Utilisation des solutions logiciels libre pour automatiser une chaîne de traitement d’images acquises par drone sur des couverts végétaux

UNIVERSITÉ NATIONALE DU VIETNAM À HANOI
INSTITUT FRANCOPHONE INTERNATIONAL

OUMAROU ALTINE Mohamadou Aminou

Utilisation des solutions logiciels libre pour
automatiser une chaˆıne de traitement d’image
acquise par drone sur des couverts végétaux
Sử dụng các giải pháp phần mềm nguồn mở để tự
động hóa một quy trình xử lý hình ảnh thảm thực
vật chụp bằng máy bay không người lái
Spécialité : Systèmes Intelligents et Multimédia

MÉMOIRE DE FIN D’ÉTUDES DU MASTER
INFORMATIQUE
Sous la direction de :
DELALANDE Magalie, Ingénieur INRA,
BEURIER Grégory, Chercheur CIRAD,

HANOI - 2020


UNIVERSITÉ NATIONALE DU VIETNAM À HANOI
INSTITUT FRANCOPHONE INTERNATIONAL

OUMAROU ALTINE Mohamadou Aminou

Utilisation des solutions logiciels libre pour
automatiser une chaine de traitement d’image
acquise par drone sur des couverts vegetaux
Sử dụng các giải pháp phần mềm nguồn mở để tự

động hóa một quy trình xử lý hình ảnh thảm thực
vật chụp bằng máy bay không người lái
Spécialité : Systèmes Intelligents et Multimédia
Code : Programme Pilote

MÉMOIRE DE FIN D’ÉTUDES DU MASTER
INFORMATIQUE
Sous la direction de :
DELALANDE Magalie, Ingénieur INRA,
BEURIER Grégory, Chercheur CIRAD,

HANOI - 2020


ATTESTATION SUR L’HONNEUR

J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et
les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La
source des informations citées dans ce mémoire a été bien précisée.

LỜI CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong
Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác.
Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc.

OUMAROU ALTINE Mohamadou Aminou


Résumé

Ce projet de master vise a l’utilisation des solutions logiciels libre afin de permettre
d’automatiser une chaˆıne alternative de traitement d’images acquises par drone équipé de
caméras sur des vergers dans lesquels ont été simulés des pannes du système d’irrigation
(colmatages et fuites).Pour répondre au problème de détection et classification des pommiers présentant des caractéristiques spectrales et thermiques liées à leur état hydrique,
nous avons développé deux modèles de réseau de neurone convolution afin de bien classer
et d’identifier les pommiers qui sont soit en restriction hydrique soit en excès d’eau.Ces
modèles sont utilisés sur deux catégories d’images : tout d’abord les images natives, de
640 x 512 pixels. A l’issue des différents tests on a obtenu un pourcentage de 96% de précision avec un rappel et une F-mesure de 62% et 75% respectivement. Dans un deuxième
temps, on a subdivisé les images natives en 4 images de 320x256 pixels. Nous obtenons
des résultats differents du premiers test avec une précision de 73% et un Rappel de 89%
et une F-mesure de 80% pour le modèle water deficit.
Pour le deuxieme modele nous avions obtenu une precision de 66%, un rappel de 85% et
une F-mesure de 75%. Cette solution est un premier pas vers une surveillance de l’état de
fonctionnement des systèmes d’irrigation assisté par drone.
0.0.0.0.1 Mots clés :Apprentissage profond,IR thermique, irrigation,pommier,Réseau
de neurone convolutionel(CNN),VGG-16

i


Abstract
This master project aims at the use of open-source software solutions in order to automate an alternative image processing chain acquired by drone equipped with cameras on
orchards where irrigation system breakdowns (clogging and leaks) have been simulated.
To address the problem of detection and classification of apple trees with spectral and
thermal characteristics related to their water status, we have developed two convolution
neural network models to classify and identify apple trees that are either in water restriction or in excess of water. These models are used on two categories of images : firstly,
native images, 640 x 512 pixels, and secondly the native images, 640 x 512 pixels, with
a 96% accuracy with a recall and an F-measurement of 62% and 75% respectively. In a
second step, the native images were subdivided into 4 images of 320x256 pixels. We obtain
different results from the first test with an accuracy of 73% and a Recall of 89% and an

F-measurement of 80% for the water deficit model. For the second model we obtained an
accuracy of 66%, a recall of 85% and an F-measurement of 75%. This solution is a first
step towards monitoring the operational status of UAV-assisted irrigation systems.
0.0.0.0.2 Keywords : Deep Learning,Thermal IR, Irrigation,Apple,Convolutional
Neuron Network(CNN),VGG-16

