Segmentation d'image de feuilles de mauvaises herbes par modèles déformables | Weed leaf image segmentation by deformable templates

法语. La connaissance de la distribution spatiale et la caractérisation des adventices sont des données importantes pour l'amélioration des stratégies de désherbage, en vue de la réduction de l'usage des pesticides. Avec les progrès récents en traitement d'image, de nombreuses études ont été consacrées à la détection des adventices par vision numérique. Cependant, l'identification reste difficile du fait de la complexité des scènes d'extérieur et de la variabilité morphologique des plantes. Une nouvelle méthode de segmentation des feuilles d'adventices basée sur l'utilisation de modèles déformables est proposée. Cette approche a l'avantage d'introduire une connaissance a priori sur l'objet recherché, améliorant ainsi la robustesse de l'étape de segmentation. Le principe consiste à ajuster un modèle paramétrique sur les contours de feuilles présents dans l'image, par minimisation d'un terme d'énergie lié aux contraintes internes du modèle et aux données essentielles dans l'image, telles que la couleur des plantes. Cette méthode a donné des résultats intéressants sur l'espèce Sétaire (Setaria Viridis). En particulier, elle a rendu possible la caractérisation de feuilles partiellement cachées. Ceci constitue une première étape vers l'élaboration d'un système de reconnaissance basé sur les caractéristiques des feuilles et leur positions spatiales relatives.

英语. In order to improve weeding strategies in terms of pesticide reduction, spatial distribution and characterisation of in-field weed populations are important. With recent improvements in image processing, many studies have focused on weed detection by vision techniques. However, weed identification still remains difficult because of outdoor scenic complexity and morphological variability of plants. A new method of weed leaf segmentation based on the use of deformable templates is proposed. This approach has the advantage of applying a priori knowledge to the object searched, improving the robustness of the segmentation stage. The principle consists of fitting a parametric model to the leaf outlines in the image, by minimising an energy term related to internal constraints of the model and salient features of the image, such as the colour of the plant. This method showed promising results for one weed species, green foxtail (Setaria Viridis). In particular, it was possible to characterise partially occluded leaves. This constitutes a first step towards a the recognition system, based on leaf characteristics and their relative spatial position.