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 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.