FR3069940A1 - Procede et systeme de cartographie de l’etat sanitaire de cultures - Google Patents
Procede et systeme de cartographie de l’etat sanitaire de cultures Download PDFInfo
- Publication number
- FR3069940A1 FR3069940A1 FR1757475A FR1757475A FR3069940A1 FR 3069940 A1 FR3069940 A1 FR 3069940A1 FR 1757475 A FR1757475 A FR 1757475A FR 1757475 A FR1757475 A FR 1757475A FR 3069940 A1 FR3069940 A1 FR 3069940A1
- Authority
- FR
- France
- Prior art keywords
- layers
- images
- mapping
- health status
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000036541 health Effects 0.000 title claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 230000003862 health status Effects 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 230000007704 transition Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 77
- 238000001514 detection method Methods 0.000 description 8
- 238000013459 approach Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
La présente invention se rapporte à un procédé de cartographie de l'état sanitaire de cultures à partir d'images issues d'imagerie aérienne, mettant en uvre au moins un type d'imagerie parmi les trois types suivants d'imagerie : visible, multispectral et hyperspectral, mettant en uvre une pluralité de réseaux de neurones convolutifs composés de trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d'effectuer un processus d'apprentissage automatique ; mettant en uvre une architecture hiérarchique, dans laquelle un réseau de neurones convolutif est utilisé pour chaque résolution desdites images, dans laquelle l'information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d'apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées ; et mettant en uvre de verrous de transition permettant de paramétrer l'architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/1, la valeur 0 signifiant qu'aucun passage d'information ne se produit et la valeur 1 indiquant un passage d'information. La présente invention se rapporte également à un système de cartographie de l'état sanitaire de cultures à partir d'images issues d'imagerie aérienne.
Description
La présente invention se rapporte à un procédé de cartographie de l'état sanitaire de cultures à partir d'images issues d'imagerie aérienne, mettant en oeuvre au moins un type d'imagerie parmi les trois types suivants d'imagerie: visible, multispectral et hyperspectral, mettant en oeuvre une pluralité de réseaux de neurones convolutifs composés de trois couches principales: couches de convolution, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d'effectuer un processus d'apprentissage automatique; mettant en oeuvre une architecture hiérarchique, dans laquelle un réseau de neurones convolutif est utilisé pour chaque résolution desdites images, dans laquelle l'information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d'apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales: couches de convolution, couches de sous-échantillonnage et couches totalement connectées; et mettant en oeuvre de verrous de transition permettant de paramétrer l'architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/1, la valeur 0 signifiant qu'aucun passage d'information ne se produit et la valeur 1 indiquant un passage d'information.
La présente invention se rapporte également à un système de cartographie de l'état sanitaire de cultures à partir d'images issues d'imagerie aérienne.
PROCEDE ET SYSTEME DE CARTOGRAPHIE DE L’ETAT SANITAIRE DE
CULTURES
Domaine de l’invention
La présente invention se rapporte au domaine des technologies numériques pour l'agriculture et l'environnement.
La présente invention concerne plus particulièrement un procédé et un système de cartographie de l’état sanitaire de cultures.
Etat de la technique
L’agriculture est confrontée à des préoccupations sanitaires grandissantes. Les pathologies auxquelles se confrontent les agriculteurs génèrent de sérieux problèmes économiques et environnementaux, mettant leur activité en difficulté. L’utilisation des produits de traitement, qui permet de sécuriser la productivité, a des répercussions néfastes et dommageables sur les écosystèmes. Il est nécessaire de garantir la productivité, tout en réduisant l’impact environnemental des produits de traitement. L’utilisation des nouvelles technologies (capteurs, drones, etc.) constitue une démarche prometteuse pour répondre à ce problème. Bien que ces technologies aient connu un développement rapide dans l’agriculture pour les aspects de fertilisation, d’irrigation, etc., la détection et le suivi des maladies, ainsi que la minimisation de l’impact des intrants (phytosanitaires, etc.) est très peu développée.
On connaît dans l’état de la technique le brevet américain N° US 9 530 071 B2, qui divulgue un réseau de neurones convolutif multi-échelles à architecture hiérarchique générant et traitant un ensemble d’images de résolutions différentes à partir d’une image d’entrée.
On connaît également dans l’état de la technique la publication scientifique “Réseaux de neurones convolutionnels multi-échelle pour la classification cellulaire”, P. Buyssens, A. Elmoataz, qui décrit une architecture de réseaux de neurones convolutionnels multi-échelle pour la classification de cellules. Un traitement de l’image est réalisé pour des résolutions différentes de l’image, un réseau de neurones étant associé à chacune des résolutions.
On connaît également dans l’état de la technique la publication scientifique “A framework of extracting multi-scale features using multiple convolutional neural networks”, K.-C. Peng, T. Chen, qui divulgue une architecture de réseaux de neurones convolutifs multi-échelle faisant intervenir une pluralité de réseaux de neurones convolutifs associés chacun à une résolution de l’image d’entrée.
On connaît également dans l’état de la technique la publication scientifique “A survey of image Processing techniques for plant extraction and segmentation in the field”, E. Hamuda, M. Glavin, E. Jones, qui décrit des techniques de traitement d’images. En particulier, ce document de l’état de la technique s’intéresse au prétraitement des images et discute d’algorithmes d’extraction basés sur l’apprentissage. Ce document de l’état de la technique divulgue notamment un post-traitement permettant une amélioration du contraste de l’image et une suppression du bruit.
