Phénotypage au champ des traits structurels du blé par imagerie RGB à résolution millimétrique

Le progrès génétique est l'un des principaux leviers utilisés pour accroître la production alimentaire et nourrir la population humaine croissante dans un contexte de changement global. La sélection ou la création du cultivar optimal pour un endroit donné est très difficile compte tenu de la très grande variabilité spatiale et temporelle des conditions environnementales. Le phénotypage au champ, c'est-à-dire le suivi quantitatif des variables d'état des cultures et du fonctionnement du couvert, a été reconnu comme le goulot d'étranglement pour accélérer le progrès génétique. Dans cette thèse pluridisciplinaire, des méthodes statistiques et de traitement d’images sont développées afin d’estimer différents traits structuraux de cultures de blé pour application à l’amélioration variétale. Cette thèse a été entreprise au moment où la technologie progresse très rapidement, à la fois sur les aspects matériels et logiciels : accessibilité aux plates-formes de drones et de véhicules sans pilote, diminution du coût des unités de traitement graphique (GPU) explosion du développement des algorithmes d'apprentissage profond. Cette thèse s’articule en cinq chapitres : Le premier chapitre introduit les motivations de l’étude ainsi que les besoins actuel en matière de phénotypage haut débit. Un état de l’art sur le phénotypage est aussi présenté en attirant l’attention sur les méthodes de traitements d’images et de réseaux de neurones convolutifs. Le deuxième chapitre présente le développement de méthodologies permettant d’estimer la hauteur du couvert à partir d’observations par drone ou par robot roulant au sol. La faisabilité de deux principales technologies et plateformes ont été comparées et prouvées: le LiDAR porté par un véhicule au sol et des images RVB acquises par drone. Les deux chapitres suivants adressent le problème de l’estimation de la densité d’épis et de tiges de blé par images à haute résolution spatiale. Les résultats montrent le potentiel et les limites de l’apprentissage profond pour ces applications. L’accent est aussi mis sur l’étude des différentes configurations d’acquisitions possibles et le débit de la méthode. Le dernier chapitre revient sur les principaux résultats élaborés au cours de cette thèse et ouvre différentes perspectives pour le phénotypage haut-débit en remplacement ou complément des mesures manuelles classiquement réalisées par les sélectionneurs et propose des pistes pour améliorer les méthodes développées.Genetic progress is one of the major leverage used to increase food production and satisfy the needs for the increasing human population under global change issues. Selecting or creating the optimal cultivar for a given location is quite challenging considering the very large spatial and temporal variability of the environmental conditions. Field phenotyping, i.e. the quantitative monitoring of crop state variables and canopy functioning, was recognized as the bottleneck to accelerate genetic progress and increase crop yield. This multidisciplinary study develops statistical and image processing methods to estimate the several structural traits of wheat to be applied to crop breeding. Further, this thesis was undertaken in the context of rapid hardware and software technological advancements illustrated by the increasing accessibility to UAV (Unmanned Aerial Vehicle) and UGV (Unmanned Ground Vehicle) platforms, the decreasing cost of processing units (GPUs, cloud computing) and the boom in the development of deep learning algorithms. This manuscript is divided into five chapters: The first chapter introduces the motivation behind the study as well as the current needs for high throughput phenotyping. A state of the art on phenotyping is also achieved by drawing attention to image processing methods and convolutional neural networks. The second chapter presents the development of methodologies for estimating the crop height. The feasibility of two main technologies and platforms were compared and proven: LiDAR mounted on a UGV and RGB (Red Green Blue) images acquired by a UAV. The next two chapters address the problem of estimating the density of wheat ears and stems from spatial high-resolution images. The results show the potential and limitations of deep learning for this application. Emphasis is also put on the study of the different possible acquisition configurations and the throughput of the method. The last chapter summarizes the pipelines developed and draws different perspectives of high throughput phenotyping to replace or supplement in-situ measurements as well as the improvement facilitated by the methods developed