La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Apports de la vision cognitive pour la détection précoce de bioagresseurs Céline Hudelot, Monique Thonnat Équipe ORION, INRIA Paul Boissard Urih, INRA.

Présentations similaires


Présentation au sujet: "Apports de la vision cognitive pour la détection précoce de bioagresseurs Céline Hudelot, Monique Thonnat Équipe ORION, INRIA Paul Boissard Urih, INRA."— Transcription de la présentation:

1 Apports de la vision cognitive pour la détection précoce de bioagresseurs Céline Hudelot, Monique Thonnat Équipe ORION, INRIA Paul Boissard Urih, INRA

2 17/06/2005 INRA 2/24 Plan de la presentation Introduction État de lart Notre approche: une plate forme de vision cognitive Un système pour le diagnostic précoce des pathologies du rosier Conclusion et perspectives

3 17/06/2005 INRA 3/24 Introduction: Laction PIC « Production intégrée dans un système de cultures sous serre lourde » Axe : moyens de détection et de contrôle Développement de méthodes génériques Capteurs innovants : vers un contrôle non destructif Caractériser létat de fonctionnement de la culture

4 17/06/2005 INRA 4/24 Introduction: Objectifs Objectifs biologiques: Détection précoce des maladies et de la présence de ravageurs Automatisation de la surveillance de létat sanitaire des plantes Un diagnostic plus précis et pouvant être quantifié Non limité à lœil humain (visibilité et subjectivité) Une surveillance continue Connaître les pathologies : capitalisation de la connaissance en pathologie Rendre la connaissance des experts pathologistes disponible à un plus grand nombre de personnes, plus rapidement

5 17/06/2005 INRA 5/24 État de lart Vision par ordinateur pour la production agricole: Tri, contrôle de qualité: pomme, cerise, oignon, rose, tomate, … Détection de mauvaises herbes [Manh,03], [De Mezzo,04] Reconnaissance de conidies [Bernier & al, 2000] Dénombrement dinsectes dans les serres [Bauch & al, 2004, Greensys] +Des systèmes industriels -Des solutions très spécifiques pour chaque application -Représentation explicite et utilisation de la connaissance

6 17/06/2005 INRA 6/24 État de lart Systèmes à base de connaissances pour laide au diagnostic de pathologies végétales: Beaucoup de systèmes experts conventionnels à entrée textuelle se basant sur des questions et des règles TOM (INRA, [Blancard]) : diagnostic des pathologies de la tomate et prescription de traitements VEGES ([Yialouris & al, 1997]): diagnostic de la présence de ravageurs, des maladies et des désordres nutritionnels pour 6 cultures légumières sous serre +Rendre lexpertise disponible plus rapidement -Dépend de lobservateur et de sa capacité à comprendre les anomalies Intégration de techniques de vision cognitive pour automatiser le contrôle sanitaire

7 17/06/2005 INRA 7/24 Notre approche: Vision cognitive Définition: Étude de lacquisition et de lutilisation de la connaissance et du raisonnement en vision par ordinateur De la « reconstruction visuelle » aux ordinateurs « qui savent voir » SAVOIR FAIRE

8 17/06/2005 INRA 8/24 Approche: Motivations Pourquoi la vision cognitive ? Diagnostic des pathologies végétales = acte visuel visant à déduire la présence de maladies par lobservation de signes et symptômes SAVOIR RAISONNER : interprétation des signes et des symptômes en terme de pathologies SAVOIR VOIR : Focalisation sur les critères pertinents Réseaux en forme détoile de filaments blanc et fins (5-10 μ) Présence dune région elliptique au centre du réseau Conditions climatique: Humidité importante, Température : 25 °C Apparition précoce doïdium dans des conditions favorables Diagnostic précoce: Image microscopique (x64) dune feuille de rosier

