Apports de la vision par ordinateur pour la détection et le suivi de

Apports de la vision par ordinateur pour la
détection et le suivi de pathologies végétales:
application à l’étude de l’interaction
hôte/parasite du couple rose/oïdium
Céline HUDELOT, Monique THONNAT INRIA
Paul BOISSARD, Guy PEREZ, Pierre PYRRHA
INRA Antibes-URIH
Collaboration: Nicole BALLINO, Géraldine
GUIGNON, Frédéric FERRERO INRA AntibesFréjus
3èmes Rencontres du groupe OïdiumS
INRA Fréjus 04/04/2002
1
Objectifs
• Conception d’un système de vision générique permettant
une détection précoce et une identification des
pathologies végétales in situ:
– Reconnaissance d’objets complexes (champignons, insectes,…)
par l’utilisation conjointe de techniques de traitement d’images et
d’intelligence artificielle
– Application au cas de la détection précoce de l’oidium du rosier en
serre
• Intégration dans un programme de Production Intégrée des
Cultures (Action PIC) visant à réduire l’utilisation de
fongicides et de pesticides
3ème Rencontres Groupe OïdiumS
2
Le diagnostic des pathologies végétales (1/2)
• Acte visuel consistant à déduire la présence d’une
maladie par l’observation des signes ou
symptômes caractéristiques
– Signes = structures observables du pathogène présentes sur
la plante malade (conidies, mycélium,…)
– Symptômes = changements observables résultants de la
réaction de la plante vis à vis du pathogène (tache, nécrose,
…)
• Compétences nécessaires:
– Savoir observer: focalisation sur les critères les plus
pertinents
– Savoir raisonner: interprétation des signes et symptômes en
terme de maladies (création, élimination, validation
d’hypothèses)
3ème Rencontres Groupe OïdiumS
3
Le diagnostic des pathologies végétales (2/2)
• Domaine d’expertise:
– Possédant un vocabulaire spécifique (souvent descriptif)
• ex: nécrose = dessèchement des tissus, couleur brune, limite
distincte
Problème de la communication entre les différents acteurs
(horticulteurs, techniciens, …)
– Nécessite de la précision, de la fiabilité et de la rapidité
Intérêt d’une détection précoce, identification précise par
les signes
– Est limité par la limite de la vision humaine (utilisation d’outils
de grossissement )
Moyens destructifs, observation hors de la serre
– Echelle d’observation de l’expert est individuelle
Problème de la transmission des compétences, de la
comparaison des descriptions
3ème Rencontres Groupe OïdiumS
4
Pourquoi utiliser la vision?
• Automatisation du diagnostic des pathologies végétales
par l’utilisation de techniques de traitement d’images
et d’intelligence artificielle permettant:
–Une détection in situ non
destructive
–Une détection précoce
Choix du capteur et de sa résolution
Difficulté de la procédure d’acquisition in situ
Passage du langage de l’expert en pathologie
au langage de l’expert vision:
- Acquisition de la connaissance
- Représentation de la connaissance
- Utilisation de la connaissance...
