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

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

Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -

Présentations similaires


Présentation au sujet: "Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -"— Transcription de la présentation:

1 Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne - U.F.R. Sciences et Techniques École Doctorale E2S : Environnement, Santé, STIC AgroSup Dijon : UP-GAP / Le2i - UMR CNRS 5158 Soutenance de thèse présentée en vue de l'obtention du grade de Docteur en Instrumentation et Informatique de l'Image Gawain JONES Le 26 novembre 2009

2 2 1.Contexte et motivations 2.Modélisation 3.Validation 4.Discrimination culture/adventices 5.Modélisation spectrale 6.Conclusion et perspectives Plan

3 3 1. Contexte et motivations

4 : variabilité intra-parcellaire Gestion localisée de parcelles : –Optimisation des coûts / Impact environnemental Récolte dinformations : –État des sols / Rendement / Répartition des intrants Apports des STIC à lagriculture –Capteurs / GPS / Systèmes optiques Forte volonté gouvernementale : –DC sur leau 2000 / LEMA 2006 / Ecophyto 2018 Réduction des intrants 1. Contexte et motivations 1.1. Agriculture de précision Precision Agriculture Australia ©

5 5 Localisation des adventices –Traitement localisé réduction des intrants Approche carte et temps réel 1. Contexte et motivations 1.2. Notre laboratoire PhD Vioix 2004 Cartographie PhD Bossu, 2007 Temps réel

6 6 Développement dalgorithmes de discrimination culture/adventices 1. Contexte et motivations 1.2. Notre laboratoire 2D FFT + Filtre de Gabor Image périodique Image IR Image en perspective Transformée en ondelettes Image RGB

7 7 1. Contexte et motivations 1.3. Objectifs Performances des algorithmes de discrimination ? Méthodes actuelles : -Comptage manuel au champ -Segmentation manuelle des images Thèse J.W. Lu, 2002 En pratique, peu dalgorithmes sont évalués Développement dune méthode dévaluation automatique

8 8 2. Modélisation

9 9 Différents objectifs : –Croissance / Visualisation (AMAP , LIGNUM …) –Préconisation / Simulation dune information agronomique (APSIM , FARMSTAR …) –Compétition (ALMANAC , CROPSIM …) –… Modèles non adaptés 2. Modélisation État de lart 2.1. Introduction

10 10 Algorithmes de discrimination basés sur linformation spatiale Pulvérisation post-levée : jeune stade de croissance modélisation 2D Séparation sol/végétation (indice de végétation) binaire 2. Modélisation Cahier des charges 2.1. Introduction

11 11 2. Modélisation 2.2. Champ fx = largeur inter-rang (45cm) fy = largeur intra-rang (19 cm) Semis continu en ligne (blé, soja) fx = largeur inter-rang (18cm) Culture Variations stochastiques : -Taille -Position sur le rang -Position du rang -Présence Semis périodique (tournesol, mais)

12 12 2. Modélisation Trois distributions : –Distribution ponctuelle : Loi de Poisson –Distribution agrégative : Processus de Neyman-Scott Aire de propagation elliptique –Mélange des deux distributions 2.2. Champ Adventices Surface S Poisson (λS) adventices Point père Poisson (n) points fils

13 13 2. Modélisation 2.2. Champ Taux dinfestation contrôlé (WIR=pixels dadventices/pixels de végétation) Dimensions du champ : - (m) = 4.2 x (pix) = 512 x 472 Plants de culture = 368 Plants dadventices = 418 WIR = 29.21% (30% demandés) Dimensions du champ : - (m) = 2.4 x (pix) = 1140 x 894 Plants de culture = 356 Plants dadventices = 535 WIR = 39.11% (40% demandés) Culture + Adventices

14 14 2. Modélisation 2.3. Transformation optique 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 R x, R y et R z Vecteur de translation T z =H (T x =T y =0) Matrice de transformation

15 15 2. Modélisation 2.4. Résultats Transformation optique Le champ Drone H = 5m Rx = 0° Ry = 0° Rz = 20° WIR = 30% Sa photographie Tracteur H = 1m Rx = 70° Ry = 0° Rz = 0° WIR = 40%

16 16 2. Modélisation 2.5. Conclusion Modèle spatial permettant la création de scènes agronomiques : –Paramètres de culture –Distribution des adventices et taux dinfestation –Prise en compte dun système optique Nombreuses variations stochastiques « naturelles » Peut-on substituer les images virtuelles aux réelles?

