 2000 / LEMA 2006 / Ecophyto 2018
Réduction des intrants
1. Contexte et motivations1.1. Agriculture de précision
Precision Agriculture Australia ©
![Page 5: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/5.jpg)
5
• Localisation des adventices– Traitement localisé réduction des intrants
• Approche carte et temps réel
1. Contexte et motivations1.2. Notre laboratoire
PhD Vioix 2004 Cartographie
PhD Bossu, 2007Temps réel
![Page 6: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/6.jpg)
6
• Développement d’algorithmes de discrimination culture/adventices
1. Contexte et motivations1.2. Notre laboratoire
2D FFT+
Filtre de Gabor
Image périodique
Image IR
Image en perspective
Transformée en ondelettesImageRGB
![Page 7: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/7.jpg)
7 1. Contexte et motivations1.3. Objectifs
• Performances des algorithmes de discrimination ?• Méthodes actuelles :
- Comptage manuel au champ- Segmentation manuelle des images
Thèse J.W. Lu, 2002
En pratique, peu d’algorithmes sont évalués
Développement d’une méthode d’évaluation automatique
![Page 8: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/8.jpg)
8
2. Modélisation
![Page 9: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/9.jpg)
9
• Différents objectifs : – Croissance / Visualisation (AMAP - 1988, LIGNUM - 1996…)
– Préconisation / Simulation d’une information agronomique (APSIM - 1996, FARMSTAR - 2003…)
– Compétition (ALMANAC - 1992,
CROPSIM - 1996…)
– …
Modèles non adaptés
2. Modélisation
2.1.1. État de l’art
2.1. Introduction
![Page 10: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/10.jpg)
10
• Algorithmes de discrimination basés sur l’information spatiale
• Pulvérisation post-levée : jeune stade de croissance
modélisation 2D
• Séparation sol/végétation (indice de végétation)
binaire
2. Modélisation
2.1.2. Cahier des charges
2.1. Introduction
![Page 11: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/11.jpg)
11 2. Modélisation2.2. Champ
fx = largeur inter-rang (45cm)
fy = largeur intra-rang (19 cm)
Semis continu en ligne (blé, soja)
fx = largeur inter-rang (18cm)
2.2.1. Culture Variations stochastiques :
- Taille
- Position sur le rang
- Position du rang
- Présence
Semis périodique (tournesol, mais)
![Page 12: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/12.jpg)
12 2. Modélisation
Trois distributions :– Distribution ponctuelle : Loi de Poisson
– Distribution agrégative : Processus de Neyman-Scott
Aire de propagation elliptique
– Mélange des deux distributions
( )( ) ( ) e
!
kS
k
SP S P X k
k
2.2. Champ
2.2.2. Adventices
Surface SPoisson (λS) adventices
Point pèrePoisson (n) points fils
![Page 13: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/13.jpg)
13 2. Modélisation2.2. Champ
• Taux d’infestation contrôlé (WIR=pixels d’adventices/pixels de végétation)
• Dimensions du champ :- (m) = 4.2 x 3.7- (pix) = 512 x 472
• Plants de culture = 368• Plants d’adventices = 418• WIR = 29.21% (30% demandés)
• Dimensions du champ :- (m) = 2.4 x 3.6- (pix) = 1140 x 894
• Plants de culture = 356• Plants d’adventices = 535• WIR = 39.11% (40% demandés)
2.2.3. Culture + Adventices
![Page 14: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/14.jpg)
14 2. Modélisation2.3. Transformation optique
2.3.1. Modèle du sténopé
• Objectif : prise de photographie adaptable à tout dispositif expérimental
• Projection du sol sur le CCD en fonction des :
– Paramètres intrinsèques :• Focale f• Taille et centre optique du CCD
– Paramètres extrinsèques :• Matrice de rotation Rx, Ry et Rz
• Vecteur de translation Tz=H (Tx=Ty=0)
• Matrice de transformation
![Page 15: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/15.jpg)
15 2. Modélisation2.4. Résultats
2.4.1. Transformation optiqueLe champ
Drone
H = 5mRx = 0°Ry = 0°Rz = 20°WIR = 30%
Sa photographie
Tracteur
H = 1mRx = 70°Ry = 0°Rz = 0°WIR = 40%
![Page 16: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/16.jpg)
16 2. Modélisation2.5. Conclusion
• Modèle spatial permettant la création de scènes agronomiques : – Paramètres de culture– Distribution des adventices et taux d’infestation– Prise en compte d’un système optique
• Nombreuses variations stochastiques « naturelles »
Peut-on substituer les images virtuelles aux réelles?