ii


Remerciements
Ce travail de mémoire de Master recherche est le résultat de l’engagement de plusieurs
personnes qui ont décidé de m’accompagner résolument dans cet exaltant parcours.Je remercie Dieu le tout Puissant, très Miséricordieux, qui m’a donné la force, le courage et
la persévérance durant ces deux années. C’est avec une certaine émotion et une grande
reconnaissance que je remercie l’Université Nationale du Vietnam à travers l’Institut Francophone International et toute son équipe pédagogique. Je remercie les professeurs pour
les valeurs et méthodes inculquées durant le cursus : la curiosité, le goˆ
ut du travail, de
l’effort, le sens de la persévérance,etc... Autant de trésors qui me seront, sans nul doute,
utiles. Je tiens à adresser mes profonds remerciements aux encadrants, Mme Magalie
DELALANDE pour les conseils, les explications, la relecture de mon mémoire, les différentes pistes de réflexion et son coaching qui m’ont permis de cibler et de m’orienter
tout au long de ce stage, à Mr Gregory BEURIER pour l’encadrement, les explications et
les différentes orientations lors de l’implémentation des modèles de réseau de neurones a
convolution pour la classification des pommiers sous stress hydrique. Un merci également
à Mr Jean Luc REGNARD pour l’aide lors de mes début pour compréhension du sujet et
les articles qui m’ont permis de mieux cerner la rédaction de ce mémoire. A toute l’équipe
AFEF de l’UMR AGAP, basée au CIRAD Montpellier France,je vous remercie de m’avoir
accepté au sein de votre équipe. Un grand merci à mes parents, à mes frères et soeurs pour
leur amour, leurs conseils ainsi que pour leur soutien inconditionnel. Je voudrais profiter
de cet espace pour leur exprimer toute ma gratitude et ma reconnaissance. Grâce à vous,
j’aborde une nouvelle étape de ma vie avec confiance et dynamisme.

iii


Table des matières
Table des figures

vi

Liste des tableaux

viii

Nomenclature

ix

Chapitre 1 Analyse du sujet
1.1 Introduction Générale . . . . . . . . .
1.2 Présentations des organismes d’accueil
1.2.1 INRA . . . . . . . . . . . . . .
1.2.2 CIRAD . . . . . . . . . . . . .
1.2.3 SUPAGRO . . . . . . . . . . .
1.3 Contexte de l’étude . . . . . . . . . . .
1.4 Objectif . . . . . . . . . . . . . . . . .
1.5 Travail à réaliser . . . . . . . . . . . .
1.5.1 Sur le plan théorique : . . . . .
1.5.2 Sur le plan pratique : . . . . . .

.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.

.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.

.

.
.
.
.
.
.
.
.
.

Chapitre 2 État de l’art
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Réseau de neurone . . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Réseau de neurones artificiel . . . . . . . . . . . . . .
2.3 Approches de classification d’images via le deeplearning . .
2.3.1 Cas du réseau de neurone à convolution . . . . . . . .
2.4 Approches de classification d’images via le transfert learning
Chapitre 3 Méthodologie
3.1 Description générale . . . . . . . . . . . . .
3.1.1 Extraction des metadonnée exif d’une
3.2 Phases de réalisation . . . . . . . . . . . . .
3.2.1 Pré-traitement des données . . . . .
iv

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.

. . . . . . . . . .
image thermique
. . . . . . . . . .
. . . . . . . . . .

.
.
.
.
.
.
.
.
.
.

.
.

.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.

.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.

1
2
5
5
6
6
7
8
8
8
8

.
.

.
.
.
.

10
11
11
11
12
12
14

.
.
.
.

15
16
18
19
19


3.2.2
3.2.3
3.2.4
3.2.5
3.2.6

Le réseau de neurone . . . . . . . . . .
Réseaux de neurones convolutifs (CNN)
Le transfert learning . . . . . . . . . . .
Méthode d’entraˆınement du réseau . . .
Méthode de validation du réseau . . . .

Chapitre 4 Acquisition des données
4.1 Matériels d’acquisition des données
4.1.1 Drone . . . . . . . . . . . .
4.1.2 Les caméras . . . . . . . . .
4.2 Expérimentations . . . . . . . . . .
4.2.1 Analyse des orthomosaˆıques

.
.
.
.
.

.
.
.
.
.

.
.
.
.

.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.

.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.

.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

Chapitre 5 Implementations et résultats obtenus
5.1 Implementation . . . . . . . . . . . . . . . . . . . . . . .
5.1.1 Environnement de travail . . . . . . . . . . . . . .
5.1.2 Architecture et fonctionnement du model utilisé .

5.2 Expérimentations et résultats obtenus . . . . . . . . . . .
5.2.1 Expérimentations sur les grandes images . . . . .
5.2.2 Expérimentations sur les images après découpage

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.

.

.
.
.
.

.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.

.
.
.
.

.

.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.

.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.

25
26
28
30
31

.
.
.
.
.

33
34
34
36
36
39

.
.
.
.
.
.

41
41
41

42
45
45
47

Chapitre 6 Conclusion et Perspectives
50
6.1 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Chapitre 7 Annexe
55
7.1 Algorithme de découpage des images . . . . . . . . . . . . . . . . . . . . . 55
7.2 Algorithme d’extraction des metadonnée . . . . . . . . . . . . . . . . . . . 56

v


Table des figures
2.1
2.2

Structure d’un neurone artificiel(Wikipedia) . . . . . . . . . . . . . . . . . 11
Structure d’un neurone biologique . . . . . . . . . . . . . . . . . . . . . . . 12

