• Langue : Anglais
• Discipline : Traitement du signal et des images
• Identifiant : 2022ULILB020
• Type de thèse : Doctorat
• Date de soutenance : 18/10/2022

Résumé en langue originale

L'objectif de cette thèse est de développer un système de reconnaissance automatique de plantes et de mauvaises herbes observées en conditions extérieures. Dans le chapitre 1, nous introduisons le contexte du problème et décrivons nos contributions. Dans le chapitre 2, nous décrivons la formation d'une image de radiance multispectrale sous l'hypothèse de surfaces Lambertiennes et les dispositifs qui peuvent être utilisés pour acquérir ces images. Nous fournissons ensuite une description détaillée de la caméra multispectrale utilisée dans cette étude. Comme les images de radiance sont acquises sous des conditions d'éclairage variables, nous proposons un modèle original de formation des images multispectrales qui tient compte de la variation des conditions d'éclairage. Dans le chapitre 3, nous estimons la réflectance afin de constituer une signature spectrale invariante à l'éclairage. D'abord, nous présentons les méthodes de l'état de l'art qui peuvent être exploitées pour estimer la réflectance à partir des images multispectrales. Puis, nous introduisons notre méthode. Le Chapitre 4 se focalise sur l'évaluation de la qualité de la réflectance estimée et comparons les performances obtenues avec celles de l'état de l'art. Nous évaluons également sa contribution à la discrimination entre les plantes et les mauvaises herbes. Les images multispectrales acquises sont composées d'un nombre élevé de canaux spectraux, dont l'analyse est couteuse en mémoire et en temps de calculs. Par ailleurs, les bandes spectrales associées à ces canaux peuvent être redondantes ou contenir des informations spectrales fortement corrélées. Par conséquent, nous sélectionnons les meilleures bandes spectrales pour la classification des plantes et mauvaises herbes et les utilisons pour spécifier une caméra adaptée à la reconnaissance de ces plantes. Les images acquises par un telle caméra sont enfin analysée par un réseau de neurones profond dédié. Sa contribution à la discrimination des plantes et mauvaises herbes est enfin démontrée expérimentalement.

Résumé traduit

The main objective of this work is to develop an automatic recognition system of crop and weed plants in field conditions. In Chapter 2 we describe the formation of multispectral radiance images under the Lambertian surface assumption and the different devices that can be used to acquire such images. We then provide a detailed description of the multispectral camera used in this study. Because radiance multispectral images are acquired under varying illumination, we propose an original multispectral image formation model that takes the variation of illumination conditions into account. In chapter 3, we estimate the reflectance as an illumination-invariant spectral signature. First, we present state-of-the-art methods that can be used to estimate the reflectance from multispectral images. We then introduce the reference state-of-the-art method for reflectance estimation and de- scribe our proposed method for reflectance estimation under varying illumination. Chapter 4 focuses on estimated reflectance assessment. The quality of reflectance estimated by our method is evaluated against state-of-the-art methods, and its contribution to supervised crop/weed recognition is demonstrated. Chapter 5 addresses the dimension reduction issue. The acquired multispectral images are composed of a high number of spectral channels, whose analysis is memory and time consuming. Moreover, spectral bands associated to these channels may be redundant or contain highly correlated spectral information. Therefore, we select the best spectral bands for crop/weed classification and use them to specify a camera suited for crop/weed recognition.Chapter 6 deals with the problem of spatio-spectral feature extraction from multispectral images. We propose an approach that extracts both spatial and spectral information at reduced computation costs based on a CNN. Its contribution to crop/weed recognition is demonstrated.