[Soutenance de thèse] 13/12/2024 – Tiancheng YANG : « Phénotypage de la densité des plantes de céréales à petits grains aux premiers stades à l’aide de capteurs optiques. » (UMR EMMAH)
Tiancheng YANG soutiendra sa thèse le 13 décembre 2024 sur le thème : « Phénotypage de la densité des plantes de céréales à petits grains aux premiers stades à l’aide de capteurs optiques. »
Date et lieu
Soutenance prévue le vendredi 13 décembre 2024 à 9h00
Lieu : Adresse: Domaine Saint-Paul – Site Agroparc, 228 Rte de l’Aérodrome CS 40509, 84914 Avignon Cedex 9
Bâtiment : Le cœur de centre
Code postal : 84914
Ville : Avignon
Salle : Amphithéâtre Provence
Discipline
Sciences agronomiques
Laboratoire
UMR 1114 EMMAH – Environnement Méditerranéen et Modélisation des Agrohydrosystèmes
Composition du jury de soutenance
| M. Sylvain JAY | INRAE | Directeur de thèse |
| M. Wei GUO | École supérieure d’agriculture et des sciences de la vie, L’Université de Tokyo | Rapporteur |
| M. David ROUSSEAU | Equipe ImHorPhen, Angers Université | Rapporteur |
| M. Shouyang LIU | Université agricole de Nanjing | Examinateur |
| Mme Katia BEAUCHENE | ARVALIS | Examinatrice |
| M. Andreas HUND | ETH Zurich, Institute of Agricultural Sciences | Examinateur |
Résumé
La densité de plants de céréales à petits grains est un caractère clé en phénotypage des plantes, crucial à la fois pour la sélection végétale et l’agriculture de précision. La méthode usuelle basée sur le comptage de plantes est laborieuse et bas-débit, rendant ainsi le développement d’une méthode automatique et à haut débit basée sur des données optiques hautement souhaitable. Cependant, une telle méthode doit relever plusieurs défis qui n’ont pas été entièrement étudiés dans la littérature : elle doit gérer les occlusions, avoir un débit suffisant, estimer la surface du sol et être généralisable à d’autres expérimentations. Dans cette thèse, nous avons développé plusieurs méthodes d’estimation de la densité des plantes utilisant la réflectance spectrale ou des images à haute résolution comme données d’entrée, et nous avons apporté des réponses à ces quatre défis. Ce travail s’appuie sur une grande base de données collectée au cours des trois dernières années, comprenant plusieurs sites, années, stades de croissance, variétés (et même espèces), angles de vue et capteurs optiques.
Dans le “Chapter 2”, nous avons montré que la fraction verte peut être utilisée comme un proxy de la densité de plantes, mais cela requiert d’étalonner un modèle pour chaque site, chaque stade de croissance et chaque variété. Une erreur de 30% a été obtenue en utilisant la fraction verte estimée à partir de la réflectance spectrale, tandis qu’une erreur de 22% a été obtenue en utilisant la fraction verte dérivée des images RVB avec une résolution spatiale plus fine que 1 mm/pixel.
Dans le “Chapter 3”, nous avons exploré un processus en deux étapes basé sur des images RVB : une étape de comptage de plantes basée sur le modèle de détection P2PNet, suivi d’une étape d’estimation de la surface de sol basée sur les sorties du modèle P2PNet. Cette méthode a permis d’estimer la densité de plantes sur des jeux de données indépendants avec une erreur d’environ 30 %, qui est principalement due à l’étape de détection de plantes (10 % d’erreur pour l’estimation de la surface de sol).
Dans le “Chapter 4”, nous avons proposé de détecter les extrémités des feuilles plutôt que les plantes sur les images, afin de mieux relever les défis liés aux occlusions et à la capacité de généralisation. La densité de feuilles obtenue en comptant les pointes de feuilles présentes dans une surface de taille connue a été utilisée pour estimer la densité de plantes par inversion d’un modèle dynamique de culture. Une erreur d’estimation de 10 % a été obtenue sur les mêmes jeux de données indépendants en utilisant deux observations réalisés à des stades de croissance appropriés.
Enfin, nous proposons dans le “Chapter 5” plusieurs pistes de travail, dont l’une consiste à combiner les résultats obtenus dans cette thèse pour concevoir deux méthodes qui répondent aux quatre défis susmentionnés. Les autres pistes évoquées incluent notamment l’amélioration des règles d’annotation pour la détection par apprentissage profond, et l’application de la méthode présentée dans le chapitre 4 pour estimer le phyllochrone.
Mots-clés : Phénotypage des cultures, densité des plantes, céréales à petits grains
Mis à jour le 9 décembre 2024