Mise au point de méthodes pour l'estimation des dimensions et de la masse individuelle de mangues par analyse d'image

Carlier Maxime. 2021. Mise au point de méthodes pour l'estimation des dimensions et de la masse individuelle de mangues par analyse d'image. Lyon : INSA de Lyon, 49 p. Mémoire de master 2 : BioInformatique et modélisation : Institut national des sciences appliquées de Lyon

Encadrement : Sarron, Julien ; Normand, Frédéric ; Faye, Emilie

Résumé : Les outils de l'agriculture numérique représentent un intérêt pour l'horticulture en Afrique de l'Ouest mais leur développement reste limité à ce jour. Ces dernières années, la solution PixFruit Mangue (Cirad/SOWIT) a été lancée afin d'estimer le rendement du manguier à partir d'images RVB, de mettre en relation les acteurs de la filière fruitière et d'alimenter une banque de données sur la production de mangues en Afrique. L'estimation de la masse des fruits par analyse d'images est une voie d'amélioration pour mieux estimer le rendement de l'arbre. L'hétérogénéité des mangues dans l'arbre (forme, masse, volume) est davantage prise en compte. Le stage traite de l'estimation des dimensions et de la masse des mangues par analyse d'image. Les mangues ont été sélectionnées parmi 4 variétés de La Réunion : 'Cogshall', 'José', 'Kent' et 'Nam Dok Maï'. Dans ce mémoire, une étude des relations allométriques entre la masse, le volume et des variables morphologiques mesurées sur le fruit a été réalisée. Les relations allométriques sont différentes d'une variété à l'autre. Un modèle a donc été défini pour chaque variété. Nous avons pu mettre en évidence que la combinaison de variables L:W:T (L pour longueur, W pour largeur et T pour épaisseur) permet d'estimer précisément la masse du fruit. La combinaison L:W2 s'avère également convaincante et permet de s'affranchir de la mesure de l'épaisseur. Des images RVB de fruit provenant des 4 mêmes variétés ont été segmentées pour estimer les dimensions du fruit ainsi que sa masse. La méthode de segmentation est fiable et s'adapte à de nombreuses conditions extérieures (luminosité, impuretés, branchage). Différents indices ont été récupérés sur les images et les modèles d'estimation ont été comparés. La combinaison de variables L:W2, calculée à partir d'indices sur l'objet segmenté, estime la masse du fruit avec une erreur d'environ 13% dans les conditions extérieures. Ensuite, les images à l'échelle de l'arbre ont été traitées, en récupérant les sorties du réseau de neurones Faster R-CNN [1] entraîné pour la détection de mangues de la variété 'Kent'. Les dimensions des boîtes englobantes ont été utilisées pour estimer les dimensions du fruit. L'erreur du modèle se situe autour de 25%, il y a donc une forte perte de précision à l'échelle de l'arbre. Plusieurs raisons peuvent expliquer ces erreurs : la relation entre masse et LW2 b b, les dimensions des boîtes englobantes développées par le réseau de détection de mangues, l'orientation du fruit dans l'arbre lors de la prise d'image, la position relative des objets dans l'image notamment par rapport à la mire centimétrique et par rapport au centre de l'image.

Mots-clés libres : Image analysis, Mango, Fruit size, Fruit weight, RGB

Auteurs et affiliations

• Carlier Maxime, INSA de Lyon (FRA)

Source : Cirad-Agritrop (https://agritrop.cirad.fr/599148/)

Métriques

[ Page générée et mise en cache le 2021-10-05 ]