9 17/06/2005 INRA 9/24 Approche: Motivations Au début dune infection: Pas daltération significative et détectable du fonctionnement de la plante Méthodes comme mesure de la température de surface, de la reflectance, de la fluorescence non efficaces à ce stade Méthodes biochimiques, PCR portable : très chère et petit échantillonnage Techniques dimages : bonnes méthodes pour les ravageurs et les maladies externes

10 17/06/2005 INRA 10/24 Approche : Une plate forme réutilisable Objectif Automatiser la reconnaissance dobjets complexes dans leur environnement naturel Pas un n-ième système spécifique dédié à une application donnée Proposer des solutions génériques et facilement réutilisables Plate forme de vision cognitive: un environnement réutilisable pour faciliter la construction de systèmes dinterprétation sémantique dimages particuliers

11 17/06/2005 INRA 11/24 Approche: Une plate forme modulaire Reconnaissance dobjets à partir dimages: 3 sous problèmes: Traitement dimages: description numérique des objets Transformation numérique symbolique Interprétation sémantique des données symboliques en termes de concepts du domaine dapplication Une architecture distribuée basée sur la coopération de trois systèmes à base de connaissances

12 17/06/2005 INRA 12/24 Approche: vue globale de la plate forme Interpretation semantique Moteur dinterpretation Modele de representation de la connaissance semantique Gestion de donnees visuelles Pilotage de programmes de TI Ontologie de concepts visuels Moteur Moteur de pilotage Modele de representation de la connaissance Modele de representation de la connaissance Ontologie de Concepts de traitement dimages Plate forme de vision cognitive

13 17/06/2005 INRA 13/24 Niveau sémantique Niveau visuel Niveau image Aleurode: forme elliptique, symétrique, de couleur blanche/ jaunâtre, de longueur 1 a 2 mm Perception: ensemble de pixels Connaissance sémantique a priori PUCERONM INSECTE ALEURODEACARIEN INFECTION DINSECTES Lien de composition Lien de spécialisation ANTENNES TRIPS Après le traitement dimages: plusieurs régions Ne correspondent pas forcement à des objets physiques Description à laide dune ontologie De concepts visuels Region 1: Area : 105 compactness :0.9 Circularity : 0.85 HSV (0.05,0.2, 0.6)... Description à laide de concepts image Ancrage de symbole

14 17/06/2005 INRA 14/24 Approche: Interprétation sémantique Rôle : Donner un sens sémantique à la scène observée dans limage Raisonnement classificatoire dans la taxonomie de concepts du domaine Propagation dhypothèses sur les objets présents dans limage Connaissance sémantique du domaine dapplication Description visuelle des concepts du domaine par des concepts visuels prédéfinis (ontologie de concepts visuels) Taxonomie de concepts Information contextuelle non visuelle

15 17/06/2005 INRA 15/24 Approche: Gestion des données visuelles Rôle: Mise en correspondance entre les symboles et les données extraites des images Raisonnement spatial pour la gestion de plusieurs objets Connaissances: Représentation explicite et floue du lien entre des symboles (concepts visuels) et les descripteurs numériques mesurables dans les images Définition et représentation des relations spatiales Plusieurs critères (règles): Extraction dobjets visuels (contraindre le traitement dimages) Déduction spatiale Évaluation résultats du traitement dimages

16 17/06/2005 INRA 16/24 Approche: Traitement dimages Rôle : Extraction et description numérique des objets Comment Utilisation de techniques de pilotage de programmes (plutôt quune procédure fixe) Automatisation de la réutilisation de programmes pré existants en planifiant les traitements et en contrôlant les exécutions Connaissances : Représentation explicite de la connaissance sur lutilisation dune bibliothèque de programmes.

