Mots-Clés
machine vision
manguier
clémentinier
cacaoyer
poids
image 2D
statistiques
rendement
Description
Lieu : UPR HortSys, Campus de Baillarguet, 34000 Montpellier - France
Niveau : BAC + 5
Durée et période : 6 mois à partir du 1er avril 2026
Mots clé : machine vision, manguier, clémentinier, cacaoyer, poids, image 2D, statistiques, rendement
Contexte :
Mesurer, estimer et prédire le rendement des espèces fruitières est un enjeu majeur en arboriculture. L’incertitude associée a en effet des répercutions logistiques, organisationnelles, agronomiques ou encore économiques qui sont importantes aussi bien au niveau parcellaire qu’à l’échelle de l’exploitation, du bassin de production, et du pays (Carletto et al. 2015). Le développement durable des filières fruitières est fortement freiné par le manque d’outils prédictifs permettant de dresser l’état de la production, de la floraison à la récolte (Sarron et al. 2022). Dans ce contexte, il est indispensable d’améliorer les moyens de suivi des variables du rendement des arbres fruitiers (nombre de fruits, calibre, maturité, etc.) pour faire face aux enjeux de déploiement de l’agroécologie en arboriculture (Dibbern et al. 2024). Depuis 2019, le Cirad (unités HortSys et AMAP) développe l’expertise PixFruit® dont l’objectif est de fournir des outils d’aide à la décision basés sur l’agriculture numérique, incluant notamment l’analyse d’image et la modélisation du rendement (Alexandre et al. 2023). Les outils PixFruit® se basent en premier lieu sur des algorithmes de deep learning dont les performances permettent d’extraire des informations à partir d’images 2D (Faye et al. 2025).
Cependant, ces outils sont limités par le fait qu’ils estiment uniquement le nombre de fruits, qui est une composante essentielle mais non suffisante pour caractériser le rendement en fruits du verger. La mesure des dimensions et du poids de chaque fruit est importante pour l’estimation du rendement mais également pour estimer la distribution du calibre, qui est un critère commercial important. Or, le poids et les dimensions du fruit sont des variables estimées à l’échelle de l’arbre avec des méthodes souvent destructives et manuelles. L’intégration de ces estimations dans les outils actuellement disponibles est une étape clé pour répondre aux besoins des acteurs des filières fruitières. La principale difficulté consiste à relier les informations extraites d’objets 2D par machine vision (détection de fruits) aux variables du calibre (poids et dimensions), dans le contexte variable des vergers : diversité variétale, variations de couleur et de stade phénologique des fruits, occlusions, ombrages et superpositions entre arbres. Les images 2D, acquises avec des moyens accessibles (smartphones), ne permettent pas d’extraire facilement les informations de profondeur nécessaires au calcul des dimensions des fruits.
De plus, l’acquisition de données hétérogènes et multi-échelles soulève aussi la question de l’intégration et de l’extrapolation des variables entre les échelles fruit, arbre et verger pour produire des données à haute valeur ajoutée exploitables par les producteurs et les chercheurs (notamment la distribution des calibres,). Ces problématiques de traitement et d’intégration des données ne sont à l’heure pas ou très peu traitée dans le domaine applicatif, freinant ainsi le développement d’outils intégratifs pour appuyer le développement agroécologique de l’arboriculture fruitière (comme les OADs de Pixfruit®).
Objectif, méthodes et résultats attendus :
L’objectif de stage est de mettre au point des méthodes d’estimation des variables exprimant le calibre des fruits (dimensions et poids) à partir d’images 2D acquises l’échelle de l’arbre. Pour répondre à ces objectifs, le stage va s’appuyer sur plusieurs jeux de données acquis sur le manguier (Réunion, Sénégal, Côte d’Ivoire), le clémentinier (Corse) et le cacaoyer (Colombie). Ces jeux de données contiennent des images d’arbres portant des fruits, des boîtes englobantes de détection de ces fruits par des algorithmes de deep learning et des mesures de calibre de certains fruits.
Le stage visera donc à calibrer, tester et valider des modèles permettant d’estimer le calibre des fruits à partir des informations extraites des détections d’organes réalisées par les algorithmes de deep learning. Les détections de fruits ont déjà été obtenues à partir de différent type d’images (2D sol, vidéo, 3D drone) acquises à différents stade (de la nouaison à récolte) et différentes échelles (fruit, arbre, verger).
Activité 1 : Extraction des variables de calibre à partir d’image 2D
L’objectif est de corréler les données issues des images (boîtes de détection ou fruits segmentés) avec les mesures de référence (vérité terrain), telles que les dimensions des fruits. Cette modélisation exploitera les résultats de l’analyse d’images 2D, en particulier les boîtes englobantes générées par les réseaux de détection, afin de les mettre en relation avec les mesures réelles effectuées sur certains fruits identifiés.