3.1
3.2
3.3
3.4
3.5
3.6

3.7
3.8
3.9
3.10
3.11
3.12
3.13
3.14
3.15
3.16
3.17

metadonnées . . . . . . . . . . . . . . . . . . . . . . .
image au format tiff . . . . . . . . . . . . . . . . . . .
Métadonnées de l’image . . . . . . . . . . . . . . . .
Sphère . . . . . . . . . . . . . . . . . . . . . . . . . .
footprint . . . . . . . . . . . . . . . . . . . . . . . . .
Représentation des zones cibles dans la parcelle . . .
zones cibles . . . . . . . . . . . . . . . . . . . . . . .
Schéma d’annotation des images . . . . . . . . . . . .
Schéma d’annotation des images avec 320*256 pixels
Architecture d’un réseau de neurone . . . . . . . . . .
représentation d’image abstraite RVB 4 * 4 . . . . . .
exemple d’image . . . . . . . . . . . . . . . . . . . .
Architecture VGG-16 . . . . . . . . . . . . . . . . . .
Illustration du concept d’apprentissage par transfert .
Comparaison entre différente architecture de transfert
Matrice de confusion . . . . . . . . . . . . . . . . . .
Exemple de courbe ROC . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

17
18
18
21
22
24
24
24
25
26
27
27
29
29
30
31
32

4.1
4.2
4.3
4.4
4.5

Image de drone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Decollage drone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tablette de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Localisation de l’expérimentation . . . . . . . . . . . . . . . . . . . . . .
déroulé temporel de l’acquisition des données et potentiels de tige relevés
sur les 3 modalités aux différentes dates de vol : les 3 modalités de traitement sont statistiquement différentes (ANOVA, et test de Tukey, p<0.05)
de D1 à D4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
températures de surface calculées à partir des images collectées par caméra
thermique (altitude de vol : 40m) . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.

34
35
35
37

4.6

vi

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

. 38
. 39


4.7

NDVI et GNDVI calculés à partir des images collectées par la caméra multispectrale (altitude de vol 40m) . . . . . . . . . . . . . . . . . . . . . . . . 40

5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
5.10
5.11

logo ubuntu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
logo python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Anaconda-navigator . . . . . . . . . . . . . . . . . . . . . . . . . . .
Architecture VGG-16 . . . . . . . . . . . . . . . . . . . . . . . . . .
Historique du modèle . . . . . . . . . . . . . . . . . . . . . . . . . .
graphe des valeurs de la matrice de confusion . . . . . . . . . . . . .
graphe de variation sur les données de prédiction . . . . . . . . . .
Matrice de confusion du modèle wd- !wd lors du 1er entraˆınement .
Matrice de confusion du modèle ow- !ow lors du 1er entraˆınement .
Matrice de confusion du modèle wd- !wd lors du 2ème entraˆınement
Matrice de confusion du modèle ow- !ow lors du 2ème entraˆınement

vii

.
.

.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.

.
.
.
.
.
.
.
.
.
.
.

41
42
42
43
44
46
46
47
48
49
49


Liste des tableaux

3.1

tableau récapitulatif du volume d’images . . . . . . . . . . . . . . . . . . . 16

5.1
5.2
5.3
5.4

Tableau des résultats d’expérimentation sur les grandes images . . . . . .
Tableau des valeurs de prédiction sur les petites images pour wd- !wd . .
Tableau des valeurs de prédiction sur les petites images pour ow- !ow . .
Tableau comparative des indicateur de performance des deux modèle pour
le premier entraˆınement . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tableau des valeurs de prédiction des petites images lors du deuxième entraˆınement du model WD- !WD . . . . . . . . . . . . . . . . . . . . . . .
Tableau des valeurs de prédiction des petites images lors du deuxième entraˆınement du model OW- !OW . . . . . . . . . . . . . . . . . . . . . . .

5.5
5.6

viii

. 46
. 47
. 48
. 48
. 48
. 49

Liste des sigles et acronymes
ADN

Acide Désoxyribonucléique

IRT

InfraRouge Thermique

NDVI

Indice de végétation par différence normalisée

GNDVI

Green Normalized Difference Vegetation Index

ANN

Réseau de neurone artificiel

CNN

Réseau de neurone à convolution

CIRAD

Centre International de Recherche Agronomique pour le Développement

INRA

Institut National de la Recherche Agronomique

AFEF

Architecture et Fonctionnement des Espèces Fruitières

AGAP

Amélioration Génétique et Adaptation des Plantes méditerranéennes

UMR

Unité Mixte de Recherche

EXIF

Exchangeable image file format

JEIDA

Japan Electronic Industry Development Association

AIA

Annotation Automatique des Images

WW

well watered

OW

Over watered

WD

Water Deficit

VGG

Visual Geometry Group


Chapitre 1
Analyse du sujet
L’objectif de ce premier chapitre est de présenter une analyse exploratoire de notre
sujet. Pour ce faire, nous y aborderons différents points tout en commen¸cant par l’introduction générale, la définition du contexte ainsi que l’objectif de l’étude et enfin la
problématique qui se dessine autour du sujet.

