HUDELOT Céline, Monique THONNAT Inria Sophia Antipolis Equipe ORION

Présentation au sujet: "HUDELOT Céline, Monique THONNAT Inria Sophia Antipolis Equipe ORION"— Transcription de la présentation:

1 HUDELOT Céline, Monique THONNAT Inria Sophia Antipolis Equipe ORION
Interprétation automatique d’images de végétaux pour le diagnostic précoce de pathologies HUDELOT Céline, Monique THONNAT Inria Sophia Antipolis Equipe ORION BOISSARD Paul, PYRRHA Pierre, PEREZ Guy et BEAREZ Philippe URIH

2 Objectifs biologiques
Détection précoce de pathologies végétales, en particulier des rosiers de serre Reconnaissance automatique et quantification précise de l’infection A plus long terme, intégration dans un système de Protection Intégrée des Cultures (PIC) dans le but de réduire l’utilisation de pesticides. Comment? Par l'Interprétation Automatique d’Images d’organes de plantes à l’aide de techniques d’intelligence artificielle et de vision par ordinateur

3 Un problème multidisciplinaire
Besoin de la connaissance: Sur le domaine d’application: connaissance biologique Description des pathologies + caractères discriminants Sur le Traitement d’Images (TI): segmentation des différents objets et extraction de l ’information Sur la mise en correspondance entre l’information numérique (Issue du TI) et la connaissance sémantique (biologique)

4 Système proposé Coopération de 3 Systèmes à Base de Connaissance (SBC): SBC d'Interprétation dédié à la connaissance du domaine d’application (connaissance biologique) SBC de management de données: Passage numérique  symbolique, raisonnement spatial SBC de pilotage de programmes de Traitement d ’Images: planification, exécution, validation et réparation des programmes

5 Système proposé Connaissance haut niveau: du domaine
Connaissance intermédiaire: entre image et domaine Base de connaissances sur les concepts visuels et les données Moteur de management de données Connaissance haut niveau: du domaine Base de connaissances sur le domaine d ’application Moteur d Interprétation SBC de pilotage de programmes de TI Bibliothèque de programmes de TI Base de connaissances sur l’utilisation des programmes Moteur de pilotage Acquisition de la connaissance avec des concepts visuels Image courante Interprétation Hypothèses Requête TI Données numériques Description symbolique de la scène

6 Acquisition de la connaissance biologique
Le système essaie d’imiter le raisonnement des pathologistes La connaissance biologique est nécessaire pour l’identification des pathologies Utilisation d’outils logiciels pour guider l’acquisition de la connaissance par l ’expert pathologiste: Annotate : un outil d ’annotations Cogvis : un outil d ’acquisition de connaissances pour la description d’images à l’aide de concepts visuels [maillot02]

7 Acquisition de la connaissance: les outils
Annotate: un logiciel d’annotations pour l’expert pathologiste Mise en évidence des concepts biologiques importants pour la reconnaissance: Mycelium, Germe,...

8 Acquisition de la connaissance: les outils
Cogvis: Construction d’une base de connaissance par description des concepts experts par une ontologie de concepts visuels (Nicolas Maillot, INRIA Orion) Concepts visuels de forme et descripteurs Arbre des concepts experts ex: puceron Zone décrite Arbre des composants ex: corps

9 SBC de Pilotage de Programmes SBC Interpretation
Feuille Saine Non Insectes Virus Fongique Pucerons Pénicillium Oidium Précoce Virulent Aleurodes Tissu Veine rouge vert Sous partie Sous classe Acariens Hypotheses sur un objet SBC de Management de Données Requête TI Segmentation grande region claire Contraste fond = important Contraintes:... Aleurodes: Sous classe de Insectes Compose de Corps: a pour forme={surface} Corps.taille = {grande} Corps.elongation={important} a pour couleur={blanc} Compose de antennes … Peut avoir des œufs a proximité + paramètres descriptifs Données numériques Interpretation Aleurodes et ses oeufs Description symbolique

10 Exemple: cas de l ’oidium
KNOWLEDGE BASE Organe: feuille Structure végétale Anomalie Maladie fongique Composée de: mycelium mycelium.forme=réseau de lignes mycelium.épaisseur= fine mycelium.couleur=claire Composée de: conidie conidie.forme= surface elliptique conidie.taille=petite au centre de: réseau mycelien Ravageurs Jeune Agée Oidium précoce Oidium avance Penicillium Contraste fond important Extraction lignes fines Guide Mise en correspondance Requête Segmentation Système TI Classification Oidium précoce + paramètres descriptifs

11 Exemple: cas des ravageurs
KNOWLEDGE BASE Organe: feuille Structure végétale Anomalie Jeune Agée Maladie fongique Ravageurs Compose de: corps corps.forme = surface corps.taille = [grande, petite] Extraction de région claire sur fond sombre Aleurodes corps.forme=grande couleur=blanc Pucerons Acariens Guide Mise en correspondance Segmentation Classification Aleurode + paramètres descriptifs