On connaît également dans l’état de la technique la publication scientifique “Feature learning based approach for weed classification using high resolution aerial images from a digital caméra mounted on a UAV', C. Hung, Z. Xu, S. Sukkarieh, qui divulgue une approche basée sur l’apprentissage pour simplifier l’interprétation des données collectées par des caméras numériques embarquées sur des drones. Cette approche est appliquée aux espèces végétales envahissantes.
On connaît également dans l’état de la technique la publication scientifique “Learning multiscale and deep représentations for classifying remotely sensed imagerÿ”, W. Zhao, S. Du, qui décrit un algorithme de réseau de neurones multi-échelles alimenté par un ensemble d’images, issues d’une même image, à des résolutions différentes. L’apprentissage du réseau de neurone se fait à travers les différentes résolutions.
On connaît également dans l’état de la technique la publication scientifique “Multi-scale volumes for deep object détection and localization”, E. Ohn-bar, M. Manubhai Trivedi, qui décrit des modèles d’apprentissage de réseaux de neurones convolutifs multi-échelles permettant de bénéficier des informations disponibles à chaque résolution.
On connaît également dans l’état de la technique la publication scientifique “Plant identification using deep neural networks via optimization of transfer learning parameters”, M. Mehdipour Gazi, B. Yanikoglu, E. Aptoula, qui divulgue des réseaux de neurones convolutifs pour l’identification d’espèces végétales à partir de photographies, et évalue les facteurs critiques susceptibles d’affecter la performance de ces réseaux.
Exposé de l’invention
La présente invention entend remédier aux inconvénients de l’art antérieur en proposant un procédé permettant de cartographier l’état sanitaire des cultures à partir de l’imagerie aérienne.
Les Inventeurs de la présente invention ont développé un procédé basé sur la détection de l’état sanitaire des cultures à partir d’images aériennes, obtenues par des capteurs montés sur des drones. Les Inventeurs de la présente invention proposent une architecture de détection automatique, qui s’appuie sur l’apprentissage profond ou « Deep Learning » en terminologie anglo-saxonne. Ce type d’outil permet d’analyser l’évolution des foyers et de mettre en œuvre la stratégie optimale de lutte, en appliquant des doses suffisantes, au bon endroit et au bon moment en minimisant l’impact environnemental.
A cet effet, la présente invention concerne, dans son acception la plus générale, un procédé de cartographie de l’état sanitaire de cultures à partir d’images issues d’imagerie aérienne, mettant en œuvre au moins un type d’imagerie parmi les trois types suivants d’imagerie : visible, multispectral et hyperspectral, comportant les étapes suivantes :
- Une étape de prétraitement de données, consistant à traiter les données brutes d’image pour filtrer l’information inutile, de façon à obtenir de nouvelles représentations facilitant l’apprentissage et la classification ;
- Décomposition desdites images en plusieurs échelles à l’aide de méthodes numériques, à l’aide d’étapes de sous-échantillonnage et de sur-échantillonnage, de façon à obtenir des basses et hautes résolutions numériques ;
- Mise en œuvre d’une pluralité de réseaux de neurones convolutifs composés de trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d’effectuer un processus d’apprentissage automatique ;
- Mise en oeuvre d’une architecture hiérarchique, dans laquelle un réseau de neurones convolutif est utilisé pour chaque résolution desdites images, dans laquelle l’information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d’apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées ;
- Mise en œuvre de verrous de transition permettant de paramétrer l’architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/1, la valeur 0 signifiant qu’aucun passage d’information ne se produit et la valeur 1 indiquant un passage d’information ;
- Transmission d’informations entre lesdits niveaux de résolution pour échanger des informations supplémentaires entre deux résolutions successives dans le but de renforcer l’efficacité de l’apprentissage ;
- Fusion des données en générant une probabilité d’appartenance à plusieurs classes de données ; et
- Etablissement d’une cartographie à l’aide des données en affichant des informations pertinentes sur l’état sanitaire des cultures.
Le procédé selon la présente invention permet à un agriculteur d’optimiser ses interventions, d’économiser les intrants et de réduire l’impact environnemental.
De préférence, durant ladite étape de prétraitement de données, lesdites images sont découpées en blocs.
Avantageusement, ladite étape de prétraitement de données comporte une sous-étape de calcul de l’indice NDVI (« Normalised Différence Végétation Index » en terminologie anglo-saxonne).
Selon un mode de mise en œuvre particulier, ladite étape de détection des lignes de culture comporte une sous-étape de segmentation et de détection de contour, suivie d’une transformée de Hough.
Selon un mode de réalisation, lors de ladite étape de décomposition desdites images en plusieurs échelles à l’aide de méthodes numériques, on distingue :
- Résolution physique, dépendant de l’optique utilisée pour la prise de vue et de l’altitude à laquelle l’acquisition desdites images est effectuée : et
- Résolution numérique, qui est obtenue à partir d’un souséchantillonnage ou bien à partir d’un sur-échantillonnage.
Selon un mode de réalisation, ladite couche convolutive consiste en une opération de convolution 2D avec un ensemble de noyaux, pouvant être considéré comme un processus de filtrage générant des cartes de caractéristiques.
