Annonce

Les commentaires sont clos.

Stage IMS Bordeaux : Implémentation embarquée de réseaux de neurones profonds pour le diagnostic de maladies de la vigne.

15 December 2023

Catégorie : Stagiaire

Intitulé

Implémentation embarquée de réseaux de neurones profonds pour le diagnostic de maladies de la vigne.

Contexte

La Flavescence Dorée (FD) est une maladie de dépérissement de la vigne, très contagieuse, sans traitement curatif, et qui entraine un arrachage systématique des pieds contaminés. C’est pourquoi la grande majorité du vignoble français fait l’objet d’une obligation légale de surveillance, par des organismes habilités. Afin d’aider les prospecteurs, le laboratoire IMS a développé dans le cadre du projet ANR Prospect FD, des outils de détection de la FD sur les images, utilisant des méthodes de deep learning [1,2].
Cette maladie se caractérise par un complexe de symptômes qu’il faut d’abord détecter puis associer avec différentes algorithmes d’IA. Une partie des symptômes (sur feuilles) sont détectables avec un réseau de détection (Yolo), une autre partie (sur branches et sur grappes) avec un réseau de segmentation (U-Net). Ils sont ensuite associés sous la forme d’un graphe et soumis à un algorithme décisionnel (Graph Neural Network ou GNN). Ces algorithmes sont aujourd’hui implémentés hors-ligne, et font appel à des bibliothèques logicielles diverses. Leur exécution en parallèle est coûteuse en calculs, ce qui rend impossible une implémentation sur des calculateurs embarqués, pourtant incontournable pour un passage à l’échelle de ce type d’outils.

Missions

L’objectif général du stage est d’aboutir à une implémentation temps réel de ces approches algorithmiques. Deux missions sont attendues. La première mission sera l’unification des deux algorithmes d’identification de symptômes en une seule et même architecture capable de traiter en parallèle les tâches de détection et de segmentation. L’utilisation du réseau YOEO [3] récemment proposé est une voie privilégiée. Ce réseau devra être entrainé sur les bases de données disponibles puis implémenté sur des ordinateurs embarqués de type Nvidia Jetson.
La seconde mission portera sur l’association, par GNN, des symptômes détectés sur plusieurs images correspondant à un même pied de vigne, vu sous plusieurs angles, de part et d’autre du même rang de vigne. La représentation de ces symptômes sous la forme d’un graphe nécessite un recalage géométrique des images. Une première version de l’algorithme d’association a été proposé dans la thèse de Malo Tardif [4] reposant sur un recalage simpliste. Il s’agira donc, pour cette deuxième partie de stage, d’améliorer l’algorithme de recalage en combinant des techniques d’imagerie (mise en correspondance d’images par points clés [5]) et de géolocalisation spatiale (utilisation d’un GNSS RTK).

Références
[1] M. Tardif et al., “Two-Stage Automatic Diagnosis of Flavescence Dorée Based on Proximal Imaging and Artificial Intelligence: A Multi-Year and Multi-Variety Experimental Study,” OENO One 56, no. 3 (September 19, 2022): 371–84, https://doi.org/10.20870/oeno-one.2022.56.3.5460
[2] M. Tardif et al., "Automatic diagnosis of a multi-symptom grapevine disease by decision trees and Graph Neural Networks". European Conference on Precision Agriculture, Bologna, Italy, 2023.
[3] F. Vahl et al., “YOEO–You Only Encode Once: A CNN for Embedded Object Detection and Semantic Segmentation,” in Proceedings of the International Conference on Robotics and Biomimetics (ROBIO), Sanya, China, 2021. https://doi.org/10.1109/ROBIO54168.2021.9739597
[4] M. Tardif, “Proxidétection et approches neuronales pour l’aide au diagnostic de maladies multi-symptômes de la vigne”, thèse de doctorat, Université de Bordeaux, 2023. https://www.youtube.com/watch?v=gRCv9rqts7o
[5] D.G. Lowe, “Object Recognition from Local Scale-Invariant Features,” in Proceedings of the Seventh IEEE International Conference on Computer Vision, Kerkyra, Greece, 1999i. https://doi.org/10.1109/ICCV.1999.790410

Profil recherché

  • Vous êtes en dernière année d’un master ou d’une école d’ingénieurs avec une spécialisation dans les domaines de la vision par ordinateur, de l’intelligence artificielle ou de la robotique.
  • Vous avez de bonnes connaissances en traitement d’images, en machine learning. En particulier, vous avez des connaissances sur le deep learning et les réseaux de neurones convolutionnels...
  • Vous avez de solides compétences en algorithmique et dans les langages de développement tels que Python et les principales bibliothèques de traitement d’image (OpenCV) et d’intelligence artificielle (Pytorch, Tensorflow…). Une expérience en implémentation embarqué sur carte Nvidia sera un plus.
  • Vous êtes rigoureux, organisé et autonome.
  • Vous avez un esprit critique, et êtes capables de faire votre propre analyse dans la recherche de défauts de fonctionnement.
  • Vous maitrisez l’anglais à l’oral et à l’écrit.

Organisation du stage et modalités de candidature

  • Lieu du stage : Laboratoire IMS – Groupe Signal et Image, campus de Talence (33).
  • Durée : 6 mois à partir de février/mars 2021.
  • Envoyer par mail une lettre de candidature et un CV aux adresses ci-dessous.

Contacts

Jean-Pierre Da Costa, IMS, Tél : 05 4000 2634, jean-pierre.dacosta@ims-bordeaux.fr
Barna Keresztes, IMS, Tél : 05 4000 2484, barna.keresztes@ims-bordeaux.fr