En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

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

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

Dernière mise à jour : Mai 2018

Menu Logo Principal IFV BX SCIENCES AGRO ISVV

UMT SEVEN

Soutenance de thèse, le 20 décembre 2019

Thèse le 20 décembre 2019
Florent Abedlghafour soutiendra sa thèse le 20 décembre à 10h, à BSA, espace Brémontier amphithéâtre Lescouzères, Gradignan

Titre de la thèse

Potentialités de l’imagerie couleur embarquée pour la détection et la cartographie des maladies fongiques de la vigne.

  • M. BARET Frédéric, directeur de recherche, INRA Avignon, examinateur
  • M. CARRE Philippe, professeur, Université de Poitiers, rapporteur
  • M. RABATEL Gilles, directeur de recherche, IRSTEA Montpellier, rapporteur
  • M. DA COSTA Jean-Pierre, professeur, Bordeaux Sciences Agro, directeur de la thèse
  • M. GERMAIN Christian, professeur, Bordeaux Sciences Agro, co-directeur
  • M. RAYNAL Marc,    ingénieur, Institut Français de la Vigne, invité

Résumé

Le mildiou de la vigne est une phytopathologie d’origine fongique particulièrement inquiétante pour la filière viticole. L’objectif de cette thèse est d’étudier les potentialités de l’imagerie couleur embarquée pour estimer l’état sanitaire des vignobles affectés par le mildiou à l’échelle intra-parcellaire. La solution proposée vise à assister les réseaux de surveillance épidémiologique dans l’estimation des risques sanitaires et dans la préconisation de plans de lutte chimique.

En pratique, deux chaînes de traitement d’images sont proposées, l’une dédiée à la segmentation des classes d’organes de la vigne, et l’autre à la détection, au dénombrement et à la mesure des tissus symptomatiques du mildiou. Ces deux chaînes sont conçues autour d’une stratégie de modélisation commune et s’adressent à des images acquises directement à la parcelle dans les conditions de travail viticole. La stratégie proposée s’appuie sur des représentations structure-couleur et des modèles probabilistes des classes des tissus présents dans les vignes étudiées. Elle opère en trois étapes :

  • Formuler des descripteurs pour extraire les propriétés caractéristiques et discriminantes de chaque classe ;
  • Modéliser les distributions statistiques de ces descripteurs dans chacune des classes ;
  • Affecter chaque pixel à une des classes selon son adéquation à leurs modèles.

Les descripteurs combinent le Tenseurs Local de Structure (LST) avec des statistiques colorimétriques calculées dans le voisinage du pixel considéré. Pour tenir compte de la nature spécifique des LST, les descripteurs font l’objet de transformations pour être représentés dans l’espace log-euclidien. Dans cet espace, il devient possible de modéliser les classes de tissus d’intérêt par des distributions de mélanges de gaussiennes. Cette stratégie est appliquée dans un premier temps à des images de vigne saine. Il s’agit de partitionner une image en classes d’organes (feuillage, grappes ou inflorescences et tiges). Une classification est réalisée par Maximum A Posteriori (MAP) puis régularisée par relaxation stochastique et morphologie mathématique.

Les résultats obtenus pour trois stades phénologiques se montrent très convaincants. De plus, la chaîne de traitement s’avère robuste au réglage des principaux hyper-paramètres. Dans un second temps, la chaîne de traitement précédente est adaptée pour traiter des images comportant des symptômes du mildiou ainsi que certaines nécroses, décolorations, carences, plaies mécaniques, qui constituent des facteurs confondants. Une nouvelle méthode de décision est utilisée. Elle s’appuie sur une reconstruction des symptômes par croissance autour de germes. Les critères utilisés reposent sur les représentations structure-couleur et les modèles probabilistes déjà définis. La nouvelle chaîne de traitement permet de détecter de façon fiable les symptômes du mildiou et d’estimer la surface des tissus affectés.

Voir aussi

English version

Potential of on-board colour imaging for the detection and mapping of fungal grapevine disease

Abstract

The downy mildew of the vine is a phytopathology of fungal origin particularly worrying for the wine industry. The aim of this thesis is to study the potentialities of on-board color imaging to estimate the health status of vineyards affected by downy mildew on an intra-plot scale. The proposed solution aims at assisting epidemiological monitoring networks in the estimation of health risks and in the recommendation of chemical control plans. In practice, two image processing chains are proposed, one dedicated to the segmentation of vine organs, and the other to the detection, counting and measurement of symptomatic tissues of downy mildew. These two chains are designed on a common strategy and are aimed at images acquired directly at the plot under the conditions of viticultural work. The proposed strategy is based on structure-color representations and probabilistic models of the tissue classes present in the vines. It operates in three steps : Formulating descriptors to extract the characteristic and discriminating properties of each class ; Modelling the statistical distributions of these descriptors in each class ; Assigning each pixel to on of the classes according to its suitability to their models. The descriptors combine the Local Structure Tensors (LST) with colorimetric statistics calculated in the neighborhood of the pixel considered. To accountfor the specific nature of LSTs, the descriptors are transformed to be represented in the Log-Euclidean space. In this space, it becomes possible to model the classes of interest by distributions of multivariate Gaussian mixtures of structure-color representations. This strategy is first applied to healthy vine images. It involves the partitioning of an image into organ classes (foliage, bunches or inflorescences and stems). A pixel-wise MAP (Maximum A Posteriori) classification is carried out and regularized by stochastic relaxation and mathematical morphology operations. The results obtained for three phenological stages are very convincing. In addition, the processing chain is robust to the setting of the main hyperparameters. In a second step, the previous methodological chain is adapted to process images with symptoms of downy mildew as well as necrosis, discolorations, deficiencies, mechanical wounds, which are confounding factors. The decision method is based on a reconstruction of symptoms by propagation around germs. The criteria used are based on the previously defined color-structure representations and probabilistic models. The new processing chain reliably detects downy mildew symptoms and estimates the area of the affected tissues.