Selon un mode de réalisation, ladite couche de sous-échantillonnage est appliquée sur les images filtrées, en utilisant une valeur maximale ou moyenne sur un voisinage de 2 x 2 pixels.
Selon un mode de réalisation, ladite couche entièrement connectée suit la dernière opération des deux premières couches, dites couche convolutive et couche de sous-échantillonnage, et se présente comme un réseau de neurones multicouches, fournissant une sortie indiquant la probabilité d’appartenance à une classe donnée.
Selon un mode de réalisation, lesdites couches dudit réseau de neurones génèrent des cartes de caractéristiques.
Selon un mode de réalisation, ladite étape de fusion des données comporte une sous-étape de construction d’une carte pour chaque résolution suivie d’une fusion à travers un affichage multicouches tel que dans un système d’information géographique ou SIG.
Selon un autre mode de réalisation, ladite étape de fusion des données met en œuvre une fusion par vote majoritaire, le résultat final dépendant du nombre d’occurrences d’une classe sur les différents niveaux de résolution.
Avantageusement, ladite étape d’établissement d’une cartographie met en œuvre un algorithme classifiant chaque zone d’une desdites images, la classification indiquant une catégorie de la zone analysée et chacune des classes de ladite classification correspondant à un état sanitaire identifié.
De préférence, lesdites images sont géoréférencées, ce qui permet de connaître la position GPS (« Global Positioning System » en terminologie anglo-saxonne) de chacun des pixels de chacune desdites images.
Selon un mode de mise en œuvre particulier, ledit procédé comporte en outre une étape de détection des lignes de culture.
La présente invention se rapporte également à un système de cartographie de l’état sanitaire de cultures à partir d’images issues d’imagerie aérienne, mettant en œuvre au moins un type d’imagerie parmi les trois types suivants d’imagerie : visible, multispectral et hyperspectral, comportant :
- Des moyens pour prétraiter des données, consistant à traiter les données brutes d’image pour filtrer l’information inutile, de façon à obtenir de nouvelles représentations facilitant l’apprentissage et la classification ;
- Des moyens pour décomposer lesdites images en plusieurs échelles à l’aide de méthodes numériques, à l’aide d’étapes de souséchantillonnage et de sur-échantillonnage, de façon à obtenir des basses et hautes résolutions numériques ;
- Des moyens pour mettre en œuvre une pluralité de réseaux de neurones convolutifs composés de trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d’effectuer un processus d’apprentissage automatique ;
- Des moyens pour mettre en oeuvre une architecture hiérarchique, dans laquelle un réseau de neurones convolutif est utilisé pour chaque résolution desdites images, dans laquelle l’information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d’apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées ;
- Des moyens pour mettre en œuvre des verrous de transition permettant de paramétrer l’architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/1, la valeur 0 signifiant qu’aucun passage d’information ne se produit et la valeur 1 indiquant un passage d’information ;
- Des moyens pour transmettre des informations entre lesdits niveaux de résolution pour échanger des informations supplémentaires entre deux résolutions successives dans le but de renforcer l’efficacité de l’apprentissage ;
- Des moyens pour fusionner des données en générant une probabilité d’appartenance à plusieurs classes de données ; et
- Des moyens pour établir une cartographie à l’aide des données en affichant des informations pertinentes sur l’état sanitaire des cultures.
Brève description des dessins
On comprendra mieux l’invention à l’aide de la description, faite ci-après à titre purement explicatif, d’un mode de réalisation de l’invention, en référence aux Figures dans lesquelles :
• la Figure 1 illustre une image avec différents spectres ;
• la Figure 2 représente un exemple de construction de plusieurs résolutions à partir de l’image originale (k) ;
• la Figure 3 illustre l’architecture de la structure de détection ;
• la Figure 4 représente l’architecture pour le transfert de données inter-couches d’apprentissage ; et • la Figure 5 illustre un exemple de mesure de zones sensibles sur une image.
Description détaillée des modes de réalisation de l’invention
La présente invention se rapporte à un procédé de cartographie de l’état sanitaire de cultures à partir d’images issues d’imagerie aérienne, mettant en œuvre au moins un type d’imagerie parmi les trois types suivants d’imagerie : visible, multispectral et hyperspectral, comportant les étapes suivantes :
- Une étape de prétraitement de données, consistant à traiter les données brutes d’image pour filtrer l’information inutile, de façon à obtenir de nouvelles représentations facilitant l’apprentissage et la classification ;
- Décomposition desdites images en plusieurs échelles à l’aide de méthodes numériques, à l’aide d’étapes de sous-échantillonnage et de sur-échantillonnage, de façon à obtenir des basses et hautes résolutions numériques ;
- Mise en œuvre d’une pluralité de réseaux de neurones convolutifs 20, 21, 22 composés de trois couches principales: couches de convolution, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d’effectuer un processus d’apprentissage automatique ;
- Mise en oeuvre d’une architecture hiérarchique, dans laquelle un réseau de neurones convolutif est utilisé pour chaque résolution desdites images, dans laquelle l’information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d’apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées ;
- Mise en œuvre de verrous de transition permettant de paramétrer l’architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/1, la valeur 0 signifiant qu’aucun passage d’information ne se produit et la valeur 1 indiquant un passage d’information ;
- Transmission d’informations entre lesdits niveaux de résolution pour échanger des informations supplémentaires entre deux résolutions successives dans le but de renforcer l’efficacité de l’apprentissage ;
- Fusion des données en générant une probabilité d’appartenance à plusieurs classes de données ; et
- Etablissement d’une cartographie à l’aide des données en affichant des informations pertinentes sur l’état sanitaire des cultures.
