Céline HUDELOT, Monique THONNAT INRIA Paul BOISSARD, Guy PEREZ, Pierre PYRRHA INRA Antibes-URIH

1. Apports de la vision par ordinateur pour la détection et le suivi de pathologies végétales: application à l’étude de l’interaction hôte/parasite du couple rose/oïdium Céline HUDELOT, Monique THONNATINRIA Paul BOISSARD, Guy PEREZ, Pierre PYRRHA INRA Antibes-URIH Collaboration: Nicole BALLINO, Géraldine GUIGNON, Frédéric FERRERO INRA Antibes-Fréjus 3èmes Rencontres du groupe OïdiumS INRA Fréjus 04/04/2002

2. Objectifs • Conception d’un système de vision générique permettant une détection précoce et une identification des pathologies végétales in situ: • Reconnaissance d’objets complexes (champignons, insectes,…) par l’utilisation conjointe de techniques de traitement d’images et d’intelligence artificielle • Application au cas de la détection précoce de l’oidium du rosier en serre • Intégration dans un programme de Production Intégrée des Cultures (Action PIC) visant à réduire l’utilisation de fongicides et de pesticides 3ème Rencontres Groupe OïdiumS

3. Le diagnostic des pathologies végétales (1/2) • Acte visuel consistant à déduire la présence d’une maladie par l’observation des signes ou symptômes caractéristiques • Signes = structures observables du pathogène présentes sur la plante malade (conidies, mycélium,…) • Symptômes = changements observables résultants de la réaction de la plante vis à vis du pathogène (tache, nécrose, …) • Compétences nécessaires: • Savoir observer: focalisation sur les critères les plus pertinents • Savoir raisonner: interprétation des signes et symptômes en terme de maladies (création, élimination, validation d’hypothèses) 3ème Rencontres Groupe OïdiumS

4. Le diagnostic des pathologies végétales (2/2) • Domaine d’expertise: • Possédant un vocabulaire spécifique (souvent descriptif) • ex: nécrose = dessèchement des tissus, couleur brune, limite distincte Problème de la communication entre les différents acteurs (horticulteurs, techniciens, …) • Nécessite de la précision, de la fiabilité et de la rapidité Intérêt d’une détection précoce, identification précise par les signes • Est limité par la limite de la vision humaine (utilisation d’outils de grossissement ) Moyens destructifs, observation hors de la serre • Echelle d’observation de l’expert est individuelle Problème de la transmission des compétences, de la comparaison des descriptions 3ème Rencontres Groupe OïdiumS

5. Problème de recalage Choix du capteur et de sa résolution Difficulté de la procédure d’acquisition in situ Passage du langage de l’expert en pathologie au langage de l’expert vision: - Acquisition de la connaissance - Représentation de la connaissance - Utilisation de la connaissance... Difficulté moins importante Utilisation de bibliothèque de TI existante Pourquoi utiliser la vision? • Automatisation du diagnostic des pathologies végétales par l’utilisation de techniques de traitement d’images et d’intelligence artificielle permettant: • Une détection in situ non destructive • Une détection précoce • Modélisation du savoir et savoir faire de l ’expert • Mesurer une information qualitative mais aussi quantitative de la maladie • Suivi d’une pathologie (mesure de l’impact d’un traitement) 3ème Rencontres Groupe OïdiumS

6. Principe (1/2) Extraction de paramètres descriptifs par un système de traitement d’images Description numérique et/ou symbolique (image) de l’objet d’intérêt Interprétation Images ou séquence d’images Informations sur la scène Facteurs de risque Extraction du contexte de l’analyse Diagnostic Connaissances externes a priori (capteurs externes : température, humidité, …) Savoir Observer Savoir Raisonner 3ème Rencontres Groupe OïdiumS

7. Principe(2/2) Extraction de paramètres descriptifs par un système de traitement d’images Filament: ensemble de points connexes: Paramètres de taille + longueur et largeur filament + aire, aire enveloppe convexe… Paramètres de nombre + nombre d’extrémités + nombre d’objets Paramètres de forme + Compacité + Circularité… Interprétation Oïdium présent Phase d’extension Pas de fructification Si (feuille jeune) et si (objet = mycélium_bien _ramifie) et si (conditions extérieures = conditions optimales) alors oïdium en phase d’extension Images ou séquence d’images Moyennes colorimétriques de la feuille : age, aspect, face Extraction du contexte de l ’analyse Température: 20°C Humidité: 100% 3ème Rencontres Groupe OïdiumS

8. Un travail en 3 étapes • Modélisation de l’expertise du domaine sous la forme d’une base de connaissances décrivant les critères observables: signes et symptômes précoces • Développement d’algorithmes de reconnaissance de formes • Moteur d’interprétation adapté au diagnostic et au suivi des pathologies 3ème Rencontres Groupe OïdiumS

9. Contexte Une des maladies foliaires fongiques les plus importantes Toujours présente Conditions optimales de développement: 20°C humidité relative élevée Lutte chimique ou biologique Symptomatologie Macroscopique: Feutrage blanc/gris d’aspect duveteux sur parties herbacées Taches rouges sur la partie inférieure des feuilles gaufrage Microscopique: Présence de conidies non germées Structures filamentaire Grande quantité de conidies + conidiophores (fructification) L ’oïdium du rosier:Sphaerotheca pannosa lév., var rosae 3ème Rencontres Groupe OïdiumS

10. Le cycle de l’oïdium 3ème Rencontres Groupe OïdiumS

11. Le cycle de l’oïdium Loupe binoculaire (1 pixel = 1,5 microns) Développement mycélien Présence de conidies non germées Développement mycélien Vidéomicroscope (1 pixel = 3,7 microns) Visibilité à l’œil nu Conidiophores + fructification Conidiophores Conidiophores + fructification 3ème Rencontres Groupe OïdiumS

12. . Amas de conidies non germées - A quoi reconnaît-on que ce sont des conidies? - A quoi reconnaît-on que ce sont des conidies de Sphaerotheca pannosa? .Ensemble de régions: - contour: elliptique - couleur: blanc/gris - intérieur: plus sombre que sur les bords Mesures globales: couleur moyenne, taille, périmètre, compacité, excentricité, moment d’inertie, aire convexe, concavité, convexité, … - Problème des occlusions Modélisation des critères observables(exemple 1) Critères expert Critères vision 3ème Rencontres Groupe OïdiumS

13. Modélisation des critères observables (exemple 2) Critères expert Critères vision

14. Manipulations • But: Acquisition de données représentatives de l'évolution précoce de la maladie • 2 approches: • approche laboratoire (Frejus) • Inoculations primaires et secondaires (pinceau et cil) de la maladie sur jeunes folioles prises en serre • Suivi de l'évolution • approche serre (URIH) • Surveillance de plusieurs sites jugés à risque: jeunes feuilles uniquement 3ème Rencontres Groupe OïdiumS

15. Conclusion • Système de vision semble être un bon moyen pour détecter et identifier les premiers signes et symptômes • Point essentiel de la Protection Intégrée (traitements ponctuels: levures) • Apport d’une information quantitative • Limitation du problème aux sites particulièrement sensibles: ciblage des jeunes feuilles • Dans le cadre d’un souci de production, ébauche d’un outil capable d’établir l’état sanitaire d’une culture à un moment donné (en parallèle avec ce qui se fait au niveau de la nutrition ou du climat)