![Page 17: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/17.jpg)
17
3. Validation
![Page 18: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/18.jpg)
18 3. Validation3.2. Culture
3.2.1. Analyse de voisinage
• Caractériser information spatiale• Analyse multi-échelle Validation globale
• Comparaison image réelle / simulée
Motif n°1 Motif n°2 Motif n°3
…
![Page 19: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/19.jpg)
19 3. Validation3.2. Culture
3.2.2. Comparaison image réelle/simulée
Motif n°1
Motif n°2
Réelle
Simulée
Une simulation
![Page 20: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/20.jpg)
20 3. Validation3.2. Culture
• Résultats très bons : le modèle reproduit correctement la spatialisation de la culture
• Tests identiques sur images avec perspective mêmes résultats
• Validation de la modélisation spatiale de la culture
3.2.4. Résultats
2
1, 2,1
1 2
1 2
( , )
où et correspondent aux deux jeux de données à comparer
n
i ii
x xRMSE x x
nx x
![Page 21: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/21.jpg)
21 3. Validation3.3. Adventices
3.3.1. Méthode
• Validation du semis d’adventices• 150 images traitées : pointage des adventices• Comparaison distribution réelle/simulée
![Page 22: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/22.jpg)
22 3. Validation3.3. Adventices
3.3.2. Caractérisation de la distribution
• Fonction de Ripley (thèse F. Goreaud - 2000)
1 1
(|| || )ˆ ( )n n
ij i j
i j
x x rK r
n
i j
0 6000
10.105
r (pixels)
ˆ ( )K r
![Page 23: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/23.jpg)
23 3. Validation3.3. Adventices
3.3.2. Caractérisation de la distribution
• Linéarisation de Besag
ˆ ( )ˆ( )K r
L r r
Intervalles de confiance à 1%
0 600-20
r (pixels)
ˆ( )L r
20
0 6000
10.105
r (pixels)
ˆ ( )K r
![Page 24: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/24.jpg)
24 3. Validation3.3. Adventices
3.3.2. Caractérisation de la distribution
• Semis ponctuel
0 250-6
r (pixels)
ˆ( )L r
6
![Page 25: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/25.jpg)
25 3. Validation3.3. Adventices
3.3.2. Caractérisation de la distribution
• Semis Hétérogène
300 germes 600 germes
0 1200-20
r (pixels)
ˆ( )L r
50
![Page 26: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/26.jpg)
26 3. Validation3.3. Adventices
3.3.3. Résultats
• Hétérogénéité des semis d’adventices
0 1200-20
r (pixels)
ˆ( )L r
25
![Page 27: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/27.jpg)
27 3. Validation3.3. Adventices
3.3.3. Résultats
• Semis ponctuel à une échelle moindre
![Page 28: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/28.jpg)
28 3. Validation3.3. Adventices
3.3.3. Résultats
• ~500 sous-images traitées (de ~200 germes)• Les distributions réelles correspondent bien au
semis ponctuel développé
Validation du semis ponctuel
• Nécessité de trouver des adventices réparties en distributions agrégatives
• L’hétérogénéité dépend de l’échelle : à prendre en compte lors de la distribution des adventices
![Page 29: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/29.jpg)
29 3. Validation3.4. Conclusion
• Validation du modèle :– Spatialisation des cultures– Distribution des adventices– Validité du sténopé développé
• Les images simulées peuvent remplacer les images réelles
Utilisation du modèle pour tester des algorithmes de discrimination
![Page 30: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/30.jpg)
30
4. Discrimination culture/adventices
![Page 31: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/31.jpg)
31 4. Discrimination culture/adventices4.1. Introduction
4.1.1. Algorithmes de discrimination
• FFT + Gabor : perspective• Ondelettes : temps de calcul
FFT + Gabor Ondelettes
PhD Bossu, 2007
Objectif : performances et adaptation
![Page 32: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/32.jpg)
32 4. Discrimination culture/adventices4.2. Détection des rangs
4.2.1. Transformée de Hough
Espace cartésien Espace polaire : Accumulateur
Droite dans l’espace cartésien Maximum dans l’espace polaire
.cos( ) .sin( )x y
S2
S1
S3
S4
S5
4
2
2
2
2
2
θ
ρ
- 6 0 0
- 4 0 0
- 2 0 0
0
2 0 0
4 5-9 0 -4 5 0
4 0 0
9 0
6 0 0
8 0 0
θ2
θ1
ρ1
ρ2
![Page 33: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/33.jpg)