L’objectif du procédé selon la présente invention est de cartographier l’état sanitaire des cultures à partir de l’imagerie aérienne. Pour cela, différents types d’images sont exploités : visible, multispectral et hyperspectral, comme illustré Figure 1. En exploitant ces données avec un algorithme d’apprentissage automatique, on peut catégoriser chaque zone de l’image. Ceci permet d’établir une carte des zones sensibles dans un champ de culture. Dans ce cadre, les Inventeurs de la présente invention proposent une approche basée sur une analyse multirésolution et l’apprentissage profond ou « Deep Learning » en terminologie anglo-saxonne. Le procédé selon la présente invention s’appuie sur une architecture de réseaux de neurones convolutifs 20, 21, 22 ou « Convolutional Neural Networks (CNN) ».
La Figure 1 illustre une image avec différents spectres. En (a), on observe les canaux standards d’une image dans le visible. En (b), on observe une image multispectrale typique pour l’agriculture. En (c), on observe une image hyperspectrale, qui peut avoir une centaine de bandes spectrales.
Le procédé selon la présente invention comporte une étape de prétraitement de données, consistant à traiter les données brutes d’image pour filtrer l’information inutile, de façon à obtenir de nouvelles représentations facilitant l’apprentissage et la classification.
Dans un mode de réalisation, en ce qui concerne la phase d’apprentissage, les images sont découpées en blocs, ou patches, typiquement 64*64 ou 128*128 pixels. Chaque bloc est répertorié dans une catégorie spécifique, dépendant de l’état sanitaire observé sur le terrain.
Les données brutes sont manipulées pour filtrer l’information utile et obtenir de nouvelles représentations qui facilitent l’apprentissage et la classification. Par exemple, dans un mode de réalisation, à partir des images multispectrales, on peut calculer l’indice NDVI (« Normalised Différence Végétation Index» en terminologie anglo-saxonne). Cet indice reflète l’activité chlorophylle des plantes, une mesure importante pour séparer la végétation du reste. L’analyse en composante principale ou curviligne permet de réduire l’information redondante et d’augmenter les performances de séparation dans l’espace des caractéristiques. Aussi, le filtrage de certaines composantes spectrales permet d’éliminer des informations inutiles.
Dans un mode de réalisation, le procédé selon la présente invention comporte une étape de détection des lignes de culture. Cette étape permet de disposer d’informations a priori sur les positions spatiales de toute culture. Pour cela, il est possible d’envisager une étape de segmentation et de détection de contour suivi, d’une transformée de Hough, ainsi un traitement sur le parallélisme des lignes.
Le procédé selon la présente invention comporte également une étape de décomposition desdites images en plusieurs échelles à l’aide de méthodes numériques, à l’aide d’étapes de sous-échantillonnage et de suréchantillonnage, de façon à obtenir des basses et hautes résolutions numériques. Dans ce cadre, on peut distinguer une résolution physique et une résolution numérique. La première dépend de l’optique et de l’altitude à laquelle l’acquisition est effectuée. La seconde est obtenue à partir d’un souséchantillonnage ou d’un sur-échantillonnage. La Figure 2 représente un exemple de construction de plusieurs résolutions à partir de l’image originale (k).
Les réseaux de neurones convolutifs (CNN), sont parmi les approches les plus efficaces de l’apprentissage automatique appliqué au domaine de l’image. Généralement, ils sont composés de trois couches principales : couches de convolution ou « convolutional layers » en terminologie anglosaxonne, couches de sous-échantillonnage ou « polling layers » en terminologie anglo-saxonne et les couches totalement connectées ou « fully connected (FC) layers » en terminologie anglo-saxonne. Les trois couches principales sont déployées en cascade pour effectuer le processus d’apprentissage. La couche convolutive typique consiste en une opération de convolution 2D avec un ensemble de noyaux, qui peut être considéré comme un processus de filtrage générant des cartes de caractéristiques. La couche de sous échantillonnage est appliquée sur les images filtrées, en utilisant une valeur maximale ou moyenne sur un voisinage de 2*2 pixels. La couche entièrement connectée suit la dernière opération des deux premières couches. Elle se présente comme un réseau de neurones multicouche classique et fournit une sortie indiquant la probabilité d’appartenance à une classe donnée.
Les Inventeurs de la présente invention introduisent une nouvelle architecture basée sur un apprentissage hiérarchique, où, pour chaque résolution, un réseau convolutif est utilisé. L’utilisation de plusieurs résolutions permet d’analyser l’information sur plusieurs niveaux hiérarchiques. Afin de renforcer l’apprentissage, il est judicieux d’utiliser un apprentissage parallèle impliquant plusieurs échelles de résolutions 10, 11, 12. De plus, les éléments d’apprentissage produits au niveau de chaque CNN 20, 21 et 22 sont transmis entre les différentes couches de résolutions. La Figure 3 illustre l’architecture de la structure de détection. Pour une résolution k, on dispose de plusieurs spectres. Les sorties CNN de chaque résolution 10, 11, 12 sont combinées, à l’aide d’un bloc de fusion 23. Ce bloc de fusion 23 compile les résultats obtenus pour avoir une meilleure classification.
