Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

2 septembre 2018

Internship M2-6 mois- Deep learning and Plant Disease Imaging


Catégorie : Stagiaire


IMAGERIE ET DEEP LEARNING APPLIQUES A LA DETECTION DE MALADIES DE LA VIGNE

Lieu du stage : Laboratoire LARIS de l’Université d’Angers en collaboration avec l’INRA de Colmar

Période 6 mois durant l’année universitaire 2018-2019. Possibilités de poursuite en thèse ou sous la forme de contrat ingénieur

Contacts: pour plus d’information contacter avec un CV et un email de motivation david.rousseau@univ-angers.fr et sabine.merdinoglu-wiedemann@inra.fr

Detail du stage : https://uabox.univ-angers.fr/index.php/s/HuiqPBP6UBCCAGz

 

Contexte: Les défis du dérèglement climatique appèlent à un suivi plus poussé des cultures pour comprendre l’impact de scénarios météorologiques inédits, ou encore pour faire face au développement de maladies émergentes liées notamment à la globalisation. Dans ce contexte, l’imagerie appliquée aux problématiques de l’agriculture est un domaine en plein essor car elle permet des méthodes non invasives à relativement bas-coût et haut-débit par rapport aux traditionnelles approches manuelles. Dans ce stage nous nous concentrons sur l’étude de l'oïdium qui est une des maladies majeures de la vigne et dont impact économique sur la viticulture va croissant. En effet, l'impact extrêmement négatif de l'oïdium sur la récolte et en particulier sur le goût du vin, impose un contrôle strict de la maladie par l'épandage fréquent de fongicides polluants et coûteux. Dans le but de proposer des solutions pour une viticulture plus durable, l’INRA de Colmar conduit un programme de sélection visant à créer des variétés de vigne produisant des vins de qualité et dotées de résistances durables à l’oïdium.

Sujet: L’identification de la résistance se fait actuellement par imagerie RGB via des approches classiques basées sur des espaces de descripteurs (features) sélectionnés par des experts sur la base de l’observation des images. Ces méthodes montrent leurs limites dans le cas de l'odium notamment quand la texture des feuilles est proche de celle de l’oïdium. Nous proposons d’adopter une approche de type machine learning où les features sont automatiquement sélectionnés via des réseaux de neurones (deep learning [1]) permettant ainsi de combiner davantage de paramètres que ne le propose un dispositif construit par un expert.

Profil: Le/La candidate sélectionné(e) rejoindra un consortium pluridisciplinaire et international regroupant des biologistes, des informaticiens et des opticiens. Des compétences solides en traitement d’images et des connaissances de bases en imagerie et en sciences des données sont attendues ainsi qu’un intérêt pour les applications dans les sciences du vivant.

Detail du stage : https://uabox.univ-angers.fr/index.php/s/HuiqPBP6UBCCAGz

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.