APPLICATION : Un diagnostic précoce et automatique des pathologies végétales LA VISION COGNITIVE De la science de la reconstruction visuelle à la science des « machines qui savent voir » Etude de l’acquisition et de l’utilisation de la connaissance et du raisonnement en vision par ordinateur PRODUCTION BIOLOGIQUE INTEGREE ET VISION COGNITIVE: une approche multidisciplinaire pour protéger l’environnement Diagnostic: acte visuel visant à déduire la présence de maladies par l’observation de signes et symptômes L’automatisation du diagnostic des pathologies végétales = véritable problème de vision cognitive - Détection précoce (non destructive à long terme) : non limitée à l’œil humain, quantification plus précise - Capitalisation de la connaissance pathologique UN EXEMPLE D ’APPLICATION Données numériques image SBC d ’ANCRAGE Base de connaissance sur le management de données et l’analyse de scène Moteur d’Ancrage SBC d ’INTERPRETATION Base de connaissances dédiée au domaine d’application Moteur d’Interprétation SBC de PILOTAGE DE PROGRAMMES Bibliothèque de programmes de TI BC sur l’utilisation de programmes Moteur de pilotage de programmes Requêtes d ’Ancrage Requêtes de Traitement d’Images Intances d’objets visuels Ontologie de concepts visuels Ontologie image Partagée par Généricité et réutilisabilité Indépendante d’une application particulière Coopération de 3 Systèmes à Base de Connaissances (SBC) SBC d'Interprétation : Interprétation sémantique des données en reproduisant le raisonnement de l’expert du domaine SBC d’Ancrage : établissement de la correspondance entre les représentations abstraites haut niveau et les données numériques (image) correspondant aux mêmes objets physiques SBC de pilotage de programmes : extraction intelligente de l’information numérique UNE PLATE-FORME POUR LA RECONNAISSANCE D’OBJETS COMPLEXES SAVOIR RAISONNER : interprétation des signes et symptômes en terme de maladies SAVOIR VOIR : focalisation sur les critères pertinents Réseau étoilé de filaments blancs et fins Présence d’un germe au centre du réseau Contexte: Printemps: humidité et température favorables COLONIE d’OIDIUM PRECOCE Base de connaissance sur le domaine Description des pathologies du rosier de serre en termes de signes et symptômes observables par des concepts visuels Données Image Data : image Image d’entrée + Contexte Requête d’Ancrage Type :Objet compose homogène Compose de : Objet visuel primitif: description spatiale : ligne ligne.épaisseur= {fine, très fine} ligne.direction:={presque droite} couleur: luminosité={claire} texture : aucune Contraintes spatiales: connectes en réseau Requête de Traitement d’Images But: Extraction de crêtes Contraintes: crête.largeur = [1..3] crête.niveau_de_gris > 150 Données d'entrée : image courante Interpretation Diagnostic: Colonie précoce d’oidium sur feuille jeune Y a t’il présence d’oidium? Crete 1 + descripteurs numériques Crete 2 + descripteurs numériques Crete 3 + descripteurs numériques Instance d’objet visuel Réseau de lignes EC: connexe à Instance d’objet visuel Réseau connexe de description spatiale : lignenom ligne 1 ligne.épaisseur= {fine} ligne.direction:={presque droite} couleur: luminosité={claire} Description numérique image Coordonnées extrémités (50,30) (82,123) largeur = 10nm ( 2 pixel)... Line 2 Line 3 Line 5Line 4 EC Line 1 EC SBC d'Interprétation SBC d’ Interpretation SBC d ’Ancrage SBC de Pilotage de Programmes Mycelium: Composant de : Maladie Fongique a pour forme: réseau d’ Hyphes Hyphe: Composant de: Mycelium a pour forme: ligne ligne.épaisseur:= {très fine, fine} ligne.direction:={presque droite} a pour couleur: blanc clair... Aleurodes Feuille Saine Non saine Insectes Virus Maladie fongique Pucerons Pénicillium Oidium Précoce Avance tissu nervures rouge vert Sous partie Sous classe Acariens Critère d’extraction d’objet: Si ((object.type =ligne) et (ligne.épaisseur={fine, vtres fine} Alors Ligne.Image=crête and envoi Requête TI Extraction de crêtes Connaissance sur l'opérateur d’extraction de crêtes Critère de management de données et d’analyse de scene:groupement de données images génération de réseau (1)INRIA : EQUIPE ORION(2)URIH Sophia Antipolis Céline Hudelot (1), Monique Thonnat (1), Paul Boissard (2),Guy Perez (2)