1


1.1

Introduction Générale

Depuis des années la production agricole est devenus un sujet majeur dans tout les
secteurs d’activités. Ainsi le rapport d’expert du GIEC (groupe intergouvernemental sur
l’évolution du climat) indique que les 3 dernières décennies ont été les plus chaude que la

Terre n’ai connu depuis 1850 (IPCC, 2014)[17]. Pour le bassin méditerranéen les prévisions
sont une diminution de la fréquence des précipitations et une augmentation en fréquence
et en intensité des périodes de sécheresse ;
Le dernier rapport (IPCC 2018)[19] lance un cri d’alarme et met en lumière l’urgence
absolue de limiter de l’augmentation de la température de surface de la Terre à 1,5 par
rapport à celle observée avant l’ère pré-industrielle Conséquences sures du changement
climatique : diminution des pluies mais augmentation des épisodes de fortes précipitations (type épisode méditerranéen ou cévenol), augmentation des inondations côtières,
augmentation des vagues de chaleur. Pour l’agriculture l’augmentation des vagues de chaleur et la diminution des pluies efficaces posent problèmes car ce sont 2 facteurs capitaux
influen¸cant le rendement voire la survie des végétaux.
Dans le secteur agricole on constate une augmentation constante de la demande
en eau. Pour cause, d’une part c’est du à l’augmentation de la population mondiale (et
l’augmentation de la consommation en eau par individu et par l’industrie), d’autre part
la diminution des précipitations couplée à une augmentation de la demande évaporative
dans de nombreuses régions (augmentation de la température). De nombreuses cultures
doivent être irriguées pour rester rentables (ma¨ıs, riz, pommiers, . . . ).
Comme l’agriculture est un secteur d’activité très consommateur en eau et que la ressource devient rare, la situation pour l’accès à l’eau pour l’irrigation devient de plus en
plus tendue. En France l’agriculture prélève environ 10% de l’eau douce disponible soit
environ 4 milliards de m3, mais ces prélèvements sont concentrés sur les 3 mois d’été, ce
qui , ramené à la période représente un prélèvement de 80% de l’eau disponible[5] . En
conséquence, les préfectures prennent de plus en plus d’arrêtés de restriction d’usage de
l’eau. Dans ces périodes, l’eau est réservée prioritairement à la santé, la sécurité civile
l’approvisionnement en eau potable et la préservation des écosystèmes aquatiques. Les
limitations concernant l’agriculture vont de l’interdiction d’arroser 1 jour par semaine ou
à certaines heures jusqu’à l’interdiction totale d’irriguer. Or en cette période critique qui
s’étend de début juin à fin aoˆ
ut, les cultures ont des besoins important et les limitations
ou restrictions peuvent mettre en péril la rentabilité des cultures, et dans les cas les plus
extrêmes, peuvent aboutir à la perte de la culture.
Ainsi on constate que des nombreuses espèces fruitières sont cultivées sur le pourtour
méditerranéen. De ce fait l’irrigation joue un rôle essentiel dans les cultures fruitières

2


commerciales, et elle est généralement pratiquée systématiquement. Avec les nouvelles
réglementations sur l’utilisation de l’eau et la prise en compte du changement climatique,
on observe une évolution dans les systèmes d’irrigation. L’irrigation des vergers était traditionnellement de type gravitaire (eau sans pression, très dispendieuse à cause des pertes
par évaporation) et elle évolue vers des systèmes modernes plus parcimonieux. L’irrigation de précision, automatisée se développe progressivement. La méthode la plus répandue
(35% des vergers) dans les vergers est la micro-irrigation.[4] Elle consiste en des apports
localisés au niveau des racines avec de faibles débits. Elle permet de limiter les pertes par
évaporation et de contrôler précisément les apports d’eau. Des outils d’aide au pilotage
de l’irrigation (télédétection, modèles de bilan hydrique, . . . ) associés aux techniques de
mesures en temps réel de l’eau disponible dans le sol (sondes) et aux prévisions météo
apparaissent comme des solutions aux contraintes économiques, écologiques et réglementaires encadrant l’usage de l’eau en agriculture. Deux systèmes dominent le marché : le
microjet et le goutte à goutte . Notre expérimentation est en goutte à goutte.
La difficulté avec ces systèmes précis est leur entretien. Avec des eaux chargées (calcaire, résidus organiques ou inorganiques) les goˆ
uteurs ou les micro-asperseurs se bouchent.
Un colmatage passe inaper¸cu car il faut observer les goˆ
uteurs pendant le créneau d’irrigation pour voir qu’il ne goutte pas. Or ce n’est pas possible de visiter des km de tuyaux
et de goˆ
uteurs pendant les quelques heures (en général 2-4h d’irrigation hebdomadaire)
Le phénotype est l’ensemble des traits observables d’un organisme (Wikipédia). Le phénotype est défini en opposition au génotype (ensemble des informatiques génétique inscrites
dans l’ADN). Certains traits sont dits structurels (forme ou couleur des feuilles et des
fruits par ex). Cependant pour la majorité des traits, leur expression est influencée par
l’environnement dans lequel ils poussent (hauteur de la plante, poids du fruit, . . . ).
La dernière décennie a vu l’émergence d’outils numériques (notamment des caméras)
pour un phénotypage dans les spectres du visible et du proche infrarouge, ainsi que dans
le domaine de l’infrarouge thermique. Parallèlement, l’utilisation de drones pour l’acquisition d’images à haute résolution spatiale s’est également beaucoup développée. Dans le
domaine de la télédétection, il existe une large gamme d’indices permettant de caractériser l’état nutritionnel, transpiratoire ou physiologique des couverts végétaux. Selon les
indices choisis, il est possible d’étudier les réponses à court ou long terme des plantes à des

conditions environnementales. Dans le cas de plantes soumises à des déficits hydriques,
la première réponse à court terme est la fermeture stomatique (in Virlet, 2014)[10]. Les
réponses à plus long terme, si la situation de déficit se maintien par exemple, vont être,
entre autres, une réduction de la surface transpirante. Un stomate est un orifice de petite
taille présent dans l’épiderme des organes aériens des végétaux (sur la face inférieure des
feuilles le plus souvent). Il permet les échanges gazeux entre la plante et l’air ambiant

