Applications de la vision artificielle pour le phénotypage de la vigne

Abstract

Computer vision systems are powerful tools to assess canopy status, fruit grading, and yield in agriculture. This work shows the application of machine vision techniques for grapevine phenotyping under laboratory and field conditions. The first approach aimed at determining automatically the number of flowers per inflorescence using a low cost camera under field conditions. Strong and significant relationships, with R2 above 0.8 in Tempranillo, Graciano and Carignan cultivars were observed between actual and automated estimation of inflorescence flower numbers. The second approach aimed at analysing cluster morphology using image analysis under laboratory conditions. Berry weight, berry number per cluster and cluster weight were estimated using several algorithms of image processing. The best results (R2 between 0.69 and 0.95 in berry detection and between 0.65 and 0.97 in cluster weight estimation) were achieved using the Canny algorithm. The model’ s capability based on image analysis to predict berry weight was R2=0.84. The third approach aimed at working outdoors, developing in-field systems capable of assessing the leaf area and yield of the vineyard by acquisition and processing of digital images. Our algorithms allowed the total leaf area (R2=0.81; p<0.001) and yield (R2=0.73; p=0.002) per vine to be estimated. In conclusion, computer vision techniques can be applied in viticulture for plant phenotyping and vineyard monitoring. A large set of samples can be automatically measured, saving time and providing more objective and precise information.

Keywords : computer vision, image analysis, cluster components, grapevine, vineyard monitoring

Résumé

Les systèmes de vision par ordinateur sont de puissants outils, qui pour l'agriculture permettent d'évaluer l'état de la canopée, , la qualité des fruits et le rendement. Ce travail montre l'application de la vision artificielle appliquée au phénotypage de la vigne en laboratoire et sur le terrain. La première approche vise à déterminer le nombre de fleurs par inflorescence automatiquement en situation terrain, à l'aide d’une caméra à faible coût. Les corrélations entre les valeurs réelles et l’estimation automatisée du nombre de fleurs d'une inflorescence sont significatives avec un R2 supérieur à 0.80 pour les cépages Tempranillo, Graciano et Carignan. La deuxième approche est destinée à l'analyse morphologique du fruit grâce à la vision articifielle en laboratoire. Le poids de la baie, ainsi que le nombre de baies par grappe et le poids de la grappe ont été estimés en utilisant plusieurs algorithmes de traitement d'images. Les meilleurs résultats (R2 entre 0.69 et 0.95 pour la détection de la baie et entre 0.65 et 0.97 pour l’estimation du poids de la grappe) ont été obtenus en utilisant l'algorithme Canny. Le modèle basée sur la vision artificielle par permet de prédire le poids de la baie était de R2=0.84 . La troisième approche est destinée à travailler à l'extérieur, pour développer des systèmes de terrain capables d'évaluer la surface foliaire et le rendement du vignoble par acquisition et traitement d’images. Les algorithmes développés permettent d’évaluer la surface foliaire totale (R2=0.81; p<0.001) et le rendement (R2=0.73; p=0.002). En conclusion, la vision artificielle peut être appliquée dans le domaine de la viticulture pour le phénotypage du vignoble et son monitoring. Un grand nombre d'échantillons peuvent être automatiquement mesurées, offrant un gain de temps et des informations précises et plus objectives.

Mots-clés : vision artificielle , analyse d’images, compacité de la grappe, vigne, moniting du vignoble