1 30/05/2007 1 apport de la vision cognitive à la détection précoce de bio agresseurs des...
TRANSCRIPT
1
30/05/2007 1
Apport de la vision Cognitive à la détection précoce de bio agresseurs des cultures
Sabine Moisan INRIA-Sophia projet Orion
Paul Boissard INRA Sophia/URIH
Action COLOR Horticol 2001
DEA Vincent Leclerc
Thèses de Céline Hudelot, Nicolas Maillot (soutenues en 2005)
Thèse Vincent Martin (en cours)
2
30/05/2007 S. Moisan 2
Objectif :
Développement de la protection intégrée des cultures protégées
Concevoir un (des) système(s) de production, •respectueux de la santé (producteur, consommateur) •respectueux de l’environnement •économiquement viable(s) et durable(s).
Champs Thém. EA&SPE: agronomie systémique, mécanismes des épidémies
3
30/05/2007 S. Moisan 3
thrips Photo : Inra (Brun)
acariens
tétranyquesPhoto : Inra (Brun)
aleurodes Photo : Inra (Brun)
champignons
oïdium Photo : Inra (Boissard)
insectes
puceronsPhoto : Inra (Brun)
Botrytis Photo : Inra
Freins rencontrés :
Les conditions de température et d’humidité sont très favorables au développement rapide des Bioagresseurs
On connaît mal l’instant et la localisation des premières attaques ou foyers (insectes, acariens, champignons)
On a besoin d’identifier et dedénombrer les populationspour prendre rapidementles décisions
4
30/05/2007 S. Moisan 4
Application : détection et au comptage des Aleurodes
But : détecter un parasite (Aleurode) à deux stades de développement :
• Aleurodes adultes• Oeufs d’Aleurodes
Support :• Numérisation (scanner à plat)
depuis le support naturel (feuilles prélevées sur des rosiers de culture en serre)
5
30/05/2007 S. Moisan 5
Exemples
6
30/05/2007 S. Moisan 6
Approche
SBC de pilotage de programmes
(traiter les images)
SBC d’interprétation(interpréter leur
contenu)
• Vision par ordinateur• Systèmes à base de connaissances (SBC)
• Connaissance explicite & modifiable•Séparation des tâches (traiter les images/ interpréter leur contenu) et des niveaux (tâche générique/ application)
Image scannée
Programmes de TI
Image segmentée, labellisée…
Nombred’agresseursreconnus
7
30/05/2007 S. Moisan 7
SBC de pilotage de traitements d’images
Primitive Operator {name Region_segmentation_operatorcomment "Region Approach for Segmentation"
Input DataImage name inputImageSegmentationContext name inputContext
Input ParametersInteger name thresholdcomment "Contrast Threshold"default 125
Output DataImage name segmentedImage
I-O RelationssegmentedImage.path := "./",segmentedImage.basename := "carteregion",segmentedImage.extension := ".pan"
Preconditionsvalid inputImage
Calllanguage shellsyntax RegionSegmentation2 inputImage.name segmentedImage.name}
Connaissance d’experts en traitement d’images
8
30/05/2007 S. Moisan 8
SBC d’interprétation d’images (1)Connaissance d’experts en parasites du rosier
DomainClass { name WhiteFly Superclass Insect ImageData ImageRegion VisualDescription
AleurodSizeConcept name sizeShapeConcept name shape [ AleurodShapeConcept ]ChromaticHue name hue range [ CWhite ]
}
DomainClass { name WhiteFlyEgg Superclass Insect ImageData ImageRegion VisualDescription
EggSizeConcept name sizeEggShapeConcept name shapeChromaticHue name hue range [ EggCWhite ]
}
Taxonomies des concepts du domaine : arbres avec sous-parties et sous-classes. Un concept du domaine (Aleurode) est décrit par des “concepts visuels”.
ProblemVirus
Fungi
Aphids
Penicilium
White fly
tissue
Veins
red
green
subpart
Acarids
Powderymildew
subclasses
Leaf
Insects
9
30/05/2007 S. Moisan 9
VisualConcept { name AleurodeShapeConcept
Superclass ShapeConcept
Constraints
m_shape._circularity in [ 0.05 0.2 0.5 0.6 ]
m_shape._excentricity in [ 0.1 0.2 0.4 0.5 ]
m_shape._rectangularity in [ 0.5 0.6 0.8 0.85 ]
m_shape._elongation in [ 0.3 0.35 0.7 0.8 ]
m_shape._convexity in [ 0.7 0.75 1 1.1 ]
m_shape._compacity in [ 0.1 0.25 0.9 1 ]
}
VisualConcept { name InsectSizeConcept
Superclass SizeConcept
Constraints # in milimeters^2
m_size.area in [ 0.05 0.06 0.13 0.2 ]
m_size.length in [ 0.6 0.8 2.5 3.5 ]
m_size.width in [ 0.04 0.06 0.2 0.24 ]
}
Description des concepts nécessaires à la reconnaissance des objets (couleur, forme,…)
Apprentissage semi-automatique des valeurs de descripteurs visuels sur quelques images
SBC d’interprétation d’images (2)
10
30/05/2007 S. Moisan 10
Résultats expérimentaux
Échantillon représentatif de 200 images (=1 serre de 200 m2) d’une résolution de 1200 dpi
Temps de traitement : ~35 sec / image (2495x4056 pixels)
11
30/05/2007 S. Moisan 11
Évaluation
12
30/05/2007 S. Moisan 12
~ 500 pixels
~ 2800 pixels
~1600 pixels
Aleurodes
Pucerons
Thrips
QUELQUES RESULTATSAutomatisation des reconnaissances et comptages
sur pièges colorés pour 3 taxons :
•Acquisition d’images •Numérisation•Interprétation automatique
©Boissard Pérez Béarez 05/2006 Paul Boissard 11/06/INRA-URIH-Sophia
Réalisations concrètes : automatisation de la lecture de pièges (INRA-URIH Sophia Mai 2006)
13
30/05/2007 S. Moisan 13
Conclusion
• Collaboration sur la durée (depuis 2000)
• Des sujets de recherches pour chaque partenaire• 2 doctorants et 2 DEA
• Outil générique, applicable à d’autres cultures et bio agresseurs
• Concepts et techniques transférés • Bases de connaissances (capitalisation)• Pilotage de programmes (utilisation de traitements de TI)
• Futur• Plus d’automatisation• Des bases de données et de connaissances• Des outils pour les producteurs
14
30/05/2007 S. Moisan 14