3


(dioxygène, dioxyde de carbone, vapeur d’eau...) ainsi que la régulation de la pression
osmotique. (wikipédia) La fermeture stomatique va avoir pour conséquence une limitation des échanges gazeux et une augmentation de la température du feuillage. Lorsque
la température d’un corps augmente, il émet une radiation sous forme de rayonnement
électromagnétique. Les capteurs infrarouges thermiques mesurent cette radiation émise
dans la bande infrarouge (IRT : 0.7 à 100m) du spectre électromagnétique et la relient à
la température du corps par la loi de Stefan-Boltzmann et la loi de Planck (Gaussorgues,
1999).
L’équipe AFEF travaille depuis plusieurs années sur la caractérisation de la réponse des
pommiers à la contrainte hydrique. Virlet (thèse 2014, et articles en 2014 et 2015)[9],
puis [Gómez-Candón al, en 2016][3], puis [Delalande al en 2018][2] nombreuses
études pour montrer que l’utilisation d’une caméra thermique embarquée sur un drone
qui survole les parcelles à vitesse lente permet de mesurer les températures de surface de
pommiers au champ et que ces températures peuvent être reliées au potentiel hydrique
des arbres (mesure de référence pour définir le statut hydrique d’une plante)
L’utilisation de capteurs numériques à haute résolution spatiale (et parfois à haute
résolution spectrale) couplée à l’utilisation de drones permettant une acquisition à haute
résolution temporelle génère une quantité de données considérable qu’il n’est plus envisageable de traiter de manière classique (statistiques, analyses de données, . . . ). Le recours à
des outils d’apprentissage machine (machine learning) est de fait nécessaire au traitement
et à la compréhension des données collectées à haut débit.
Des contributions et ameliorations ont eté apportés durant ce travail avec des resultats de

plus en plus satisfaisant. Ainsi nous avons développé deux modèles de réseau de neurone
convolution afin de bien classer et d’identifier les pommiers qui sont soit en restriction
hydrique soit en excès d’eau.Ces modèles sont utilisés sur deux catégories d’images : tout
d’abord les images natives, de 640 x 512 pixels. A l’issue des différents tests on a obtenu
un pourcentage de 96% de précision avec un rappel et une F-mesure de 62% et 75% respectivement. Dans un deuxième temps, on a subdivisé les images natives en 4 images de
320x256 pixels. Nous obtenons des résultats differents du premiers test avec une précision
de 73% et un Rappel de 89% et une F-mesure de 80% pour le modèle water deficit.
Pour le deuxieme modele nous avions obtenu une precision de 66%, un rappel de 85% et
une F-mesure de 75%.
Dans la suite de notre travail, nous aborderons premièrement l’analyse du sujet, deuxièmement nous étudierons l’état de l’art afin de faire ressortir quelques études ayant fait
l’objet du problème posé. Troisièmement, nous aborderons la méthodologie de fa¸con détaillée. Le protocole expérimental et l’analyse des résultats seront présentés dans une
quatrième partie. Pour terminer, nous présenterons dans la cinquième partie, la conclu-

4


sion finale ainsi que les perspectives.

1.2

Présentations des organismes d’accueil

L’Unité mixte de Recherche Agap, Amélioration Génétique et Adaptation des Plantes
méditerranéennes et tropicales, a été créée le 1er janvier 2011. Elle regroupe plus de 400
personnes développant une recherche scientifique d’excellence en biologie des plantes et
génétique végétale produisant des connaissances contribuant à répondre aux enjeux sociétaux majeurs de l’agriculture au Sud comme au Nord. L’UMR Agap est placée sous
la tutelle de deux organismes de recherche et d’un organisme d’enseignement supérieur :
INRA, CIRAD,SUPAGRO.
Principalement nous effectuons nos travaux au sein de l’équipe Architecture et Fonctionnement des Espèces Fruitières (AFEF) qui est une sous unité avec comme objectif
d’explorer les bases éco-physiologiques et les déterminismes génétiques du développement

végétatif et reproducteur du pommier et de l’olivier, dans un contexte de changement
climatique.

1.2.1

INRA

Premier institut de recherche agronomique en Europe, deuxième en sciences agricoles
dans le monde, l’Institut national de recherche agronomique (Inra) mène des recherches
au service d’enjeux de société majeurs.
Inra est un organisme national de recherche scientifique publique, sous la double tutelle
des ministères en charge de la Recherche et de l’Agriculture. Ses missions : produire
et diffuser des connaissances scientifiques – plus de 4 000 publications par an dans le
Web of Science ; former à la recherche et par la recherche – plus de 1 800 doctorants ;
éclairer les décisions publiques – expertises scientifiques collectives, études, prospectives ;
contribuer à l’innovation par le partenariat et le transfert – 360 brevets, 457 certificats
d’obtention végétale, 130 logiciels, bases de données et outils d’aide à la décision ; élaborer
la stratégie de recherche européenne et nationale – 4 initiatives internationales, 2 initiatives
européennes de programmation conjointe, 4 Eranet, 5 alliances nationales ; contribuer
enfin au dialogue entre science et société.
Inra est une communauté de 12 000 personnes dont 8 290 agents titulaires, 1 800
chercheurs titulaires, 2 552 stagiaires accueillis et 510 doctorants ; 186 laboratoires et 49
unités expérimentales au sein de 13 départements scientifiques et 17 centres de recherche.
880 millions de budget exécuté, dont 77 % en provenance du ministère de la Recherche et
20 % d’autres crédits publics. Depuis le 01 janvier 2020 INRA est devenu INRAE

