Segmentation sémantique faiblement supervisée de canopées multi-espèces à l'aide d'apprentissage actif et de réseaux de neurones entièrement convolutifs

Details

Supervisors

Draye, Xavier

Faculty

Faculté des bioingénieurs

Degree label

Master [120] : bioingénieur en sciences agronomiques, à finalité spécialisée

Abstract

Le suivi des caractéristiques écophysiologiques des canopées multi-espèces est essentiel pour comprendre comment diverses espèces végétales poussent et interagissent ensemble et pour développer des pratiques agro-écologiques. Le suivi basé sur l'image est devenu de plus en plus populaire en raison d’un exellent rapport information/coût. La segmentation sémantique a montré un grand potentiel pour l'analyse des images de canopées et a déjà été appliquée dans un large éventail de tâches, telles que le phénotypage, la différenciation des mauvaises herbes et des cultures ou le comptage des feuilles. Cependant, elle souffre toujours d'un important goulot d'étranglement : l'acquisition de masques de segmentation. L'obtention de masques adéquats est une tâche fastidieuse qui rend souvent la segmentation d'images impraticable. La majorité des travaux réalisés pour réduire l'inefficacité du processus d'annotation ont été effectués sur des images de monoculture provenant de champs homogènes. Bien qu'elles soient efficaces pour de telles images, la plupart des méthodes proposées perdent une grande partie de leurs performances lorsqu'elles sont appliquées à des couverts hétérogènes. Par conséquent, ces méthodes ne sont pas transférables à des parcelles de culture multi-espèces. Dans ce travail, nous présentons une méthode d'apprentissage actif basée sur des arbres de décision boostés par gradient qui permet d'obtenir des masques de segmentation binaire plante/fond de haute qualité en quelques minutes en annotant seulement de petites régions des images, même sur des images de cultures mixtes très diverses. Nous montrons ensuite qu'un réseau de neurones entièrement convolutif entraîné avec les masques générés par cette méthode sur des images de monoculture peut être généralisé aux images de cultures mixtes et classer de manière robuste chaque pixel de plante selon son espèce. Cette approche réduit considérablement la quantité de travail humain nécessaire pour segmenter sémantiquement les images de cultures mixtes, passant de plusieurs heures à quelques minutes par image, et facilite donc grandement l'étude des caractéristiques éco-physiologiques des couverts végétaux multi-espèces. Nous réalisons également une analyse rigoureuse des limitations associées à cette méthodes et proposons des pistes d’amélioration de la méthode, ainsi que des directions vers lesquelles la future recherche en facilitation de la segmentation sémantique appliquée aux cultures pourrait s’orienter.