Deep learning algorithms for high-throughput cereal plant and organ identification | Algorithmes d'apprentissage profond pour l'identification à haut débit des plantes et organes de céréales

Inglés. Cereal crops are the most critical source of food for the world population. They are cultivated worldwide for their edible grains which have high nutritional content in terms of energy, protein, carbohydrates, fiber as well as a variety of macronutrients. Cereals thus make an important part of the human diet and livestock feed. The recent advances in plant genomics have generated new opportunities to increase plant genetic variability, with tremendous potentials for crop improvement. However, the effective contribution of these advances to increase crop productivity depends on how tightly genotypic traits can be linked with those eco-physiological mechanisms that produce a distinguishable response of the genotype to the environment. The result of that response is known as phenotype. Plant phenomics –the observation of plant phenotypic traits– is the discipline that must fill the gap between genotype and phenotype. Traditionally, field phenotyping has relied on manual or destructive, low-throughput, observations of phenotypic traits such as plant height, crop development stage, and yield components. The development, in the recent years, of high-throughput field phenotyping platforms and instruments –capable of acquiring and processing efficiently massive volumes of in situ observations over field experiments– has opened a new era of plant phenomics. This has an enormous potential impact on the efficiency of breeding programs, as it would enable plant breeders to phenotype large number of genotypes accurately, thus allowing them to evaluate and identify the best ones. The advances in computer vision and the introduction of deep learning is transforming several traits previously accessible only through manual sampling into high throughput ones. Thanks to their impressive performance, the rapid adoption of these techniques for field plant phenotyping has progressed rapidly in the last five years. The main challenge for the use of deep learning in operational conditions are linked with the lack of generalization where convolutional neural networks are applied over datasets that differ to some extent –i.e. that belong to a different domain– from the dataset used for training them. Compared to the identification of real-world objects, the implementation of deep learning in field phenotyping still has some specific issues that have not been fully addressed by the existing literature. This thesis studies the use of deep learning techniques for the estimation of three essential traits for plant phenotyping: plant density at early stages for maize, wheat head density, and wheat heading date. The thesis is structured into three chapters that take the form of scientific papers, each one dealing with a specific phenotypic trait, and using a specific vector and detection/counting algorithm.

Francés. Les cultures céréalières constituent la source d'alimentation la plus importante pour la population mondiale. Elles sont cultivées dans le monde entier pour leurs grains comestibles qui ont un contenu nutritionnel élevé en termes d'énergie, de protéines, de glucides, de fibres ainsi que d'une variété de macronutriments. Les céréales constituent donc une part importante de l'alimentation humaine et de l'alimentation du bétail. Les progrès récents de la génomique végétale ont créé de nouvelles possibilités d'accroître la variabilité génétique des plantes, avec un potentiel énorme pour l'amélioration des cultures. Cependant, la contribution effective de ces progrès à l'augmentation de la productivité des cultures dépend du degré de liaison entre les traits génotypiques et les mécanismes écophysiologiques qui produisent une réponse distincte du génotype à l'environnement. Le résultat de cette réponse est connu sous le nom de phénotype. La phénomique végétale - l'observation des traits phénotypiques des plantes - est la discipline qui doit combler le fossé entre le génotype et le phénotype. Traditionnellement, le phénotypage sur le terrain repose sur des observations manuelles ou destructives, à faible débit, de traits phénotypiques tels que la hauteur de la plante, le stade de développement de la culture et les composantes du rendement. Le développement, ces dernières années, de plateformes et d'instruments de phénotypage de terrain à haut débit - capables d'acquérir et de traiter efficacement des volumes massifs d'observations in situ au cours des expérimentations de terrain - a ouvert une nouvelle ère de la phénomique végétale. Celle-ci a un impact potentiel énorme sur l'efficacité des programmes de sélection, car elle permettrait aux sélectionneurs de végétaux de phénotyper avec précision un grand nombre de génotypes, ce qui leur permettrait d'évaluer et d'identifier les meilleurs. Les progrès de la vision par ordinateur et l'introduction de l'apprentissage profond transforment plusieurs caractéristiques auparavant accessibles uniquement par échantillonnage manuel en caractéristiques à haut débit. Grâce à leurs performances impressionnantes, l'adoption rapide de ces techniques pour le phénotypage des plantes sur le terrain a progressé rapidement au cours des cinq dernières années. Le principal défi pour l'utilisation de l'apprentissage profond dans des conditions opérationnelles est lié au manque de généralisation lorsque les réseaux de neurones à convolution sont appliqués sur des ensembles de données qui diffèrent dans une certaine mesure - c'est-à-dire qui appartiennent à un domaine différent - de l'ensemble de données utilisé pour leur formation. Par rapport à l'identification d'objets du monde réel, la mise en œuvre de l'apprentissage profond dans le phénotypage sur le terrain présente encore des problèmes spécifiques qui n'ont pas été entièrement traités par la littérature existante. Cette thèse étudie l'utilisation de techniques d'apprentissage profond pour l'estimation de trois traits essentiels pour le phénotypage des plantes : la densité des plantes aux premiers stades pour le maïs, la densité des têtes de blé et la date d'épiaison du blé. La thèse est structurée en trois chapitres qui prennent la forme d'articles scientifiques, chacun traitant d'un trait phénotypique spécifique, et utilisant un vecteur et un algorithme de détection/comptage spécifiques.