CIRAD-AMAP

calibration d'un simulateur de croissance de plante en utilisant un reseau de neurones

L’étude de la croissance des arbres est essentiellement menée sur leur partie caulinaire. Le système racinaire reste le parent pauvre, essentiellement à cause de la difficulté de son observation tout particulièrement pour ce qui concerne le suivi de croissance. Les membres de l’UMR Amap mènent des études sur ces deux compartiments qui vont des expériences et observations sur le terrain jusqu’à la modélisation et la simulation de la croissance pour de multiples espèces.

DeepHornet- Détection, caractérisation et quantification des attaques de frelon asiatique sur l’abeille domestique par des méthodes de deep-learning et de vidéo-surveillance

Le stage consiste à mettre en place des méthodes de traitement automatique de détection d’objets dans les vidéos à base de Réseaux de Neurones Profonds pour alléger le travail des opérateurs tout en fiabilisant les comptages. Comme très peu de publications rendent compte des travaux engagés sur ce domaine [3,4], l’étudiant devra porter ses recherches bibliographiques sur le domaine connexe du traitement des vidéos de trafics routiers ou de foule [5,6], et identifier les réseaux de neurones les plus à même de donner de bons résultats.

Spécialisation d’un réseau de neurones de localisation et de classification pour la mise en place d’un outil d’évaluation de la maturité de la mangue par analyse d’images.

Le/la stagiaire travaillera à partir d’un jeu d’images de plus de 1200 mangues de la variété Kent acquis
durant la saison mangue 2019 au Sénégal et Côte d’Ivoire (cf. Fig. 1). Chacun de ces fruits a été
photographié en condition in situ (2 faces) et en laboratoire en condition de lumière contrôlée (2 faces
+ 1 pulpe par fruit) avec un appareil photo numérique RGB. Le niveau de maturité de chaque fruit a été
estimé par des mesures de paramètres physico-chimiques (dimensions, poids, fermeté, pH, acidité
titrable, °brix).

Deep-forest : Evaluation du potentiel de la photo THR pour l’identification des essences en forêt tropicale hétérogène

le/la stagiaire travaillera à partir de différents jeux d’images multi-échelles (cf. Fig. 1) acquises en 2016 par le CNES sur trois points spécifiques à haute valeur ajoutée scientifique :
(1) l’évaluation du réseau Mask R-CNN (He et al. 2017) – ou équivalent - pour l’identification des essences à partir de données optiques dans des images pré-segmentées de couverts forestiers denses ;
(2) la recherche et l’évaluation d’un réseau permettant de coupler détection et identification des essences à partir de données optiques dans des images non segmentées ;

réseau de neurone de classification pour la mise en place d’un outil d’évaluation des rendements du manguier

Le/la stagiaire travaillera à partir de différents jeux d’images multi-échelles collectées au Sénégal en 2017-2018 sur trois points spécifiques à haute valeur ajoutée scientifique en agriculture numérique : (1) l’adaptation du réseau Mask R-CNN (He et al. 2017) pour la qualification de la maturité des fruits (récoltés ou in situ) à partir des surfaces visibles; (2) la modification du réseau Faster-RCNN (Ren et al. 2017, Peng et al. 2016) pour le comptage et la qualification simultanés de fruits en pré-récolte, i.e.