En savoir plus

A propos des cookies

Qu’est-ce qu’un « cookie » ?

Un "cookie" est une suite d'informations, généralement de petite taille et identifié par un nom, qui peut être transmis à votre navigateur par un site web sur lequel vous vous connectez. Votre navigateur web le conservera pendant une certaine durée, et le renverra au serveur web chaque fois que vous vous y re-connecterez.

Différents types de cookies sont déposés sur les sites :

  • Cookies strictement nécessaires au bon fonctionnement du site
  • Cookies déposés par des sites tiers pour améliorer l’interactivité du site, pour collecter des statistiques

> En savoir plus sur les cookies et leur fonctionnement

Les différents types de cookies déposés sur ce site

Cookies strictement nécessaires au site pour fonctionner

Ces cookies permettent aux services principaux du site de fonctionner de manière optimale. Vous pouvez techniquement les bloquer en utilisant les paramètres de votre navigateur mais votre expérience sur le site risque d’être dégradée.

Par ailleurs, vous avez la possibilité de vous opposer à l’utilisation des traceurs de mesure d’audience strictement nécessaires au fonctionnement et aux opérations d’administration courante du site web dans la fenêtre de gestion des cookies accessible via le lien situé dans le pied de page du site.

Cookies techniques

Nom du cookie

Finalité

Durée de conservation

Cookies de sessions CAS et PHP

Identifiants de connexion, sécurisation de session

Session

Tarteaucitron

Sauvegarde vos choix en matière de consentement des cookies

12 mois

Cookies de mesure d’audience (AT Internet)

Nom du cookie

Finalité

Durée de conservation

atid

Tracer le parcours du visiteur afin d’établir les statistiques de visites.

13 mois

atuserid

Stocker l'ID anonyme du visiteur qui se lance dès la première visite du site

13 mois

atidvisitor

Recenser les numsites (identifiants unique d'un site) vus par le visiteur et stockage des identifiants du visiteur.

13 mois

À propos de l’outil de mesure d’audience AT Internet :

L’outil de mesure d’audience Analytics d’AT Internet est déployé sur ce site afin d’obtenir des informations sur la navigation des visiteurs et d’en améliorer l’usage.

L‘autorité française de protection des données (CNIL) a accordé une exemption au cookie Web Analytics d’AT Internet. Cet outil est ainsi dispensé du recueil du consentement de l’internaute en ce qui concerne le dépôt des cookies analytics. Cependant vous pouvez refuser le dépôt de ces cookies via le panneau de gestion des cookies.

À savoir :

  • Les données collectées ne sont pas recoupées avec d’autres traitements
  • Le cookie déposé sert uniquement à la production de statistiques anonymes
  • Le cookie ne permet pas de suivre la navigation de l’internaute sur d’autres sites.

Cookies tiers destinés à améliorer l’interactivité du site

Ce site s’appuie sur certains services fournis par des tiers qui permettent :

  • de proposer des contenus interactifs ;
  • d’améliorer la convivialité et de faciliter le partage de contenu sur les réseaux sociaux ;
  • de visionner directement sur notre site des vidéos et présentations animées ;
  • de protéger les entrées des formulaires contre les robots ;
  • de surveiller les performances du site.

Ces tiers collecteront et utiliseront vos données de navigation pour des finalités qui leur sont propres.

Accepter ou refuser les cookies : comment faire ?

Lorsque vous débutez votre navigation sur un site eZpublish, l’apparition du bandeau « cookies » vous permet d’accepter ou de refuser tous les cookies que nous utilisons. Ce bandeau s’affichera tant que vous n’aurez pas effectué de choix même si vous naviguez sur une autre page du site.

Vous pouvez modifier vos choix à tout moment en cliquant sur le lien « Gestion des cookies ».

Vous pouvez gérer ces cookies au niveau de votre navigateur. Voici les procédures à suivre :

Firefox ; Chrome ; Explorer ; Safari ; Opera

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de INRAE par email à cil-dpo@inrae.fr ou par courrier à :

INRAE
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2021

Menu Logo Principal IFV BX SCIENCES AGRO ISVV

UMT SEVEN

Soutenance de thèse le 13 février 2019

Thèse le 13 février 2019
Florian Rançon soutiendra sa thèse à l'IMS de Bordeaux (Amphithéatre JP Dom) le 13 février 2019 à 10h

Titre de la thèse

Imagerie couleur et hyperspectrale pour la détection et la caractérisation des maladies du bois de la vigne

  • Mr D. Rousseau, Professeur, Université d’Angers Rapporteur
  • Mr L. Macaire, Pofesseur, Université Lille 1 Rapporteur
  • Mr B. Tisseyre, Professeur, Montpellier Sup-Agro Examinateur
  • Mr C. Germain, Professeur, Bordeaux Sciences Agro Directeur de thèse
  • Mr L. Bombrun, Maître de Conférence, Bordeaux Sciences Agro Co-encadrant

Résumé

Les maladies du bois de la vigne sont responsables de pertes économiques importantes pour la filière viticole. Ces maladies d'origine fongique se manifestent notamment par une dégradation de la partie boisée du matériel végétal et par l'apparition erratique de symptômes caractéristiques sur la partie foliaire. Cette thèse est dédiée à l'étude de ces maladies (principalement l'esca) à l'aide de deux capteurs imageurs en proxidétection.

La question de la détection des symptômes visibles est tout d'abord abordée à l'aide d'un capteur couleur RVB permettant d'acquérir une image par pied de manière automatique ou semi-automatique. La reconnaissance des symptômes est abordée en deux étapes, d'abord en considérant la classification à l'échelle de la feuille puis la détection à l'échelle du pied. La particularité de cette étude est l'inclusion de facteurs confondants dans le problème de classification, tirant partie de l'information de forme des symptômes de l'esca pour les différencier d'autres troubles et maladies. Dans ce
but, une comparaison entre approches SIFT et approches transfer learning récentes est alors conduite. Les résultats nous poussent alors à considérer une architecture deep learning simple (RetinaNet) pour la détection des symptômes sur les images, permettant d'estimer un niveau d'atteinte pour chaque pied.

Le second capteur utilisé, une caméra hyperspectrale couvrant le spectre de 500 nm à 1300 nm, tente de répondre à une problématique plus expérimentale, à savoir le comportement spectral des pieds atteints par la maladie pouvant déboucher sur une détection précoce des pieds malades mais sans symptômes foliaires. Un protocole expérimental et une base de données de spectres sont alors constitués pour l'occasion. Les méthodes de réduction de la dimensionnalité permettent d'exploiter l'information hyperspectrale voire d'isoler les longueurs d'onde associées à chacune des deux classes. Les données ne permettent cependant pas, pour la plage de longueur d'onde mesurée et dans les conditions d'acquisition terrain, de réaliser une détection précoce de la maladie sur les pieds sans symptômes.

Les différences et similarités entre chacune de ces deux applications, en terme de constitution de base de données, d'algorithmes, de difficultés et de potentiel d'application en conditions réelles sont discutées tout au long du manuscrit.