Le laboratoire IMS recherche un ingénieur pour une thèse sur le thème suivant : Proxidétection et intelligence artificielle pour l’aide au diagnostic de maladies du dépérissement de la vigne.

RESUME DU PROJET :
Le dépérissement de la vigne est une problématique mondiale, aux conséquences économiques majeures pour l’industrie viticole. Il ne peut être endigué que par une prospection systématique, chronophage et coûteuse, qui nécessite un haut niveau d’expertise. Motivées par les potentialités récemment démontrées de la proxidétection en matière d’observation de la vigne, deux équipes française et néozélandaise proposent, par ce projet de thèse, de développer des solutions alliant imagerie embarquée et intelligence artificielle pour l’aide au diagnostic de maladies du dépérissement.
La solution envisagée repose sur l’utilisation conjointe d’un système d’imagerie embarquée et d’approches d’intelligence artificielle afin de parvenir non seulement à la détection de symptômes individuels mais aussi au diagnostic de la maladie à l’échelle d’une plante. Trois pathologies sont principalement ciblées : la flavescence dorée, le virus de l’enroulement de la vigne (Leaf Roll) et l’eutypiose dont le diagnostic nécessite l’observation simultanée de symptômes multiples et leur différenciation de facteurs confondants.
La thèse proposée se place dans un cadre international de coopération entre équipes de recherche françaises et néo-zélandaises, à l’interface entre numérique et viticulture. Elle s’appuiera sur trois piliers que sont (i) l’acquisition d’images, menée en France et en Nouvelle-Zélande, (ii) l’annotation d’images et la constitution de vérités terrain, (iii) le développement et la validation de solutions algorithmiques pour la reconnaissance des maladies. Les points (i) et (ii) s’appuieront sur des projets tiers mais aussi sur le doctorant qui participera à la proposition de protocoles d’acquisition et d’annotation de données. Le point (iii), coeur de la thèse, portera sur la mise en oeuvre d’approches neuronales convolutionnelles (deep learning). Ces dernières seront appliquées soit directement sur les images acquises (pour la détection des symptômes individuels), soit sur des graphes formés par spatialisation des détections individuelles (Graph Neural Networks).

Pour en savoir plus…