17 17/06/2005 INRA 17/24 Approche: Originalité Séparation des différents types dexpertises nécessaires Séparation de la connaissance et du raisonnement. Pour chaque module: Un moteur réutilisable Un formalisme de représentation de la connaissance Un langage de représentation Deux ontologies réutilisables

18 17/06/2005 INRA 18/24 Système dinterprétation sémantique particulier Approche: Principe dutilisation Pour une application particulière Plate forme de vision cognitive Expert du domaine utilise Interprétation sémantique Construit Expert en vision utilise Gestion des données visuelles Construit Expert en traitement dimages utilise Utilisateur Pilotage de programmes de TI Construit Moteur dinterprétation Moteur de gestion de données visuelles Moteur de pilotage de programmes

19 17/06/2005 INRA 19/24 Application Application de la plate forme de vision cognitive pour le diagnostic précoce des pathologies du rosier de serre Construction dune base de connaissances du domaine: Description des signes et symptômes observables à léchelle microscopique du rosier de serre Organe étudié: feuille Construction dune base de connaissance de gestions de données visuelles Construction dune base de connaissances de pilotage de programmes de traitement dimages: Bibliothèque PANDORE (ENSI Caen) Développement dalgorithmes de traitement dimages: fonctionnalités non présentes dans PANDORE

20 17/06/2005 INRA 20/24 Application Acquisition de la connaissance par des interviews dexperts pathologistes (Marc Bardin et Philippe Nicot, INRA Avignon et Nicole Ballino, INRA Frejus) Un arbre composé de 45 classes du domaine Représentation explicite dun contexte du domaine et dun contexte dacquisition dimages Règles dinitialisation et de post interpretation

21 17/06/2005 INRA 21/24 Conclusion : Bilan Plate forme de vision cognitive Thèse « informatique » soutenue: validation des idées proposées Une plate forme « en chantier » : un prototype Système de diagnostic des pathologies végétales du rosier: Trois bases de connaissances comprenant 218 frames et 73 règles Bases de gestion de données visuelles et de pilotage de programmes minimales (non dépendante de lapplication) Lévaluation reste à faire

22 17/06/2005 INRA 22/24 Conclusion : Bilan Actuellement: rendre la plate forme opérationnelle Rattachement dun ingénieur informatique (Nicolas Chlecq) pour une durée de 6 mois 1ere étape: Courant juillet : livraison du Parser (dune base de connaissance KRIL a un fichier C++) Tester la version actuelle de la plate forme, validation de lapplication biologique 2ere étape: INRA: Enrichissement de la base de connaissances du domaine Base de connaissances insectes INRIA: Parser pour le module de gestion de données visuelles Enrichissement des deux autres bases de connaissances ?

23 17/06/2005 INRA 23/24 Conclusion : Bilan 3eme étape: Intégration dun module dapprentissage pour la mise en correspondance entre concepts visuels et données images (Travaux de Nicolas Maillot) Symbol grounding problem A priori knowledge approach E xplicit fuzzy representation of symbol matching with image data Explicit matching VisualConcept{ name Circular_Surface Super Concept Elliptical_Surface Symbol name eccentricity Linguistic-values [ high very_high] FuzzySet Fhigh ={0.57, 0.62, 0.76, 0.84} Fvery_high ={0.76, 0.84, 1, 1} Domain [0 1] Learning from samples approach Image Data Descriptor Selection Training Image samples Learned matching

24 17/06/2005 INRA 24/24 Conclusion: Perspectives Connexion avec le contrôle du système-serre: données fournies par la plate-forme à lentrée du pilotage du système (cf L. Mailleret), aide à la décision (approche contextuelle) Optimisation des Capteurs et de leur positionnement Aspects Multi-résolution Connexions avec dautres thématiques scientifiques : Aspect spatio-temporel de lévolution dune maladie (épidemiologie) Aide au diagnostic via lindexation dune base dimages : recherche de cas Apprentissage de la segmentation (Vincent Martin)


Télécharger ppt "Apports de la vision cognitive pour la détection précoce de bioagresseurs Céline Hudelot, Monique Thonnat Équipe ORION, INRIA Paul Boissard Urih, INRA."

Présentations similaires


Annonces Google