On observe sur la Figure 3, les images 10, 11, 12 de différentes résolutions, qui sont transmis à des CNN 20, 21 et 22. Après passage dans les CNN 20, 21 et 22, les données sont transmises dans le bloc de fusion 23, qui fournit une sortie 24.
Le procédé selon la présente invention comporte également une étape de transmission d’information inter niveau de résolution. Le but de cette approche est d’échanger des informations supplémentaires entre deux résolutions successives, afin de renforcer l’apprentissage par une analyse multi-échelles. En effet, les couches « Conv-Pool >> 30, 31, 32 et 33 du réseau génèrent des cartes de caractéristiques. Elles peuvent être différentes dans chaque résolution. Introduire ces cartes dans l’apprentissage pour une résolution donnée permet d’enrichir les phases d’apprentissage et d’avoir une profondeur suffisante de l’espace des caractéristiques pour une meilleure efficacité. Pour les couches « FC >> ou couches totalement connectées 34, 35, 36 et 37, ceci permet de renforcer le réseau de neurones par de nouvelles connexions provenant d’une autre échelle de résolution.
La Figure 4 représente l’architecture pour le transfert de données intercouches d’apprentissage.
On observe sur la Figure 4 que des images 10, 11 de résolution k-1 et k sont transmises aux CNN 20 et 21. Un traitement est d’abord effectué au niveau des couches « Conv-Pool >> 30, 31, 32 et 33 du réseau, puis au niveau des couches «FC >> ou couches totalement connectées 34, 35, 36 et 37.
II est à noter que la transmission des données d’apprentissage entre les résolutions ne mène pas systématiquement aux meilleures performances. Cela dépend du type de données (images utilisées), de l’application visée et de l’ensemble d’apprentissage employé, etc. Pour cette raison, les Inventeurs de la présente invention ont introduit des verrous de transitions pour paramétrer l’architecture et définir quels types de données sont transmises. Ces verrous sont représentés par 0/1, comme illustré Figure 4, 0 signifiant qu’il n’y a pas de passage d’information et 1 indiquant un passage d’information.
Le procédé selon la présente invention comporte également une étape de fusion des données en générant une probabilité d’appartenance à plusieurs classes de données. Une fonction softmax génère une probabilité d’appartenance à une classe. On a une sortie de classification pour chaque résolution. Dans un mode de réalisation, on construit une carte pour chaque résolution, puis on effectue une fusion à travers un affichage multi-couche tel que dans un système d’information géographique ou SIG. Dans un autre mode de réalisation, on effectue une fusion par vote majoritaire : le résultat final dépend du nombre d’occurrences d’une classe sur les différents niveaux de résolutions.
On observe sur la Figure 3 les blocs 38 et 39 de fonction softmax qui sont mis en œuvre avant le bloc 23 de fusion, qui fournit une sortie 24.
Enfin, le procédé selon la présente invention comporte une étape de cartographie. Le but de cette dernière étape est d’afficher des informations pertinentes sur l’état sanitaire d’une culture. Etant donnée une nouvelle acquisition avec image aérienne sur une culture, l’algorithme permet de classifier chaque zone de l’image en utilisant le modèle d’apprentissage présenté ci-dessus. Ce modèle est construit hors ligne (« off line » en terminologie anglo-saxonne. La classification indique la catégorie de la zone analysée, chaque classe correspondant à un état sanitaire bien identifié. Ceci permet d’établir une carte des zones sensibles à l’échelle du pixel ou à l’échelle d’un bloc de N*N, comme illustré sur la Figure 5.
La Figure 5 illustre un exemple de mesure de zones sensibles sur une image acquise par drone et un capteur multispectral avec les bandes suivantes : rouge, vert et proche infrarouge. En (a), on observe l’image originale. En (b), on observe la détection de zone sensible à l’échelle pixelique. En (c), on observe une image originale divisée en blocs de 64*64 pixels. Enfin, en (d), on observe une classification des blocs de l’image.
Dans la plupart des acquisitions, les images sont géoréférencées. Il est donc possible de disposer d’une position GPS de chaque pixel. Ainsi, les résultats obtenus peuvent être intégrés dans un système de gestion des cultures, et peuvent aussi être combinés à des données auxiliaires. Avec ce type de système, les moyens de traitement peuvent être optimisés en agissant sur des zones localisées, ce qui permet de réduire l’impact environnemental, économique et sanitaire.
