Résumé
Le phénotypage joue un rôle essentiel dans le développement de variétés végétales capables de s'adapter aux conditions climatiques changeantes. Un phénotypage précis et fiable permet de mieux comprendre les mécanismes génétiques à l'origine de l'expression des traits (comme le diamètre du tronc, la floraison ou l’architecture de l’arbre), facilitant ainsi le développement de marqueurs moléculaires utilisables dans la sélection variétale. Dans le cas du phénotypage des arbres fruitiers, les mesures manuelles de traits sur un grand nombre d’arbres sont lentes et fastidieuses et peuvent manquer d’objectivité. Des outils de phénotypage numérique sont actuellement développés dans le cadre du projet PHADA pour remédier à cette limitation. Ces outils sont basés notamment sur des images RVB (Rouge-Vert-Bleu) d’arbres, acquises en visée latérale par stéréovision, et sur des méthodes d’apprentissage profond pour estimer les traits à partir des images. Le premier objectif du projet est d’extraire les parties boisées situées au premier plan à partir d’images RVB acquises en verger, en exploitant ou non l’information de profondeur disponible grâce à la stéréovision.Deux modèles d’apprentissage profond basés sur l’architecture UNet ont été utilisés pour segmenter les parties boisées des arbres situés au premier plan dans les images. Une base d’images annotées incluant une diversité d’espèces, d’années et de sites d’étude a été collectée, afin d’entraîner ces modèles. Dans cette étude, 1151 patches RVB ont été utilisés pour l'entraînement, 163 patches pour la validation et 30 patches pour le test. Parmi ces patches, l’information de profondeur, obtenue via la méthode d’apprentissage profond IGEV, était disponible pour seulement 36 % des images utilisées pour l'entraînement, 23 % des images utilisées pour la validation et la totalité des images de test. Un premier modèle (modèle RVB) a été entraîné à partir des seules images RVB, c’est-à-dire, sans exploiter l’information de profondeur. Le deuxième modèle (modèle RVB_P) a été entraîné en simulant, sur les images stéréos disponibles, l’effet d’un flash à partir de l’image de profondeur. Le modèle 1 a été évalué sur les 30 patches de test non transformés, tandis que le modèle 2 a été évalué sur les mêmes patches après simulation du flash.Le modèle RVB a obtenu un score F1 de 0.92 sur les 30 patches de test non transformés, tandis que le modèle RVB_P a atteint un score F1 de 0.89 sur les 30 patches transformés. Une analyse détaillée des résultats de segmentation révèle que le modèle RVB_P est toutefois supérieur au modèle RVB grâce à l'apport de l’information de profondeur, notamment pour les patches contenant plusieurs rangs d’arbres. En effet, le modèle RVB_P permet d’éliminer quasiment la totalité des arbres situés en arrière-plan, contrairement au modèle RVB. Toutefois, ce dernier est plus performant que RVB_P pour segmenter les rameaux fins, ceux-ci étant moins bien détectés par l’algorithme stéréo IGEV. L’utilisation d’une méthode alternative d’estimation de la profondeur, comme Marigold, est envisagée pour résoudre ce problème.