5


1.2.2

CIRAD

Le Cirad, établissement public placé sous la double tutelle du ministère de l’Enseignement supérieur et de la Recherche et du ministère des Affaires étrangères et européennes,
est un centre de recherche qui répond, avec les pays du Sud, aux enjeux internationaux
de l’agriculture pour le développement. Ses activités relèvent des sciences du vivant, des
sciences sociales et des sciences de l’ingénieur appliquées à l’agriculture, à l’alimentation et
aux territoires ruraux. Sa mission : en partenariat avec les pays du Sud dans leur diversité,
le Cirad produit et transmet de nouvelles connaissances, pour accompagner leur développement agricole et contribuer au débat sur les grands enjeux mondiaux de l’agronomie.
Le Cirad a défini 6 axes de recherche prioritaires : intensification écologique ; biomasse
énergie ; alimentation ; santé animale, maladies émergentes ; politiques publiques ; espaces
ruraux. Le Cirad c’est : 1800 agents dont 800 scientifiques ; 800 chercheurs et techniciens
formés chaque année dans le cadre de stages ou de formation diplômantes ; des activités
de coopération avec plus de 90 pays ; des directions régionales à l’étranger en Afrique,
dans l’océan indien, en Asie et en Amérique du Sud ; des pôles scientifiques à vocation
régionale dans l’outremer fran¸cais. ; 203 millions d’euros de budget dont les deux tiers proviennent de l’État fran¸cais. En France, le Cirad comprend deux centres de recherche, l’un à
Montpellier (campus de Lavalette), l’autre à Montferrier-sur-Lez (campus de Baillarguet,
disposant notamment d’un écotron), et de stations dans l’outre-mer fran¸cais. À partir
de ses douze directions régionales réparties sur tous les continents1, le CIRAD mène des
activités de coopération avec plus de cent pays.

1.2.3

SUPAGRO

[22] Montpellier SupAgro, centre international d’études supérieures en sciences agronomiques est un établissement public à caractère scientifique culturel et professionnel
(EPSCP), sous tutelle du Ministère de l’agriculture et de la pêche. Montpellier SupAgro
est un établissement d’enseignement supérieur et de recherche largement ouvert sur la Méditerranée et les pays du Sud, né en janvier 2007 de la fusion de quatre établissements :
Ecole nationale supérieure agronomique de Montpellier (ENSA.M), Agro.M Centre national d’études agronomiques des régions chaudes (CNEARC) Département industries
agroalimentaires régions chaudes de l’École nationale supérieure des industries agricoles

et alimentaires (ENSIA-SIARC) Centre d’expérimentations pédagogiques de Florac (CEP
Florac). 350 agents dont 100 enseignants-chercheurs, 1300 étudiants. Un fort adossement
sur les équipes de recherche d’Agropolis International lui permet d’offrir aux étudiants
une large palette de formations (diplômes d’ingénieur, licences, masters, mastères, doctorats). L’établissement propose également des formations courtes qualifiantes adaptées
6


aux besoins des professionnels. Montpellier SupAgro développe des activités de transfert
de technologies, de valorisation des connaissances issues de la recherche, d’appui à l’innovation et à la création d’entreprises, de diffusion de la culture scientifique et technique.
Montpellier SupAgro et l’Inra sont partenaires dans de nombreuses unités mixtes de recherche (UMR), auxquelles sont également associés d’autres établissements de recherche
(Cirad, IRD, Cemagref, CNRS, etc.) et d’enseignement supérieur (comme les Universités
de Montpellier par exemple). Montpellier SupAgro est devenu l’Institut Agro depuis le 01
janvier 2020

1.3

Contexte de l’étude

Les prévisions liées au changement climatique vont dans le sens d’une élévation des
températures moyennes et d’un changement de la répartition de la pluviométrie (rapport
GIEC 2018, www.ipcc.ch). Ce changement accroˆıt la demande évaporative de l’atmosphère en été et accroˆıt les risques de déficit hydrique en production végétale. Face à ces
changements, et compte tenu des priorités d’usage de la ressource, la raréfaction de la
ressource en eau devient une menace pour la production agricole, notamment pour la
production fruitière, car les vergers sont le plus souvent irrigués.
Par soucis d’économie de la ressource en eau, de nombreux vergers sont irrigués par
des systèmes localisés parcimonieux (microjets ou le goutte à goutte). Ces systèmes sont
performants mais demandent une surveillance importante car ils sont soumis à des dysfonctionnements localisés, sources d’hétérogénéité spatiale dans la répartition de l’eau.
L’observation de ces dysfonctionnements nécessite une surveillance régulière devant s’opérer pendant les heures d’irrigation.
L’équipe AFEF est engagée dans un projet international (financé par l’EIT-ClimateKIC), où il est proposé d’utiliser l’imagerie aéroportée par drone utilisant des caméras
(multispectrale et IR thermique) pour aider à la surveillance du bon fonctionnement de

