Upload
ancel-loisel
View
104
Download
0
Embed Size (px)
Citation preview
Apports de la vision cognitive pour la détection précoce de bioagresseurs
Céline Hudelot, Monique ThonnatÉquipe ORION, INRIA
Paul BoissardUrih, INRA
17/06/2005 INRA
2/24
Plan de la presentation
Introduction État de l’art Notre approche: une plate forme de vision
cognitive Un système pour le diagnostic précoce
des pathologies du rosier Conclusion et perspectives
17/06/2005 INRA
3/24
Introduction: L’action PIC
« Production intégrée dans un système de cultures sous serre lourde » Axe : moyens de détection et de contrôle
Développement de méthodes génériques Capteurs innovants : vers un contrôle non destructif Caractériser l’état de fonctionnement de la culture
17/06/2005 INRA
4/24
Introduction: Objectifs
Objectifs biologiques: Détection précoce des maladies et de la
présence de ravageurs Automatisation de la surveillance de l’état
sanitaire des plantes Un diagnostic plus précis et pouvant être quantifié Non limité à l’œil humain (visibilité et subjectivité) Une surveillance continue
Connaître les pathologies : capitalisation de la connaissance en pathologie Rendre la connaissance des experts pathologistes
disponible à un plus grand nombre de personnes, plus rapidement
17/06/2005 INRA
5/24
État de l’art
Vision par ordinateur pour la production agricole: Tri, contrôle de qualité: pomme, cerise, oignon, rose,
tomate, … Détection de mauvaises herbes [Manh,03], [De
Mezzo,04] Reconnaissance de conidies [Bernier & al, 2000] Dénombrement d’insectes dans les serres [Bauch &
al, 2004, Greensys]+Des systèmes industriels- Des solutions très spécifiques pour chaque application- Représentation explicite et utilisation de la
connaissance
17/06/2005 INRA
6/24
État de l’art
Systèmes à base de connaissances pour l’aide au diagnostic de pathologies végétales: Beaucoup de “ systèmes experts conventionnels” à entrée
textuelle se basant sur des questions et des règles TOM (INRA, [Blancard]) : diagnostic des pathologies de la
tomate et prescription de traitements VEGES ([Yialouris & al, 1997]): diagnostic de la présence de
ravageurs, des maladies et des désordres nutritionnels pour 6 cultures légumières sous serre
+ Rendre l’expertise disponible plus rapidement- Dépend de l’observateur et de sa capacité à comprendre
les anomaliesIntégration de techniques de vision cognitive pour automatiser le contrôle sanitaire
17/06/2005 INRA
7/24
Notre approche: Vision cognitive
Définition: Étude de l’acquisition et de l’utilisation de la
connaissance et du raisonnement en vision par ordinateur
De la « reconstruction visuelle » aux ordinateurs « qui savent voir »
SAVOIRSAVOIR
FAIRE
17/06/2005 INRA
8/24
Approche: Motivations
Pourquoi la vision cognitive ? Diagnostic des pathologies végétales = acte
visuel visant à déduire la présence de maladies par l’observation de signes et symptômes
SAVOIR RAISONNER : interprétation des signes et des symptômes en terme de pathologies
SAVOIR VOIR : Focalisation sur
les critères pertinents
Réseaux en forme d’étoile de filaments blanc et fins (5-10 μ)Présence d’une région elliptique au centre du réseauConditions climatique: Humidité importante, Température : 25 °C
Apparition précoce d’oïdium dans des conditions favorables
Diagnostic précoce:Image microscopique (x64) d’une feuille de rosier
17/06/2005 INRA
9/24
Approche: Motivations
Au début d’une infection: Pas d’altération significative et détectable du
fonctionnement de la plante Méthodes comme mesure de la température
de surface, de la reflectance, de la fluorescence non efficaces à ce stade
Méthodes biochimiques, PCR portable : très chère et petit échantillonnage
Techniques d’images : bonnes méthodes pour les ravageurs et les maladies externes
17/06/2005 INRA
10/24
Approche : Une plate forme réutilisable
Objectif Automatiser la reconnaissance d’objets
complexes dans leur environnement naturel Pas un n-ième système spécifique dédié à une
application donnée Proposer des solutions génériques et
facilement réutilisables
Plate forme de vision cognitive: un environnement réutilisable pour faciliter la construction de systèmes d’interprétation sémantique d’images particuliers
17/06/2005 INRA
11/24
Approche: Une plate forme modulaire
Reconnaissance d’objets à partir d’images: 3 sous problèmes: Traitement d’images: description numérique
des objets Transformation numérique <-> symbolique Interprétation sémantique des données
symboliques en termes de concepts du domaine d’application
Une architecture distribuée basée sur la
coopération de trois systèmes à base de connaissances
17/06/2005 INRA
12/24
Approche: vue globale de la plate forme
Interpretation semantique
Moteur d’interpretation
Modele de representation de la connaissance
semantique
Gestion de donnees visuelles
Pilotage de programmes de TI
Ontologie de concepts
visuels
Moteur
Moteur de pilotage
Modele de representationde la connaissance
Modele de representationde la connaissance
Ontologie de Concepts de traitementd’images
Plate forme de vision cognitive
17/06/2005 INRA
13/24
Niveau sémantique
Niveau visuel
Niveau image
Aleurode: forme elliptique, symétrique, de couleur blanche/ jaunâtre, de longueur 1 a 2 mm
Perception:
ensemble de
pixels
Connaissance sémantique a priori
PUCERONM
INSECTE
ALEURODE ACARIEN
INFECTION D’INSECTES
Lien de composition
Lien de spécialisation
ANTENNES
TRIPS
Après le traitement d’images: plusieurs régionsNe correspondent pas forcement à des objets physiques
Description à l’aide d’une ontologieDe concepts visuels
Region 1:Area : 105compactness :0.9Circularity : 0.85HSV (0.05,0.2, 0.6) ...
