Loading…
JB

Justine Boulent

UdeS - CRIM
L’apprentissage profond (deep learning) pour l’identification automatique de maladies de la vigne par imagerie.

J. Boulent, J. Théau, S. Foucher

Du fait des changements environnementaux en cours et de l’augmentation des exigences environnementales, les viticulteurs se trouvent face à la nécessité de faire évoluer leurs pratiques agricoles. Depuis les années 2010, d’importants progrès ont été réalisés en reconnaissance d’image grâce aux techniques d’apprentissage profond et aux réseaux de neurones convolutifs. Leur application à l’identification de problèmes phytosanitaires pourrait permettre le développement de technologies d’aide à la prospection. Montées sur un drone ou sur des tracteurs, ces technologies contribueraient à une meilleure connaissance de l’état des parcelles de vigne et permettrait une gestion plus optimisée des pesticides. Dans ce projet, nous nous focalisons sur deux maladies de la vigne : le mildiou – Plasmopara viticola, et la flavescence dorée – causée par le phytoplasme Candidatus Phytoplasma vitis et transmise par la cicadelle Scaphoideus titanus. Des images de vignes contaminées par ces deux maladies ont été acquises dans des vignobles canadiens et français en 2017 et en 2018. Leur résolution spatiale est d’un millimètre ou moins. Elles ont été acquises via une caméra RGB montée soit sur une perche ou sur un drone volant à très basse altitude. Des images de vignes saines ou affectées par d’autres problèmes phytosanitaires ont également été acquises afin de fournir une représentation globale de l’état des parcelles visitées. L’annotation de ces images permettra de constituer une base de données conséquente à même d’entraîner un réseau de neurones convolutifs. Plusieurs architectures de réseaux et approches d’entraînement seront évaluées dans ce projet.