Analyse comparative de la sensibilité de méthodes pour l’étude de la prédiction de la fraction verte au travers de la résolution et de la diversité d’échelles spatiales - DUMAS - Dépôt Universitaire de Mémoires Après Soutenance Access content directly
Master Thesis Year : 2020

Comparative analysis of the sensitivity of methods for studying the prediction of the green fraction through the resolution and diversity of spatial scales

Analyse comparative de la sensibilité de méthodes pour l’étude de la prédiction de la fraction verte au travers de la résolution et de la diversité d’échelles spatiales

Mario Serouart
  • Function : Author

Abstract

High throughput phenotyping is developing rapidly for varietal selection and precision farming applications. The green fraction, the fraction of green pixels in an image, is one of the most useful features for tracking vegetation development that can be extracted from high-resolution images taken from a range of systems. However, this range, as varied as it may be, results in a diversity of image resolution and feature sizes, which undeniably implies an alteration in the accuracy of the estimated green fraction, due to the mixed pixel fraction, and the fact that relevant information on the objects under study varies at different spatial scales. A first study phase consisted in estimating the average size of the elements composing the image through variograms, then artificially simulating a degradation of the spatial resolution of the images. The objectives of the proposed study are to evaluate and compare the performance of different types of approaches in order to estimate the relative sensitivity of green fraction prediction to the resolution and diversity of spatial scales. Methods based on deep learning have been shown to be the most effective at high resolution. For moderate degradation, pixel-based methods take over and seem to minimize information loss. Finally, a strongly degraded resolution implies the use of regression methods to directly estimate the green fraction. A second study focused on the learning of scale-dependent patterns is also presented, it results that an insertion of object size diversity allowed better results thanks to a better representation of the object as a whole, for deep learning, and conversely for pixel-based methods.
Le phénotypage à haut débit se développe rapidement pour les applications de sélection variétale et d'agriculture de précision. La fraction verte, la fraction de pixels verts dans une image, est l'un des traits les plus utiles pour suivre le développement de la végétation qui peut être extrait d’images à haute résolution prises à partir d’une gamme de systèmes. Cependant, cette gamme, aussi variée soit-elle, se traduit par une diversité de résolution d’images et de taille d'éléments différentes, ce qui implique indéniablement une altération de la précision de la fraction verte estimée, en raison de la fraction de pixels mélangés, et des informations pertinentes sur les objets étudiés variant selon les échelles spatiales. Une première phase d'étude a consisté à estimer la taille moyenne des éléments composant l'image au travers de variogrammes, puis à simuler artificiellement une dégradation de la résolution spatiale des images. Les objectifs de l'étude proposée sont d'évaluer et de comparer les performances de différents types d'approches afin d'estimer la sensibilité relative de la prédiction de la fraction verte à la résolution et à la diversité des échelles spatiales. Il a été prouvé que les méthodes basées sur l’apprentissage profond, sont les plus efficaces à haute résolution. Pour une dégradation modérée les méthodes basées sur les pixels prennent le dessus et semblent minimiser la perte d'information. Enfin une résolution fortement dégradée, implique l’utilisation de méthodes de régression afin d’estimer directement la fraction verte. Une seconde étude portée sur l’apprentissage des motifs échelle-dépendants est aussi présentée, il en résulte qu’une insertion de diversité de taille d’objets permet de meilleurs résultats grâce à une meilleure représentation de l’objet dans sa globalité pour l’apprentissage profond, à l’inverse pour les méthodes basées sur le pixel.
Fichier principal
Vignette du fichier
serouart2020_Serouart_Mario_Science-des-données.pdf (2.4 Mo) Télécharger le fichier
Origin : Files produced by the author(s)

Dates and versions

dumas-02968772 , version 1 (16-10-2020)

Licence

Attribution - NonCommercial - NoDerivatives

Identifiers

  • HAL Id : dumas-02968772 , version 1

Cite

Mario Serouart. Analyse comparative de la sensibilité de méthodes pour l’étude de la prédiction de la fraction verte au travers de la résolution et de la diversité d’échelles spatiales. Sciences du Vivant [q-bio]. 2020. ⟨dumas-02968772⟩
82 View
81 Download

Share

Gmail Facebook X LinkedIn More