33 4. Discrimination culture/adventices4.2. Détection des rangs
4.2.2. Différentes scènes
Sans perspective
Avec perspective 90-1000
θ (degrés)
1000
-90
ρ (pixel)
90-1000
θ (degrés)
1000
-90
ρ (pixel)
Accumulateurs de Hough
![Page 34: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/34.jpg)
34 4. Discrimination culture/adventices4.3. Différentes méthodes
4.3.1. Introduction
• Séparation culture/adventices
• Utilisation des droites détectées
• Adventices intra-rang = culture
![Page 35: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/35.jpg)
35 4. Discrimination culture/adventices4.3. Différentes méthodes
4.3.2. Méthode 1 : Blob-Coloring
• Intersection composante connexe / droite
Culture bien détectée
Culture mal détectée
Adventices bien détectées
Adventices mal détectées
![Page 36: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/36.jpg)
36 4. Discrimination culture/adventices4.3. Différentes méthodes
4.3.3. Méthode 2 : Estimation de contours
• Estimation de la largeur du rang
![Page 37: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/37.jpg)
37 4. Discrimination culture/adventices4.3. Différentes méthodes
4.3.4. Méthode 3 : Méthode probabiliste
• Probabilité / centre du rang
Fonction de probabilité
Centre du rang
Seuil
![Page 38: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/38.jpg)
38 4. Discrimination culture/adventices4.4. Performances
4.4.1. Méthodologie
• Génération d’une banque d’images pour évaluer les performances des algorithmes face à : – des taux d’infestation variables (0 à 60%)– différentes distributions d’adventices– deux configurations de caméra
7440 images modélisées et testées
![Page 39: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/39.jpg)
39 4. Discrimination culture/adventices4.4. Performances
4.4.1. Méthodologie
• Comparaison résultats/données initiales– Matrice et graphe ROC
Détecté
Culture Adventices
Culture Vrai positif Faux négatif
Adventices Faux positif Vrai négatif
Vrai positifTVC=
Vrai positif + Faux négatif
Vrai négatifTVA=
Vrai négatif + Faux positif
![Page 40: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/40.jpg)
40 4. Discrimination culture/adventices4.4. Performances
4.4.2. Choix du seuil optimal
• Choix a posteriori, après test de différents seuils• Caractérisation de seuil en fonction :
– Caractéristiques de la scène– Application visée (classe prépondérante?)
• Choix « optimal » : plus proche de (0, 1)
![Page 41: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/41.jpg)
41 4. Discrimination culture/adventices4.4. Performances
4.4.3. Sans perspective - mixte
Composante connexe
TVA 93-97%
Estimation rang Probabiliste
TVA 98-100% TVA 94-98%
TVC 86-98% TVC 80-92% TVC 94-98%
100%
80%0% 60%WIR 0% 60%WIR 0% 60%WIR
![Page 42: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/42.jpg)
42 4. Discrimination culture/adventices4.5. Conclusion
Transformée de Hough• Très robuste – Adaptation automatique
• Optimisation : réduction de l’espace étudié
Méthodes de discrimination• Très bons résultats de classification
• Méthode probabiliste : – Très équilibrée et constante (car choix du seuil a posteriori)– Permet l’établissement d’une préférence de détection
• Erreurs de classification = bords des rangs
• Détection dans le rang impossible
L’amélioration des algorithmes de discrimination passe par la prise en compte d’une information supplémentaire
![Page 43: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/43.jpg)
43
5. Modélisation spectrale
![Page 44: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/44.jpg)
44 5. Modélisation spectrale5.1. Apports et mise en oeuvre
5.1.1. Motivations
![Page 45: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/45.jpg)
45 5. Modélisation spectrale5.1. Apports et mise en oeuvre
5.1.1. Motivations
• Détection d’adventices dans le rang impossible• Utilisation de l’information spectrale pour réaliser cette
discrimination
Besoin d’un modèle simulant la réponse spectrale
![Page 46: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/46.jpg)
46 5. Modélisation spectrale5.1. Apports et mise en oeuvre
5.1.1. Motivations
• Reproduire la réponse spectrale– Dépend des angles incidents et réfléchis,– Caractérisation pour chaque plante.
