Multi-criteria approach for weed characterisation | Approche multi-critère pour la caractérisation des adventices

Thèse de doctorat en informatique

English. The objective of this thesis is to develop a way to detect weeds in a field using multispectral images, in order to determine which weeds should be eliminated during the current crop cycle and more particularly at the early stages. The multi-criteria approach focuses on the spatial arrangement, the spec- tral signature, the morphology and the tex- ture of the plants located in the plots. This work proposes a method for selecting the best criteria for optimal discrimination for a given setup. Prior to the extraction of these crite- ria, a set of methods was developed in order to correct the errors of the acquisition de- vice, to precisely detect the vegetation and then to identify within the vegetation the in- dividuals on which the different criteria can be computed. For the individual detection step, it appears that leaf scale is more sui- table than plant scale. Vegetation detection and leaf identification are based on deep lear- ning methods capable of processing dense fo- liage. The introduction of these methods in a usual processing chain constitutes the ori- ginality of this manuscript where each part was the subject of an article. Concerning the acquisition device, a method of spectral band registration was developed. Then, new vege- tation indices based on artificial intelligence constitute one of the scientific advances of this thesis. As an indication, these indices offer a mIoU of 82.19% when standard in- dices ceil at 63.93%-73.71%. By extension, a leaf detection method was defined and is ba- sed on the detection of their contours, this method seems advantageous on our multis- pectral data. Finally, the best property pairs were defined for crop/weed discrimination at leaf level, whith classification performances up to 91%.

French. L’objectif de cette thèse est de mettre au point un moyen de détecter les adventices dans un champ à l’aide d’images multispectrales, afin de pouvoir déterminer quelles sont les adventices à éliminer pen- dant le cycle de culture en cours et plus particulièrement aux stades précoces. L’ap- proche multi-critère s’intéresse à la disposi- tion spatiale, à la signature spectrale, à la morphologie et à la texture des plantes pré- sentes dans les parcelles. Ce manuscrit pro- pose une méthode permettant de sélection- ner les meilleurs critères pour une discrimina- tion optimale dans un contexte donné. Préa- lablement à l’extraction de ces critères, un ensemble de méthodes ont été développées afin de corriger les erreurs du dispositif d’ac- quisition, de détecter précisément la végéta- tion, puis d’identifier au sein de la végéta- tion les individus sur lesquels les différents critères peuvent être extraits. Pour l’étape de détection des individus, il s’est révélé que l’échelle de la feuille était plus adaptée que celle de la plante. La détection de la végéta- tion et l’identification des feuilles s’appuient sur des méthodes d’apprentissage profond, capables de traiter des feuillages denses. L’in- troduction de ces méthodes dans une chaîne de traitement usuelle constitue l’originalité de ce manuscrit où chaque partie a fait l’objet d’un article. Concernant le dispositif d’acquisition, une méthode de recalage des bandes spectrales a été développée, et les ré- sultats montrent une précision de l’ordre du pixel. Ensuite, de nouveaux indices de vé- gétation reposant sur de l’intelligence arti- ficielle constituent l’une des avancées scien- tifiques de cette thèse. A titre indicatif, ces indices permettent d’atteindre 82.19% de mIoU contre 63.93%-73.71% pour des indices standards et fonctionnent en environnement non-contrôlé. Par extension, une méthode de détection des feuilles a été définie. Elle re- pose sur la détection de leurs contours, et semble avantageuse sur nos données multis- pectrales. Finalement, les meilleurs couples de propriétés ont été définis pour la discri- mination culture/adventices à l’échelle de la feuille, dont les performances atteignent 91% de classification.