Segmentation sémantique et par instance de nuages de points 3D de plantes
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Mirande, Katia
Date de soutenance : 16-12-2022

Directeur(s) de thèse : Hétroy, Franck - Godin, Christophe

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Segmentation par instance, Segmentation sémantique, Vecteur de Fiedler, Graphe quotient, Phénotypage
Mots-clés :
  • Traitement d'images
  • Reconnaissance optique des formes (informatique)
  • Plantes
Résumé : L’obtention simultanée d’une segmentation sémantique et par instance de nuages de points 3D de plantes est une étape indispensable pour le phénotypage automatique de plantes. Chaque organe de la plante est généralement détecté à partir de la géométrie locale du nuage de points, mais la cohérence globale de la structure de la plante est rarement utilisée. Dans cette thèse, nous explorons l’utilisation de deux graphes à échelles différentes pour segmenter et classifier des nuages de points de plantes. A l’échelle du point, le graphe de similarité permet de calculer des attributs géométriques basés sur le spectre du graphe et de distinguer les organes linéaires (tige principale, branches, pétioles) des organes à deux dimensions et plus (limbes et apex). A l’échelle des organes, le graphe quotient est utilisé pour obtenir une classification détaillée et corriger des défauts potentiels. Nous proposons ainsi une chaîne de traitement rapide, automatique et intégrant la structure de la plante. Nous évaluons cette dernière sur des bases de données de nuages de points 3D de Chenopodium album (chénopodes blanc) et de Solanum lycopersicum (plants de tomates).
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2022STRAD020
Type de ressource : Thèse