La présente invention se rapporte également à un système de cartographie de l’état sanitaire de cultures à partir d’images issues d’imagerie aérienne, mettant en œuvre au moins un type d’imagerie parmi les trois types suivants d’imagerie : visible, multispectral et hyperspectral, comportant :
- Des moyens pour prétraiter des données, consistant à traiter les données brutes d’image pour filtrer l’information inutile, de façon à obtenir de nouvelles représentations facilitant l’apprentissage et la classification ;
- Des moyens pour décomposer lesdites images en plusieurs échelles à l’aide de méthodes numériques, à l’aide d’étapes de souséchantillonnage et de sur-échantillonnage, de façon à obtenir des basses et hautes résolutions numériques ;
- Des moyens pour mettre en œuvre une pluralité de réseaux de neurones convolutifs composés de trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d’effectuer un processus d’apprentissage automatique ;
- Des moyens pour mettre en oeuvre une architecture hiérarchique, dans laquelle un réseau de neurones 20, 21, 22 convolutif est utilisé pour chaque résolution desdites images, dans laquelle l’information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d’apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées ;
- Des moyens pour mettre en œuvre des verrous de transition permettant de paramétrer l’architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/1, la valeur 0 signifiant qu’aucun passage d’information ne se produit et la valeur 1 indiquant un passage d’information ;
- Des moyens pour transmettre des informations entre lesdits niveaux de résolution pour échanger des informations supplémentaires entre deux résolutions successives dans le but de renforcer l’efficacité de l’apprentissage ;
- Des moyens pour fusionner des données en générant une probabilité d’appartenance à plusieurs classes de données ; et
- Des moyens pour établir une cartographie à l’aide des données en affichant des informations pertinentes sur l’état sanitaire des cultures.
L’invention est décrite dans ce qui précède à titre d’exemple. Il est entendu que l'homme du métier est à même de réaliser différentes variantes de l'invention sans pour autant sortir du cadre du brevet.
REVENDICATIONS
Claims (18)
- REVENDICATIONS1. Procédé de cartographie de l’état sanitaire de cultures à partir d'images issues d’imagerie aérienne, mettant en œuvre au moins un type d’imagerie parmi les trois types suivants d’imagerie : visible, multispectral et hyperspectral, caractérisé en ce qu’il comporte les étapes suivantes :- Une étape de prétraitement de données, consistant à traiter les données brutes d’image pour filtrer l’information inutile, de façon à obtenir de nouvelles représentations facilitant l’apprentissage et la classification ;- Décomposition desdites images en plusieurs échelles à l’aide de méthodes numériques, à l’aide d’étapes de sous-échantillonnage et de suréchantillonnage, de façon à obtenir des basses et hautes résolutions numériques ;- Mise en œuvre d’une pluralité de réseaux de neurones convolutifs (20, 21, 22) composés de trois couches principales : couches de convolution, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d’effectuer un processus d’apprentissage automatique ;- Mise en oeuvre d’une architecture hiérarchique, dans laquelle un réseau de neurones convolutif est utilisé pour chaque résolution desdites images, dans laquelle ('information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d’apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales : couches de convolution, couches de sous-échantillonnage et couchés totalement connectées ;- Mise en œuvre de verrous de transition permettant de paramétrer l’architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/1, la valeur 0 signifiant qu’aucun passage d’information ne se produit et la valeur 1 indiquant un passage d’information ;- Transmission d’informations entre lesdits niveaux de résolution pour échanger des informations supplémentaires entre deux résolutions successives dans le but de renforcer l’efficacité de l’apprentissage ;- Fusion des données en générant une probabilité d’appartenance à plusieurs classes de données ; et- Etablissement d’une cartographie à l’aide des données en affichant des informations pertinentes sur l’état sanitaire des cultures.
- 2. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon la revendication 1, caractérisé en ce que, durant ladite étape de prétraitement de données, lesdites images sont découpées en blocs.
- 3. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon la revendication 1 ou 2, caractérisé en ce que ladite étape de prétraitement de données comporte une sous-étape de calcul de l’indice NDVI (« Normalised Différence Végétation Index » en terminologie anglo-saxonne).
- 4. Procédé de cartographie de l’état sanitaire de cultures à partir d'images selon l’une des revendications précédentes, caractérisé en ce que lors de ladite étape de décomposition desdites images en plusieurs échelles à l’aide de méthodes numériques, on distingue :- Résolution physique, dépendant de l’optique utilisée pour la prise de vue et de l’altitude à laquelle l’acquisition desdites images est effectuée : et- Résolution numérique, qui est obtenue à partir d’un sous-échantillonnage ou bien à partir d’un sur-échantillonnage.
- 5. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications précédentes, caractérisé en ce que ladite couche de convolution consiste en une opération de convolution 2D avec un ensemble de noyaux, pouvant être considéré comme un processus de filtrage générant des cartes de caractéristiques.
- 6. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications précédentes, caractérisé en ce que ladite couche de sous-échantillonnage est appliquée sur les images filtrées, en utilisant une valeur maximale ou moyenne sur un voisinage de 2 x 2 pixels.
- 7. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications précédentes, caractérisé en ce que ladite couche totalement connectée suit la dernière opération des deux premières couches, dites couche de convolution et couche de sous-échantillonnage, et se présente comme un réseau de neurones multicoucbes, fournissant une sortie indiquant la probabilité d’appartenance à une classe donnée.
- 8. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications précédentes, caractérisé en ce que lesdites couches dudit réseau de neurones génèrent des cartes de caractéristiques.
- 9. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications précédentes, caractérisé en ce que ladite étape de fusion des données comporte une sous-étape de construction d’une carte pour chaque résolution suivie d'une fusion à travers un affichage multicouches tel que dans un système d’information géographique ou SIG.
- 10. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications 1 à 8, caractérisé en ce que ladite étape de fusion des données met en œuvre une fusion par vote majoritaire, le résultat final dépendant du nombre d’occurrences d’une classe sur les différents niveaux de résolution.