–Modélisation du savoir et
savoir faire de l ’expert
–Mesurer une information
qualitative mais aussi
quantitative de la maladie
Difficulté moins importante
Utilisation de bibliothèque de TI existante
–Suivi d’une pathologie (mesure
de l’impact d’un traitement)
Problème de recalage
3ème Rencontres Groupe OïdiumS
5
Principe (1/2)
Images ou
séquence
d’images
Extraction de
paramètres
descriptifs par
un système de
traitement
d’images
Extraction
du contexte
de l’analyse
Savoir Observer
Description
numérique et/ou
symbolique
(image) de
l’objet d’intérêt
Informations
sur la scène
Facteurs de
risque
Connaissances
externes a priori
(capteurs externes :
température,
humidité, …)
3ème Rencontres Groupe OïdiumS
Interprétation
Diagnostic
Savoir Raisonner
6
Principe(2/2)
Images ou
séquence
d’images
Extraction de
paramètres
descriptifs par
un système de
traitement
d’images
Extraction du
contexte de
l ’analyse
Filament: ensemble de
points connexes:
Paramètres de taille
+ longueur et largeur
filament
+ aire, aire enveloppe
convexe…
Paramètres de nombre
+ nombre d’extrémités
+ nombre d’objets
Paramètres de forme
+ Compacité
+ Circularité…
Moyennes
colorimétriques de la
feuille : age, aspect,
face
3ème Rencontres Groupe OïdiumS
Interprétation
Si (feuille jeune)
et si (objet =
mycélium_bien
_ramifie) et si
(conditions
extérieures =
conditions
optimales)
alors oïdium en
phase
d’extension
Oïdium
présent
Phase
d’extension
Pas de
fructification
Température: 20°C
Humidité: 100%
7
Un travail en 3 étapes
• Modélisation de l’expertise du domaine
sous la forme d’une base de connaissances
décrivant les critères observables: signes et
symptômes précoces
• Développement d’algorithmes de reconnaissance de
formes
• Moteur d’interprétation adapté au diagnostic et au suivi des
pathologies
3ème Rencontres Groupe OïdiumS
8
L ’oïdium du rosier:
Sphaerotheca pannosa lév., var rosae
Symptomatologie
Contexte
• Macroscopique:
– Une des maladies
– Feutrage blanc/gris d’aspect
foliaires fongiques les
duveteux sur parties herbacées
plus importantes
– Taches rouges sur la partie
inférieure des feuilles
– Toujours présente
– gaufrage
– Conditions optimales de
• Microscopique:
développement:
• 20°C
• humidité relative élevée
– Lutte chimique ou
biologique
– Présence de conidies non
germées
– Structures filamentaire
– Grande quantité de conidies +
conidiophores (fructification)
3ème Rencontres Groupe OïdiumS
9
Le cycle de l’oïdium
3ème Rencontres Groupe OïdiumS
10
Le cycle de l’oïdium
Loupe binoculaire (1 pixel = 1,5 microns)
Présence de conidies
non germées
Développement
mycélien
Vidéomicroscope (1 pixel = 3,7 microns)
Conidiophores +
fructification
Développement
mycélien
Visibilité à l’œil nu
Conidiophores +
fructification
3ème Rencontres Groupe OïdiumS
Conidiophores
11
Modélisation des critères observables
(exemple 1)
Critères expert
. Amas de conidies non
germées
Critères vision
.Ensemble de régions:
- contour: elliptique
- couleur: blanc/gris
- A quoi reconnaît-on que
ce sont des conidies?
- A quoi reconnaît-on que
ce sont des conidies de
Sphaerotheca pannosa?
- intérieur: plus sombre que sur les
bords
Mesures globales: couleur moyenne,
taille, périmètre, compacité,
excentricité, moment d’inertie, aire
convexe, concavité, convexité, …
- Problème des occlusions
3ème Rencontres Groupe OïdiumS
12
Modélisation des critères observables
(exemple 2)
Critères expert
Critères vision
. Mycélium seul
????
.Modélisation par des crêtes
dans le repère (x, y, Ng)
.Algorithme de segmentation:
détecteur de crêtes
.Description:
- longueur totale, largeur,
nombre d'extrémités
- dimension fractale (complexité
d’embranchement)
- ...
13
Manipulations
• But: Acquisition de données
représentatives de l'évolution
précoce de la maladie
•
2 approches:
– approche laboratoire (Frejus)
• Inoculations primaires et
secondaires (pinceau et cil)
de la maladie sur jeunes
folioles prises en serre
• Suivi de l'évolution
– approche serre (URIH)
• Surveillance de plusieurs
sites jugés à risque: jeunes
feuilles uniquement
3ème Rencontres Groupe OïdiumS
14
Conclusion
• Système de vision semble être un bon moyen pour détecter
et identifier les premiers signes et symptômes
– Point essentiel de la Protection Intégrée (traitements ponctuels:
levures)
– Apport d’une information quantitative
• Limitation du problème aux sites particulièrement
sensibles: ciblage des jeunes feuilles
• Dans le cadre d’un souci de production, ébauche d’un outil
capable d’établir l’état sanitaire d’une culture à un moment
donné (en parallèle avec ce qui se fait au niveau de la
nutrition ou du climat)
15