Caractérisation et utilisation de modèles de BRDF
( , , , )( , , , , , )
( , , , ) cos( )r r r
r i i r ri i i i i
dL xf x
L x d
![Page 47: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/47.jpg)
47 5. Modélisation spectrale5.2. BRDF
5.2.1. Principe
Mesures spectrales multi angulaires
Obtention des paramètres de BRDF
Réponse spectrale pour un nouvel angle
Paramètres + modèle
Inversion du modèle
RGB NIR
Réflectance de plantes
![Page 48: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/48.jpg)
48 5. Modélisation spectrale5.2. BRDF
• PROSPECT (S. Jacquemoud - 1990) : modèle de couches en parallèle développé pour la BRDF des plantes
• SOILSPECT (S. Jacquemoud - 1992) : modèle de transfert radiatif utilisé pour la BRDF des sols
5.2.2. Choix des modèles
![Page 49: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/49.jpg)
49 5. Modélisation spectrale5.3. Du spectre à l’image
5.3.1. Du spectre au RGB
![Page 50: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/50.jpg)
50 5. Modélisation spectrale5.3. Du spectre à l’image
5.3.2. Exemples
• CIE XYZ fonctions trichromatiques de la caméra• Simulation de filtres optiques• Obtention d’images PIR et hyperspectrales
Données spectrales plantes : LOPEX93 / Sol : S. Jacquemoud
![Page 51: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/51.jpg)
51 5. Modélisation spectrale5.4. Modèle 3D
5.4.1. Nécessité d’un modèle 3D
• 2D rapidité et simplicité + orientation feuilles• Mais : orientation, hauteur feuilles Modèle 2D
inadapté
Mise en place d’un modèle 3D simple
![Page 52: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/52.jpg)
52 5. Modélisation spectrale5.4. Modèle 3D
5.4.2. Adaptation du modèle agronomique
• Distribution de la culture et des adventives identique
• Taux d’infestation calculé avec la surface totale des plantes
• Discrétisation adaptative des facettes• Gestion de l’orientation et de l’occultation de
facettes (back-face & occlusion culling)
![Page 53: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/53.jpg)
53 5. Modélisation spectrale5.5. Conclusion
• BRDF : modèles adaptés aux plantes et aux sols• Mais manque de données spectrales
multiangulaires• Possibilité de produire des images simulant les
caractéristiques des caméras• Modèle 3D nécessaire à l’utilisation de BRDF et
adaptation des données agronomiques
![Page 54: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/54.jpg)
54
6. Conclusion et Perspectives
![Page 55: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/55.jpg)
55 6. Conclusion et Perspectives6.1. Conclusion
Modèle• Modélisation paramétrable de scènes « naturelles »• Utilisation du modèle pour améliorer les algorithmes de
discrimination et accélérer leur développement
Algorithmes de discrimination• Méthodes de discrimination très robustes• Adaptation automatique à la géométrie de la scène
Modélisation spectrale• Évolution du modèle vers le spectral• Nouvelles possibilités pour l’évaluation d’algorithmes
![Page 56: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/56.jpg)
56 6. Conclusion et Perspectives6.2. Perspectives
Modèle• Forme des plantes : modèle déformable• Prise en compte des ombres : algorithmes de prétraitement• Couplage résultats de discrimination / prédiction de
rendement suivi virtuel de parcelle• Campagne d’obtention de données multiangulaires en
partenariat avec d’autres laboratoires (LOPEX93)
Algorithmes de discrimination : vers le spectral• Apprentissage spectral temps-réel à partir de la détection
spatiale
![Page 57: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/57.jpg)
57
Merci pour votre attention!
![Page 58: Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -](https://reader034.fdocument.pub/reader034/viewer/2022042714/551d9d82497959293b8bb9a4/html5/thumbnails/58.jpg)
Modélisation d'images agronomiquesApplication à la reconnaissance d'adventices par imagerie
pour une pulvérisation localisée
Université de Bourgogne - U.F.R. Sciences et TechniquesÉcole Doctorale E2S : Environnement, Santé, STICAgroSup Dijon : UP-GAP / Le2i - UMR CNRS 5158
Soutenance de thèseprésentée en vue de l'obtention du grade de
Docteur en Instrumentation et Informatique de l'ImageGawain JONES
Le 26 novembre 2009