- 11. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications précédentes, caractérisé en ce que ladite étape d’établissement d’une cartographie met en œuvre un algorithme classifiant chaque zone d’une desdites images, la classification indiquant une catégorie de la zone analysée et chacune des classes de ladite classification correspondant à un état sanitaire identifié.
- 12. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon 5 l’une des revendications précédentes, caractérisé en ce que lesdites images sont géoréférencées, ce qui permet de connaître la position GPS (« Global Posiïioning System » en terminologie anglo-saxonne) de chacun des pixels de chacune desdites images.10
- 13. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon l’une des revendications précédentes, caractérisé en ce qu’il comporte en outre une étape de détection des lignes de culture.
- 14. Procédé de cartographie de l’état sanitaire de cultures à partir d’images selon
- 15 la revendication 13, en ce que ladite étape de détection des lignes de culture comporte une sous-étape de segmentation et de détection de contour, suivie d’une transformée de Hough.15. Système de cartographie de l’état sanitaire de cultures à partir d’images
- 20 issues d’imagerie aérienne, mettant en œuvre au moins un type d’imagerie parmi les trois types suivants d’imagerie ; visible, multispectral et hyperspectral, caractérisé en ce qu’il comporte :- Des moyens pour prétraiter des données, consistant à traiter les données brutes d’image pour filtrer l’information inutile, de façon à obtenir de
- 25 nouvelles représentations facilitant l’apprentissage et la classification ;- Des moyens pour décomposer lesdites images en plusieurs échelles à l’aide de méthodes numériques, à l’aide d’étapes de sous-échantillonnage et de sur-échantillonnage, de façon à obtenir des basses et hautes résolutions numériques ;
- 30 - Des moyens pour mettre en œuvre une pluralité de réseaux de neurones (20, 21, 22) convolutifs composés de trois couches principales : couches de convolutîon, couches de sous-échantillonnage et couches totalement connectées, lesdites couches principales étant déployées en cascade afin d'effectuer un processus d’apprentissage automatique ;- Des moyens pour mettre en oeuvre une architecture hiérarchique, dans laquelle un réseau de neurones convolutif est utilisé pour chaque5 résolution desdites images, dans laquelle l'information est analysée sur plusieurs niveaux hiérarchiques et dans laquelle les éléments d’apprentissage produits au niveau de chacun desdits réseaux de neurones convolutifs sont transmis entre les différentes couches de résolution, au niveau des trois couches principales : couches de10 convolution, couches de sous-écharitillonnage et couches totalement connectées ;- Des moyens pour mettre en œuvre des verrous de transition permettant de paramétrer l’architecture et définir quels types de données sont transmises, lesdits verrous de transition étant représentés par 0/i, la15 valeur 0 signifiant qu’aucun passage d’information ne se produit et la valeur 1 indiquant un passage d’information ;- Des moyens pour transmettre des informations entre lesdits niveaux de résolution pour échanger des informations supplémentaires entre deux résolutions successives dans le but de renforcer l’efficacité de20 l’apprentissage ;- Des moyens pour fusionner des données en générant une probabilité d’appartenance à plusieurs classes de données ; et- Des moyens pour établir une cartographie à l’aide des données en affichant des informations pertinentes sur l’état sanitaire des cultures.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1757475A FR3069940B1 (fr) | 2017-08-03 | 2017-08-03 | Procede et systeme de cartographie de l’etat sanitaire de cultures |
PCT/FR2018/051962 WO2019025716A1 (fr) | 2017-08-03 | 2018-07-31 | Procede et systeme de cartographie de l'etat sanitaire de cultures |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1757475 | 2017-08-03 | ||
FR1757475A FR3069940B1 (fr) | 2017-08-03 | 2017-08-03 | Procede et systeme de cartographie de l’etat sanitaire de cultures |
Publications (2)
Publication Number | Publication Date |
---|---|
FR3069940A1 true FR3069940A1 (fr) | 2019-02-08 |
FR3069940B1 FR3069940B1 (fr) | 2019-09-06 |
Family
ID=60627744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR1757475A Expired - Fee Related FR3069940B1 (fr) | 2017-08-03 | 2017-08-03 | Procede et systeme de cartographie de l’etat sanitaire de cultures |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3069940B1 (fr) |
WO (1) | WO2019025716A1 (fr) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084796B (zh) * | 2019-04-24 | 2023-07-14 | 徐州市肿瘤医院 | 一种复杂纹理ct图像的分析方法 |
CN110378295B (zh) * | 2019-07-22 | 2022-12-20 | 安徽理工大学 | 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法 |
GR1009898B (el) * | 2020-05-12 | 2021-01-08 | Γεωργιος Αθανασιου Φευγας | Μεθοδος ανιχνευσης και αξιολογησης βιοτικου-αβιοτικου στρες σε καλλιεργειες απο θερμικες φωτογραφιες με χρηση τεχνητης νοημοσυνης |
CN112836610B (zh) * | 2021-01-26 | 2022-05-27 | 平衡机器科技(深圳)有限公司 | 一种基于遥感数据的土地利用变化与碳储量定量估算方法 |