Cette activité abordera également une phase plus exploratoire visant à travailler sur d’autres approches d’extraction des informations de profondeur des images (ex : segmentation des boîtes englobantes). Après un travail de bibliographie, le/la stagiaire devra proposer et mettre en oeuvre des méthodes permettant d’extraire les informations de profondeur sur des images 2D (Lin et al. 2020; Yeh et al. 2024).
Activité 2 : Intégration multi-échelle des données
Cette seconde activité se focalisera sur l’extrapolation des données de calibre estimé à l’echelle fruit par l’activité 1 à l’échelle de l’arbre et du verger en vue de quantifier la distribution des calibres à ces échelles. Il s’agira de combiner et de tester différentes approches pour i) filtrer les fruits ou boites englobantes d’intérêts permettant d’obtenir une information fiable du calibre à l’échelle de l’arbre (filtre sur les dimensions des boites, leur position, etc.) et ii) réaliser des extrapolations statistiques pour estimer la distribution des calibres.
Profil recherché
Etudiant.e issu.e d’un cursus Bac +5 en école d’ingénieur et/ou Master en agriculture numérique (TIC), analyse d’images (proxy-détection), bio-informatique ou biostatistique mais le sujet reste toutefois ouvert à toute autre formation similaire.
- Compétences solides en modélisation statistique sur le logiciel R est un prérequis.
- Compétences souhaitées en analyse d’images.
- Autonomie et aptitude à travailler sur des sujets pluridisciplinaires.
- Gout pour la recherche scientifique et volonté de poursuivre sur une thèse sera un plus.
Conditions de stage
Le/la stagiaire sera accueilli.e au sein de l’unité HortSys de Montpellier et et co-encadré.e par Emile Faye (HortSys/CIAT, Colombie) et Julien Sarron (HortSys, Montpellier), co-lead de PixFruit ®. Indemnité mensuelle selon les textes en vigueur et tickets restaurant. Des missions de terrain pourront être réalisées en France métropolitaine selon les besoins.
Plus largement, ce stage intervient dans le cadre du projet PEPR TreeD-RESIST (2026-2030). Dans ce contexte, le/la stagiaire pourra participer à un large projet de recherche impliquant plusieurs équipes de différents instituts (INRAE, INRIA, UMontpellier, …).
Ce travail de stage pourra donner lieu à une poursuite en thèse sur le projet TreeD-RESIS dont les financements sont déjà acquis.
Candidature : Il est demandé à chaque candidat.e d’envoyer un CV et une lettre de motivation (1 page max) par email aux co-encadrants (voir contacts). Une audition par visioconférence pourra ensuite être proposée.
Contacts : Julien Sarron : julien.sarron@cirad.fr – Emile Faye : emile.faye@cirad.fr
Références
-Alexandre C, Tresch L, Sarron J, et al (2023) Creating shared value(s) from On-Farm Experimentation: ten key lessons learned from the development of the SoYield® digital solution in Africa. Agron Sustain Dev 43:38. https://doi.org/10.1007/s13593-023-00888-7
-Carletto C, Jolliffe D, Banerjee R (2015) From Tragedy to Renaissance: Improving Agricultural Data for Better Policies. The Journal of Development Studies 51:133–148. https://doi.org/10.1080/00220388.2014.968140
-Dibbern T, Romani LAS, Massruhá SMFS (2024) Main drivers and barriers to the adoption of Digital Agriculture technologies. Smart Agricultural Technology 8:100459. https://doi.org/10.1016/j.atech.2024.100459
-Faye, E., Koffi, J.M.K., Borianne, P., Normand, F. , Sarron, J. (In press). PixFruit®: Revolutionizing mango value chains with AIdriven decision support tool. Acta Horticulturae. ISHS 2025.
-Lin G, Tang Y, Zou X, et al (2020) Color-, depth-, and shape-based 3D fruit detection. Precision Agric 21:1–17. https://doi.org/10.1007/s11119-019-09654-w
-Sarron J, Beillouin D, Huat J, et al (2022) Digital agriculture to fulfil the shortage of horticultural data and achieve food security in sub-Saharan Africa. Acta Hortic 239–246. https://doi.org/10.17660/ActaHortic.2022.1348.33
-Yeh M-T, Chen T-C, Pai N-S, Cheng C-H (2024) Monocular Depth Estimation of 2D Images Based on Optimized U-net with Transfer Learning. Sensors and Materials 36:2569. https://doi.org/10.18494/sam4822