17 17 3. Validation

18 18 3. Validation 3.2. Culture Analyse de voisinage Caractériser information spatiale Analyse multi-échelle Validation globale Comparaison image réelle / simulée Motif n°1 Motif n°2 Motif n°3 …

19 19 3. Validation 3.2. Culture Comparaison image réelle/simulée Motif n°1 Motif n°2 Réelle Simulée Une simulation

20 20 3. Validation 3.2. 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 Résultats

21 21 3. Validation 3.3. Adventices Méthode Validation du semis dadventices 150 images traitées : pointage des adventices Comparaison distribution réelle/simulée

22 22 3. Validation 3.3. Adventices Caractérisation de la distribution Fonction de Ripley (thèse F. Goreaud ) r (pixels)

23 23 3. Validation 3.3. Adventices Caractérisation de la distribution Linéarisation de Besag Intervalles de confiance à 1% r (pixels) r (pixels)

24 24 3. Validation 3.3. Adventices Caractérisation de la distribution Semis ponctuel r (pixels) 6

25 25 3. Validation 3.3. Adventices Caractérisation de la distribution Semis Hétérogène 300 germes600 germes r (pixels) 50

26 26 3. Validation 3.3. Adventices Résultats Hétérogénéité des semis dadventices r (pixels) 25

27 27 3. Validation 3.3. Adventices Résultats Semis ponctuel à une échelle moindre

28 28 3. Validation 3.3. Adventices 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 Lhétérogénéité dépend de léchelle : à prendre en compte lors de la distribution des adventices

29 29 3. Validation 3.4. 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

30 30 4. Discrimination culture/adventices

31 31 4. Discrimination culture/adventices 4.1. Introduction Algorithmes de discrimination FFT + Gabor : perspective Ondelettes : temps de calcul FFT + GaborOndelettes PhD Bossu, 2007 Objectif : performances et adaptation

32 32 4. Discrimination culture/adventices 4.2. Détection des rangs Transformée de Hough Espace cartésienEspace polaire : Accumulateur Droite dans lespace cartésien Maximum dans lespace polaire

33 33 4. Discrimination culture/adventices 4.2. Détection des rangs Différentes scènes Sans perspective Avec perspective θ (degrés) ρ (pixel) θ (degrés) ρ (pixel) Accumulateurs de Hough

34 34 4. Discrimination culture/adventices 4.3. Différentes méthodes Introduction Séparation culture/adventices Utilisation des droites détectées Adventices intra-rang = culture

35 35 4. Discrimination culture/adventices 4.3. Différentes méthodes Méthode 1 : Blob-Coloring Intersection composante connexe / droite Culture bien détectée Culture mal détectée Adventices bien détectées Adventices mal détectées

36 36 4. Discrimination culture/adventices 4.3. Différentes méthodes Méthode 2 : Estimation de contours Estimation de la largeur du rang

37 37 4. Discrimination culture/adventices 4.3. Différentes méthodes Méthode 3 : Méthode probabiliste Probabilité / centre du rang Fonction de probabilité Centre du rang Seuil

38 38 4. Discrimination culture/adventices 4.4. Performances Méthodologie Génération dune banque dimages pour évaluer les performances des algorithmes face à : –des taux dinfestation variables (0 à 60%) –différentes distributions dadventices –deux configurations de caméra 7440 images modélisées et testées

39 39 4. Discrimination culture/adventices 4.4. Performances Méthodologie Comparaison résultats/données initiales –Matrice et graphe ROC Détecté CultureAdventices CultureVrai positifFaux négatif AdventicesFaux positifVrai négatif

