4.6 Conclusion du chapitre
Ce chapitre a permis de valider expérimentalement l’intérêt des modèles statistiques dé-crivant conjointement des propriétés structure-couleur pour caractériser et discriminer les différents tissus sains présents sur un pieds de vigne. La validation expérimentale a été réa-lisée à l’aide de tests de classification et de l’analyse des métriques de performance. Les représentations conjointes structure-couleur et les modèles paramétriques proposés dans le
chapitre 3ont pu être combinés à des procédés de décision probabiliste bayésienne (le MAP)
et de relaxation markovienne pour former une chaîne de traitement cohérente, permettant de classifier les images en catégories de tissus sains. Pour chaque étape de la chaîne de trai-tement, différentes modalités ont été considérées et comparées en termes de performances de classification pour finalement définir une chaîne de traitement bien adaptée au problème.
Pour ce qui concerne les descripteurs, deux questions ont été étudiées : l’échelle d’ana-lyse de la structure et la méthode de représentation conjointe structure-couleur. L’échelle d’analyse est l’un des paramètres de la chaîne qui doit être ajusté par l’opérateur. Les pa-ramètres d’échelles peuvent être définis intuitivement de manière à correspondre à la taille des textures étudiés. Dans une plage de valeurs cohérente avec les textures, le tenseur local de structure se montre plutôt robuste aux variations d’échelles d’analyse et produit des ré-sultats de classification dont les performances sont stables. Concernant les représentations, l’approche CELEST , invariante en rotation, est la plus fiable numériquement (sans doute du fait de sa compacité) . En pratique, c’est aussi la représentation qui permet les meilleures performances de classification. Pour l’étape de modélisation des descripteurs, si l’utilisation de modèles gaussiens permet d’obtenir des classifications convenables, le choix de modèles de mélange, théoriquement plus adaptés, (voir chapitre 3) se révèle également plus performant en termes de classification. Les performances sont aussi significativement améliorées grâce à l’introduction de probabilités a priori comme une fonction spatiale qui dépend du stade phénologique considéré. La relaxation markovienne, quant à elle, permet de synthétiser les décisions locales prises en fonction d’un modèle afin de respecter des critères de cohérence spatiale et de rendre compte de l’agencement des tissus en organes.
Finalement, une fois réglée, cette chaîne de traitement permet de reconstruire fidèlement la carte des organes de la vigne pour des stades phénologiques où la structure de la vigne et la morphologie des organes sont très différentes. Ces résultats originaux montrent qu’il est possible de surmonter les difficultés que pose l’analyse d’images acquises dans le contexte applicatif contraignant de la viticulture. Il convient quand même de noter que la chaîne de traitement est validée pour un jeu de données très restreint (16 images par stade phénolo-gique), pour des conditions de cultures assez homogènes. Ce nombre d’images limité tient à la durée considérable de l’étape d’annotation nécessaire à l’apprentissage. Si, malgré la taille relativement faible du jeu de données (∼ 108pixels), il est possible d’apprendre des modèles stables et d’appliquer la chaîne de traitement à toutes les parcelles étudiées, la taille des don-nées de vérité terrain reste une limite majeure pour valider la méthode. Afin d’évaluer les performances de la méthode, il serait souhaitable de l’appliquer dans un contexte expérimen-tal d’agriculture de précision plus vaste pour lequel on disposerait de données agronomiques locales comparables aux informations que l’on peut extraire des résultats de classification e.g. des surfaces folaires, des porosités ou des poids de grappes. De plus, il faudrait pouvoir évaluer le potentiel d’exploitation des cartes de classification dans un contexte agronomique plus varié en termes de cépages et de pratiques culturales.
Enfin, les méthodes proposées dans la chaîne de traitement sont suffisamment génériques et maîtrisées pour considérer de les transposer à la détection de tissus symptomatiques dans le cas de la vigne ou à d’autres cultures présentant des structures similaires comme les arbres fruitiers. Le chapitre suivant propose d’adapter ces méthodes pour développer une chaîne de traitement dédiée à la détection de symptômes foliaires du mildiou de la vigne.
CHAPITRE 5
Détection des symptômes du mildiou de la vigne et
estimation de l’intensité de l’infection
5.1 Introduction
Ce chapitre présente et évalue une chaîne de traitement d’images dédiée à la détection des symptômes du mildiou de la vigne et à l’estimation de l’intensité de l’infection. Il s’agit de dénombrer les symptômes et d’estimer la proportion de surfaces symptomatiques afin de quantifier l’intensité de la pathologie sur chaque pied. La stratégie de classification pixellaire présentée dans le chapitre 4 apparait a priori adaptée pour répondre à ces objectifs . En effet, les représentations structure-couleurs proposées semblent pouvoir décrire et discriminer les symptômes du mildiou (voir partie 3.4). De plus, il a déjà été montré sur la base de ces représentations qu’il est possible de modéliser la distribution des symptômes du mildiou de la même manière que les classes de tissus sains (voir partie 3.5). Toutefois, le problème de la détection de symptômes demeure plus complexe que celui traité dans le chapitre précédent. Il s’agit de caractériser à une échelle très fine des phénomènes rares et disséminés dans les images. En effet, les symptômes apparaissent de manière sporadique sous la forme de discontinuités dans les tissus sains. Cependant les limites entre les zones symptomatiques et les zones saines sont moins franches que celles observées dans les zones d’enchevêtrement des organes. De plus, la morphologie des symptômes du mildiou évolue dans le temps plus rapidement que les tissus sains qui évoluent selon des stades phénologiques bien définis.
La première partie du chapitre consiste à évaluer l’influence de ces limites sur les per-formances de la chaîne de traitement présentée dans le chapitre 4 pour la classification de symptômes du mildiou. Au regard des nouvelles difficultés que pose la classe de tissus symp-tomatiques, la seconde partie introduit une nouvelle méthode de décision. Elle consiste en une reconstruction par hystérésis des symptômes à partir de germes plus facilement identifiés, ef-fectuée sur la base d’une combinaison de deux critères relatifs aux distances de Mahalanobis entre les descripteurs et les modèles des différentes classes de tissus.