Analyse de boites entomologiques : détection et classification d’insectes

Details

Supervisors

Legay, Axel

Faculty

Ecole polytechnique de Louvain

Degree label

Master [120] : ingénieur civil en informatique, à finalité spécialisée

Abstract

Les données entomologiques obtenues par le recensement des insectes sont très utiles pour quantifier et interpréter les causes de la diminution de leur effectif. En effet, les insectes épinglés dans les boites entomologiques constituent une trace de la biodiversité qui a existé à une époque et à un lieu définis. Ces données, essentielles pour la compréhension de la dynamique des populations d’insectes, sont cependant difficiles d'accès du fait de leur nature. La numérisation des boites entomologiques permet à la fois de les rendre consultables partout dans le monde, mais aussi de figer l'état de la boite dans le temps en évitant une perte de données due à diverses dégradations. De plus, l'analyse de ces données numériques permet une meilleure connaissance de la collection examinée, notamment en déterminant son nombre d’individus. Les avancées majeures apportées par les réseaux de neurones convolutionnels (CNN) ont largement propulsé le domaine de la vision par ordinateur. Cependant, l'utilisation des CNN requiert un nombre conséquent de données d'entrainement, et ces données annotées sont difficilement accessibles pour le cas spécifique des insectes dans une boîte entomologique. En cause, la diversité exceptionnelle des groupes taxonomiques. Face au manque de données annotées, la méthode de détection par traitement d'image présentée dans ce mémoire constitue une base simple pour pouvoir accomplir la tâche de comptabilisation d'insectes sans données d'entrainement. Non seulement, elle peut être utilisée de manière indépendante, mais elle peut aussi contribuer à l'entrainement d'un modèle pré-entrainé YOLO (You Only Look Once), utilisant un réseau de neurones convolutifs (CNN), en tirant profit des données annotées générées lors de son exécution. Cette combinaison des deux méthodes permet par conséquent de bénéficier de la performance des CNN pour la détection d'insectes, en ayant un jeu de données suffisant. Une fois les insectes détectés, ils peuvent être isolés dans des images individuelles et annotés en fonction de leur groupe taxonomique pour constituer les données d'entrainement de classificateurs. L'analyse des performances de deux classificateurs différents révèle qu'une distinction entre les insectes jusqu'au genre peut être faite avec une exactitude satisfaisante et que le classificateur utilisant un CNN surpasse légèrement celui basé sur une machine à support de vecteurs (SVM).