l’irrigation dans les vergers : détection de fuites ou de bouchages de goutteurs/microasperseurs. L’imagerie permet également de visualiser à un temps t l’hétérogénéité du
fonctionnement des arbres au sein de la parcelle, par le calcul d’indices de végétation qui
traduisent l’état physiologique des arbres.
A l’échelle de la parcelle, le suivi de l’évapotranspiration des arbres peut être réalisé
par imagerie thermique (IRT) haute résolution embarquée sur un drone (Gómez-Candón
et al., 2016). Par ailleurs, l’utilisation d’un capteur multispectral permet le calcul d’indices
de végétation, qui permettent d’approximer des paramètres de structure et de fonctionnement du couvert (indices classique : NDVI, GNDVI). Ces indices, couplés aux données
de température de couvert, permettent d’obtenir des informations intéressantes sur l’effi7


cacité de l’utilisation de l’eau (Delalande et al., 2018).

1.4

Objectif

Grace aux nombreuses données spectrales acquises à haute résolution dans le visible,
le proche IR et l’IR thermique à partir de caméras embarquées dans des drones. Ainsi une
premiere etudes a été menée sur les données. Il s’agit de l’extraction des valeurs des pixels
des arbres afin de calculer des indices en végétation et la température du feuillages Ce
travail fait intervenir 3 logiciels : Agisoft Photoscan pour la partie ortho-rectification,
géolocalisation, mosa¨ıquage ; le logiciel ERDAS Imagine pour la calibration des
images puis pour l’extraction des pixels à partir des zones d’intérêt ; et enfin un logiciel
de SIG (QGIS ou ArcGIS) pour l’identification individuelle des arbres. Il permet une
analyse fine des variations intra et inter arbre de la température de canopée et le calcul
d’indices de structure (NDVI), (GNDVI, MCARI2, . . . ) et de fonctionnement (PRI)
des pommiers. A cet effet l’objectif de notre travail est de proposer une chaˆıne alternative
de traitement automatisé des images et de remplacer les briques logicielles payantes
par une suite de logiciels et de librairies Open Source (OpenDroneMap, OpenCV et
QGIS) libre afin d’en faciliter l’utilisation par des utilisateurs non équipés de logiciels

performants mais couteux.

1.5

Travail à réaliser

Notre travail s’inscrit dans le cadre d’une recherche scientifique, il est donc nécessaire
pour nous de le subdiviser ou de l’organiser sur deux principaux plans, à savoir le plan
théorique et le plan pratique.

1.5.1

Sur le plan théorique :

Cette dimension de notre étude a pour but de nous orienter sur les différents travaux
ayant déjà abordés plus ou moins la problématique posée dans notre étude. C’est à l’issue
de cette étude que nous proposerons le principe solution ou l’approche à adopter pour la
méthodologie à mettre en place pour l’analyse du parcellaire cultural.

1.5.2

Sur le plan pratique :

Cette partie est consacrée à la mise en place de la méthodologie et les techniques
d’analyses que nous aurons à proposer. Une fois la solution mise en place, nous procédons
à son évaluation, c’est-à-dire, aux différentes expérimentations sur des données réelles
8


qui nous permettrons de valider notre approche. A l’issue de ce travail, nous espérons

accomplir les objectifs précédemment énumérés dans la section 1.4.

9


Chapitre 2
État de l’art
L’objectif de ce deuxième chapitre est de mener une étude exploratoire afin d’avoir une
vision globale des travaux existants qui ont abordé plus ou moins les mêmes thématiques
associés à notre sujet. Nous allons donc au cours de cette étude, effectuer une synthèse des
travaux sélectionnés afin de faire ressortir l’objectif, les techniques ou approches abordées,
les points faibles et points forts de chacune d’elle.

10


2.1

Introduction

Avec l’avènement de l’intelligence artificielle, l’essor des objets connectés et l’augmentation des capacités technologiques, nombreuses sont les recherches tentant de simuler
le comportement humain et également de reproduire ses capacités cognitives. Dans ce
contexte le Deep Learning, littéralement “l’apprentissage profond”, est actuellement un
des axes de recherche les plus explorés. Alors qu’est-ce donc que le Deep Learning, qu’estce qu’un réseau de neurones, quel lien avec notre cerveau humain, comment cela fonctionne
et surtout pour quelles applications ? Nous allons parcourir ces différents point a travers
les différents travaux de recherche ayant été effectuer et qui cadre avec notre thématique.

2.2

Réseau de neurone

Le réseau de neurone, en tant qu’algorithme de classification fondamental, est largement utilisé dans de nombreuses questions de classification d’images. Avec le développement rapide des dispositifs de calcul haute performance et des dispositifs de calcul
parallèle, le réseau de neurone convolutionnel attire également de plus en plus l’attention
de nombreux chercheurs dans ce domaine.