CN113390806B (zh) * | 2021-06-15 | 2023-11-10 | 崔薇 | 基于多尺度图像的生菜重金属含量检测方法 |
CN113945537A (zh) * | 2021-09-27 | 2022-01-18 | 桂林电子科技大学 | 一种高准确度近红外光谱定量模型建立方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016054802A1 (fr) | 2014-10-10 | 2016-04-14 | Beijing Kuangshi Technology Co., Ltd. | Réseau hiérarchique interconnecté multi-échelles à convolution pour décomposition d'images |
-
2017
- 2017-08-03 FR FR1757475A patent/FR3069940B1/fr not_active Expired - Fee Related
-
2018
- 2018-07-31 WO PCT/FR2018/051962 patent/WO2019025716A1/fr active Application Filing
Non-Patent Citations (3)
Title |
---|
"ECCV 2016 conference", vol. 10111, 22 September 2016, SPRINGER INTERNATIONAL PUBLISHING, Cham, ISBN: 978-3-319-69952-3, ISSN: 0302-9743, article NICOLAS AUDEBERT ET AL: "Semantic Segmentation of Earth Observation Data Using Multimodal and Multi-scale Deep Networks", pages: 180 - 196, XP055402133, 032548, DOI: 10.1007/978-3-319-54181-5_12 * |
D MARMANIS ET AL: "SEMANTIC SEGMENTATION OF AERIAL IMAGES WITH AN ENSEMBLE OF CNNS", ISPRS ANNALS OF PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES, 6 June 2016 (2016-06-06), Gottingen, pages 473 - 480, XP055469666, Retrieved from the Internet <URL:https://www.ethz.ch/content/dam/ethz/special-interest/baug/igp/photogrammetry-remote-sensing-dam/documents/pdf/marmanis-isprs16.pdf> [retrieved on 20180421], DOI: 10.5194/isprs-annals-III-3-473-2016 * |
ZHAO WENZHI ET AL: "Learning multiscale and deep representations for classifying remotely sensed imagery", ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING, AMSTERDAM [U.A.] : ELSEVIER, AMSTERDAM, NL, vol. 113, 1 February 2016 (2016-02-01), pages 155 - 165, XP029430320, ISSN: 0924-2716, DOI: 10.1016/J.ISPRSJPRS.2016.01.004 * |
Also Published As
Publication number | Publication date |
---|---|
FR3069940B1 (fr) | 2019-09-06 |
WO2019025716A1 (fr) | 2019-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FR3069940B1 (fr) | Procede et systeme de cartographie de l’etat sanitaire de cultures | |
Milella et al. | In-field high throughput grapevine phenotyping with a consumer-grade depth camera | |
Gandhi et al. | Plant disease detection using CNNs and GANs as an augmentative approach | |
Jiang et al. | Multi-spectral RGB-NIR image classification using double-channel CNN | |
WO2020107687A1 (fr) | Système et procédé de détection de limite de zone de travail basée sur la vision, et équipement de machine | |
CN108228696B (zh) | 人脸图像检索方法和***、拍摄装置、计算机存储介质 | |
US11636701B2 (en) | Method for calculating deviation relations of a population | |
WO2019106179A2 (fr) | Procede de caracterisation d'echantillons utilisant des reseaux de neurones | |
EP3707676A1 (fr) | Procédé d'estimation de pose d'une caméra dans le référentiel d'une scène tridimensionnelle, dispositif, système de réalite augmentée et programme d'ordinateur associé | |
EP2491518A2 (fr) | Methode et système pour évaluer la ressemblance d'un objet requête à des objets de référence | |
EP3832535A1 (fr) | Procédé de détection d'au moins un élément d'intérêt visible dans une image d'entrée au moyen d'un réseau de neurones à convolution | |
CN111105389A (zh) | 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法 | |
FR3087033A1 (fr) | Procedes d'apprentissage de parametres d'un reseau de neurones a convolution et de detection d'elements d'interet visibles dans une image | |
EP3674741A1 (fr) | Système et procédé d'identification de source radar | |
Yu et al. | Three-channel infrared imaging for object detection in haze | |
CN116883650A (zh) | 一种基于注意力和局部拼接的图像级弱监督语义分割方法 | |
Liyanage et al. | Hyperspectral imaging methods improve RGB image semantic segmentation of unstructured terrains | |
EP3633545A1 (fr) | Procedes d'apprentissage de parametres d'un reseau de neurones a convolution, de detection d'elements d'interet visibles dans une image et d'association d'elements d'interet visibles dans une image | |
Abisha et al. | Brinjal leaf diseases detection based on discrete Shearlet transform and Deep Convolutional Neural Network | |
Qiao et al. | Rotation is all you need: Cross dimensional residual interaction for hyperspectral image classification | |
WO2020165544A1 (fr) | Identification de zones roulables avec prise en compte de l'incertitude par une méthode d'apprentissage profond | |
Nardari et al. | Crop anomaly identification with color filters and convolutional neural networks | |
Liu et al. | Joint network combining dual-attention fusion modality and two specific modalities for land cover classification using optical and SAR images | |
Adeem et al. | Classification of Citrus Canker and Black Spot Diseases using a Deep Learning based Approach | |
FR3067144A1 (fr) | Procede de determination du type de route sur laquelle evolue un vehicule |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLSC | Publication of the preliminary search report |
Effective date: 20190208 |
|
PLFP | Fee payment |
Year of fee payment: 3 |
|
PLFP | Fee payment |
Year of fee payment: 4 |
|
PLFP | Fee payment |
Year of fee payment: 5 |
|
PLFP | Fee payment |
Year of fee payment: 6 |
|
ST | Notification of lapse |
Effective date: 20240405 |