Description à l’aide de concepts image
Ancrage de symbole
17/06/2005 INRA
14/24
Approche: Interprétation sémantique
Rôle : Donner un sens sémantique à la scène observée dans l’image Raisonnement classificatoire dans la taxonomie de
concepts du domaine Propagation d’hypothèses sur les objets présents dans
l’image
Connaissance sémantique du domaine d’application Description visuelle des concepts du domaine par des
concepts visuels prédéfinis (ontologie de concepts visuels)
Taxonomie de concepts Information contextuelle non visuelle
17/06/2005 INRA
15/24
Approche: Gestion des données visuelles
Rôle: Mise en correspondance entre les symboles et les
données extraites des images Raisonnement spatial pour la gestion de plusieurs objets
Connaissances: Représentation explicite et floue du lien entre des
symboles (concepts visuels) et les descripteurs numériques mesurables dans les images
Définition et représentation des relations spatiales Plusieurs critères (règles):
Extraction d’objets visuels (contraindre le traitement d’images)
Déduction spatiale Évaluation résultats du traitement d’images
17/06/2005 INRA
16/24
Approche: Traitement d’images
Rôle : Extraction et description numérique des objets
Comment Utilisation de techniques de pilotage de
programmes (plutôt qu’une procédure fixe) Automatisation de la réutilisation de programmes
pré existants en planifiant les traitements et en contrôlant les exécutions
Connaissances : Représentation explicite de la connaissance
sur l’utilisation d’une bibliothèque de programmes.
17/06/2005 INRA
17/24
Approche: Originalité
Séparation des différents types d’expertises nécessaires
Séparation de la connaissance et du raisonnement. Pour chaque module: Un moteur réutilisable Un formalisme de représentation de la
connaissance Un langage de représentation
Deux ontologies réutilisables
17/06/2005 INRA
18/24
Système d’interprétation sémantique particulier
Approche: Principe d’utilisation
Pour une application particulière
Plate forme de
vision cognitive
Expert du domaineutilise
Interprétation sémantique
Construit
Expert en vision
utiliseGestion des données visuelles
Construit
Expert en traitement d’images
utilise
Utilisateur
Pilotage de programmes de TI
Construit
Moteur d’interprétation
Moteur de gestion de données visuelles
Moteur de pilotage de
programmes
17/06/2005 INRA
19/24
Application
Application de la plate forme de vision cognitive pour le diagnostic précoce des pathologies du rosier de serre Construction d’une base de connaissances du domaine:
Description des signes et symptômes observables à l’échelle microscopique du rosier de serre
Organe étudié: feuille
Construction d’une base de connaissance de gestions de données visuelles
Construction d’une base de connaissances de pilotage de programmes de traitement d’images:
Bibliothèque PANDORE (ENSI Caen) Développement d’algorithmes de traitement d’images:
fonctionnalités non présentes dans PANDORE
17/06/2005 INRA
20/24
Application
Acquisition de la connaissance par des interviews d’experts pathologistes (Marc Bardin et Philippe Nicot, INRA Avignon et Nicole Ballino, INRA Frejus) Un arbre composé de 45 classes du domaine Représentation explicite d’un contexte du
domaine et d’un contexte d’acquisition d’images
Règles d’initialisation et de post interpretation
17/06/2005 INRA
21/24
Conclusion : Bilan
Plate forme de vision cognitive Thèse « informatique » soutenue: validation
des idées proposées Une plate forme « en chantier » : un prototype
Système de diagnostic des pathologies végétales du rosier: Trois bases de connaissances comprenant 218
frames et 73 règles Bases de gestion de données visuelles et de
pilotage de programmes minimales (non dépendante de l’application)
L’évaluation reste à faire
17/06/2005 INRA
22/24
Conclusion : Bilan
Actuellement: rendre la plate forme opérationnelle Rattachement d’un ingénieur informatique (Nicolas
Chlecq) pour une durée de 6 mois 1ere étape:
Courant juillet : livraison du Parser (d’une base de connaissance KRIL a un fichier C++)
Tester la version actuelle de la plate forme, validation de l’application biologique
2ere étape: INRA: Enrichissement de la base de connaissances du
domaine Base de connaissances insectes
INRIA: Parser pour le module de gestion de données visuelles Enrichissement des deux autres bases de connaissances ?
17/06/2005 INRA
23/24
Conclusion : Bilan
3eme étape: Intégration d’un module d’apprentissage pour la mise en
correspondance entre concepts visuels et données images (Travaux de Nicolas Maillot)
Symbol grounding problem
A priori knowledge approach
Explicit fuzzy representation of symbol matching with image
dataExplicit matchingVisualConcept{name Circular_Surface
Super Concept Elliptical_SurfaceSymbol name eccentricityLinguistic-values [ high very_high]FuzzySet Fhigh ={0.57, 0.62, 0.76, 0.84}Fvery_high ={0.76, 0.84, 1, 1}Domain [0 1]
Learning from samples approach
Image Data DescriptorSelection
Training
Image samples
Learned matching
17/06/2005 INRA
24/24
Conclusion: Perspectives
Connexion avec le contrôle du système-serre: données fournies par la plate-forme à l’entrée du pilotage du système (cf L. Mailleret), aide à la décision (approche contextuelle)
Optimisation des Capteurs et de leur positionnement
Aspects Multi-résolution Connexions avec d’autres thématiques
scientifiques : Aspect spatio-temporel de l’évolution d’une maladie (épidemiologie)
Aide au diagnostic via l’indexation d’une base d’images : recherche de cas
Apprentissage de la segmentation (Vincent Martin)