40 40 4. Discrimination culture/adventices 4.4. Performances 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)

41 41 4. Discrimination culture/adventices 4.4. Performances Sans perspective - mixte Composante connexe TVA 93-97% Estimation rang Probabiliste TVA %TVA 94-98% TVC 86-98%TVC 80-92%TVC 94-98% 100% 80% 0%60%WIR 0%60%WIR0%60%WIR

42 42 4. Discrimination culture/adventices 4.5. Conclusion Transformée de Hough Très robuste – Adaptation automatique Optimisation : réduction de lespace étudié Méthodes de discrimination Très bons résultats de classification Méthode probabiliste : –Très équilibrée et constante (car choix du seuil a posteriori) –Permet létablissement dune préférence de détection Erreurs de classification = bords des rangs Détection dans le rang impossible Lamélioration des algorithmes de discrimination passe par la prise en compte dune information supplémentaire

43 43 5. Modélisation spectrale

44 44 5. Modélisation spectrale 5.1. Apports et mise en oeuvre Motivations

45 45 5. Modélisation spectrale 5.1. Apports et mise en oeuvre Motivations Détection dadventices dans le rang impossible Utilisation de linformation spectrale pour réaliser cette discrimination Besoin dun modèle simulant la réponse spectrale

46 46 5. Modélisation spectrale 5.1. Apports et mise en oeuvre Motivations Reproduire la réponse spectrale –Dépend des angles incidents et réfléchis, –Caractérisation pour chaque plante. Caractérisation et utilisation de modèles de BRDF

47 47 5. Modélisation spectrale 5.2. BRDF 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

48 48 5. Modélisation spectrale 5.2. BRDF PROSPECT (S. Jacquemoud ) : modèle de couches en parallèle développé pour la BRDF des plantes SOILSPECT (S. Jacquemoud ) : modèle de transfert radiatif utilisé pour la BRDF des sols Choix des modèles

49 49 5. Modélisation spectrale 5.3. Du spectre à limage Du spectre au RGB

50 50 5. Modélisation spectrale 5.3. Du spectre à limage Exemples CIE XYZ fonctions trichromatiques de la caméra Simulation de filtres optiques Obtention dimages PIR et hyperspectrales Données spectrales plantes : LOPEX93 / Sol : S. Jacquemoud

51 51 5. Modélisation spectrale 5.4. Modèle 3D Nécessité dun modèle 3D 2D rapidité et simplicité + orientation feuilles Mais : orientation, hauteur feuilles Modèle 2D inadapté Mise en place dun modèle 3D simple

52 52 5. Modélisation spectrale 5.4. Modèle 3D Adaptation du modèle agronomique Distribution de la culture et des adventives identique Taux dinfestation calculé avec la surface totale des plantes Discrétisation adaptative des facettes Gestion de lorientation et de loccultation de facettes (back-face & occlusion culling)

53 53 5. Modélisation spectrale 5.5. 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 lutilisation de BRDF et adaptation des données agronomiques

54 54 6. Conclusion et Perspectives

55 55 6. Conclusion et Perspectives 6.1. 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 lévaluation dalgorithmes

56 56 6. Conclusion et Perspectives 6.2. 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 dobtention de données multiangulaires en partenariat avec dautres laboratoires (LOPEX93) Algorithmes de discrimination : vers le spectral Apprentissage spectral temps-réel à partir de la détection spatiale

57 57 Merci pour votre attention!

58 Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne - U.F.R. Sciences et Techniques École Doctorale E2S : Environnement, Santé, STIC AgroSup Dijon : UP-GAP / Le2i - UMR CNRS 5158 Soutenance de thèse présentée en vue de l'obtention du grade de Docteur en Instrumentation et Informatique de l'Image Gawain JONES Le 26 novembre 2009


Télécharger ppt "Modélisation d'images agronomiques Application à la reconnaissance d'adventices par imagerie pour une pulvérisation localisée Université de Bourgogne -"

Présentations similaires


Annonces Google