Segmentation sémantique d’images visibles en cultures associées
2024
Yao, Zexing | Duboux, Mathias | Denimal, Emmanuel | Gée, Christelle | Agroécologie [Dijon] ; Université de Bourgogne (UB)-Université Bourgogne Franche-Comté [COMUE] (UBFC)-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE)-Institut Agro Dijon ; Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro) | Service d’Appui à la Recherche - Institut Agro Dijon ; Institut Agro Dijon ; Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)
National audience
显示更多 [+] 显示较少 [-]英语. L'utilisation des techniques de Machine learning et d'intelligence artificielle (IA) pour promouvoir la gestion durable des systèmes de culture est au cœur de ce travail. L'objectif est de développer une approche innovante en combinant ces technologies numériques avec des capteurs simples utilisant l'imagerie visible pour surveiller l'évolution de l'état azoté de la céréale en cultures associées céréale/légumineuse. Cette approche repose sur une segmentation sémantique avec le modèle DeepLabV3+, une technique de Deep Learning. Actuellement les outils disponibles pour évaluer ces besoins sont des pinces ou chlorophylle-mètres (SPAD, n-Tester) qui reposent sur des mesures optiques, mesures indirectes de la teneur en azote des plantes. Ces mesures par contact avec les feuilles sont fastidieuses pour un suivi dynamique au champ. Cela a conduit à explorer l’approche par imagerie visible plus simple techniquement mais qui nécessite une segmentation de l’image pour identifier la culture afin d’évaluer son état azoté.
显示更多 [+] 显示较少 [-]