2.2.1

Réseau de neurones artificiel

Un neurone artificiel est un modèle simplifié du neurone biologique. L’objectif est
de permettre la modélisation de certaines fonctions du cerveau, comme la mémorisation
associative, l’apprentissage par l’exemple,etc.[29]

Figure 2.1 – Structure d’un neurone artificiel(Wikipedia)
L’objectif général d’un RNA (Réseau de neurone artificiel) est de trouver la configuration des poids de connexion entre neurones pour qu’il associe à chaque configuration d’entrée, une réponse adéquate. L’utilisation d’un RNA se fait en deux temps. Tout
11


d’abord une phase d’apprentissage qui est chargée d’établir des valeurs pour chacune des
connexions du réseau, puis une phase d’utilisation proprement dite, où l’on présente au
réseau une entrée et où il nous indique en retour « sa » sortie calculée. Cette sortie calculée
est comparée avec la réponse attendue et le système modifie les poids en conséquence.
Cette altération des connexions est obtenue par l’algorithme de rétro-propagation[14]
du gradient d’erreur. Ce calcul est chargé de rétro-propager dans le réseau les erreurs
constatées sur les sorties. En théorie, on ne peut jamais être sˆ
ur que cet algorithme finisse
par déterminer un ensemble de poids convenable pour tous les couples d’entrées-sorties.
En pratique, on ne construit pas un seul RNA 1 , mais plusieurs modèles en jouant sur les
paramètres de cet algorithme, et en cherchant à obtenir un modèle qui colle au mieux aux
données.

Figure 2.2 – Structure d’un neurone biologique

2.3

Approches de classification d’images via le deeplearning

2.3.1

Cas du réseau de neurone à convolution

Les améliorations des réseaux de neurones convolutifs (CNN) au cours des dernières
années en ont fait l’état de l’art parmi les approches d’apprentissage automatique pour
résoudre les problèmes de vision par ordinateur, en particulier la classification des images
( LeCun et al. 2015 )[24]. Les approches de vision par ordinateur pour les tâches de classification ont traditionnellement nécessité une sélection manuelle des caractéristiques qui
étaient jugées utiles pour prendre des décisions de classification. En revanche, les CNN
apprennent quelles fonctionnalités sont les plus importantes. Les réseaux de neurones sont
1. Structure d’un neurone artificiel. Le neurone calcule la somme de ses entrées puis cette valeur passe
à travers la fonction d’activation pour produire sa sortie

12


composés de plusieurs couches de transformations linéaires (multiplications par une matrice de «poids»), chacune suivie d’une fonction non linéaire. Les transformations linéaires
sont apprises au cours de la formation en apportant de petits changements aux matrices
de poids qui rendent progressivement les transformations plus utiles pour la tâche de
classification finale.
On pense que le traitement multicouche appris de l’entrée visuelle qui se produit dans
un CNN est analogue à la fa¸con dont le système visuel de primate traite les informations ;
les premiers stades des réseaux répondent à des éléments visuels de base tels que les

lignes tandis que les niveaux supérieurs des réseaux répondent à des concepts visuels
plus complexes ou abstraits tels que la catégorie d’objet ( Cadieu et al. 2014 )[15]. Les
couches convolutives permettent à un réseau d’apprendre efficacement des fonctionnalités
invariantes à un emplacement exact dans une image en appliquant la même transformation
apprise aux sous-sections d’une image entière.
Dans un exemple de travaux antérieurs dans ce domaine, (Mohanty et al. 2016)[27]
ont formé un CNN pour classer les feuilles comme appartenant à 1 des 14 espèces et pour
déterminer si elles avaient 1 des 26 maladies. Ils ont rapporté une précision de 99,4%
lors du classement des espèces et des maladies sur les données retenues. Cependant, sur
les images non collectées dans des conditions contrôlées, leur modèle avait des précisions
de 31,4 à 31,7% lors de la classification des espèces et des maladies et de 41,1 à 54,5%
lors de la classification des maladies dans les images d’une espèce préspécifiée. Dans les
images collectées dans des milieux naturels, de nombreux facteurs de nuisance contribuent
à rendre la tâche difficile pour un réseau formé sur des images contrôlées artificiellement,
y compris les variations d’éclairage, les ombres et le sol exposé.
Dans l’article(Garcia Nachtigall et al.,2016) [20] ou il est question d’étudier l’utilisation des
réseaux neuronaux convolutionnels pour détecter et classer automatiquement les maladies,
les carences nutritionnelles et les dommages causés par les herbicides sur les pommiers
à partir d’images de leurs feuilles. Leur methodologie repose sur l’utilisation d’un réseau
de neurone convolutif basé sur l’architecture AlexNet avec l’utilisation de caffé[Jia et
al., 2014][12] et DIGITS [NVIDIA, 2015][6] pour aider à construire, former et tester les
Réseaux neuronaux convolutifs. Pour ce faire, ils ont construit un nouvel ensemble de
données d’images étiquetées et qui contiennent des exemples de cinq des troubles les plus
courants et les plus importants affectant cette culture [Valdebenito-Sanhueza et al.,2008 ;
Nachtigall et al :][8] Glomérule, tavelure, carence en potassium, carence en magnésium
et dommages causés par les herbicides. A cet effet les réseaux neuronaux convolutionnels
(CNN) est formé à cet ensemble de données, car ils sont souvent considérés comme l’état
de l’art de la classification des images [Krizhevsky et al., 2012][1], en fournissant une
analyse approfondie des résultats de la classification, en les comparant à ceux fournis

13