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