As part of the optimization of the photogrammetry step of the Phenoscale product, development and implementation of an action plan to optimize drone image processing times while maintaining the quality of results
Dans le cadre de l’optimisation de l’étape de photogrammétrie du produit Phenoscale, élaboration et mise en œuvre d’un plan d’actions pour optimiser les temps de traitement des images drones tout en maintenant la qualité des résultats
Abstract
Hiphen, founded in 2014, is a private company specializing in image analysis for agriculture, and more specifically in high-throughput phenotyping. Phenoscale is their drone-based high-throughput phenotyping offering. With demand for this service growing, Hiphen is turning to the industrialization of Phenoscale. The aim is to migrate processing to cloud computing technology (AWS) in order to handle an ever-increasing volume of data while maintaining high quality.
The project presented in this thesis focuses on improving the photogrammetry stage, which is a key phase in Phenoscale's processing chain. Photogrammetry involves the 3D modelling of the field overflown by the drone from 2D images, a crucial step for the accurate reconstruction of field data. However, diagnostics have revealed weaknesses in this process, leading to slowdowns, interruptions and manual human intervention in the data processing flow. Improving this step is therefore essential to optimize throughput and ensure that Phenoscale processing is compatible with cloud computing. By extension, this will enhance Hiphen's competitiveness.
The dissertation first details the diagnosis carried out to identify the specific problems encountered during the photogrammetry stage. Based on this analysis, proposals for improvement and standardization were formulated, grouped into an action plan structured around three main axes: automation of repetitive tasks, optimization of photogrammetric calculation parameters, and training of project managers to reinforce their technical skills. This action plan, a large part of which was implemented during the year, has already shown promising results in terms of improved processing performance. Once its implementation is finalized, Phenoscale's photogrammetric processing will be able to be carried out by a cloud computing service.
Hiphen, fondée en 2014, est une entreprise privée spécialisée dans l’analyse d’image pour l’agriculture et plus précisément dans le phénotypage à haut débit. Phenoscale est l’offre de phénotypage à haut débit par drone. Avec la croissance de la demande pour ce service, Hiphen se tourne vers l’industrialisation de Phenoscale. L’objectif est de migrer les traitements vers une technologie de cloud computing (AWS) afin de traiter un volume toujours croissant de données tout en maintenant une qualité élevée.
Le projet présenté dans ce mémoire se concentre sur l'amélioration de l'étape de photogrammétrie, qui est une phase clé de la chaîne de traitement de Phenoscale. La photogrammétrie consiste à modéliser en 3D le champ survolé par drone à partir d'images 2D, une étape cruciale pour la reconstitution précise des données de terrain. Cependant, les diagnostics réalisés ont révélé des faiblesses dans ce processus, entraînant des ralentissements, des interruptions et des interventions humaines manuelles dans le flux de traitement des données. Améliorer cette étape est donc essentiel pour optimiser le débit et assurer une compatibilité des traitements Phenoscale avec le cloud computing. Par extension, cela renforcera la compétitivité d’Hiphen.
Le mémoire détaille tout d'abord le diagnostic effectué pour identifier les problèmes spécifiques rencontrés lors de l'étape de photogrammétrie. À partir de cette analyse, des propositions d'amélioration et de standardisation ont été formulées, regroupées dans un plan d'actions structuré en trois axes principaux : l'automatisation des tâches répétitives, l'optimisation des paramètres de calcul photogrammétrique, et la formation des chefs de projets pour renforcer leurs compétences techniques. Ce plan d'actions, dont une grande partie a été mise en œuvre au cours de l'année, a déjà montré des résultats prometteurs en termes d'amélioration des performances des traitements. Une fois sa mise en œuvre finalisée, les traitements photogrammétriques de Phenoscale pourront être réalisés par un service de cloud computing.
| Origin | Files produced by the author(s) |
|---|