céline hudelot comité de thèse du 26/06/2003 directeur de thèse: m. thonnat
DESCRIPTION
Plate forme pour la reconnaissance automatique d’objets complexes Application au diagnostic précoce des pathologies végétales. Céline Hudelot Comité de thèse du 26/06/2003 Directeur de thèse: M. Thonnat Encadrée par : P. Boissard. Plan de la présentation. Introduction - PowerPoint PPT PresentationTRANSCRIPT
Plate forme pour la reconnaissance automatique d’objets complexesApplication au diagnostic précoce
des pathologies végétales
Céline HudelotComité de thèse du 26/06/2003
Directeur de thèse: M. ThonnatEncadrée par : P. Boissard
26/06/2003 Comité de thèse 2
Plan de la présentation
Introduction Présentation de la plate forme:
SBC d'Interprétation SBC d’Ancrage SBC de Traitement d’Images
Application aux maladies des rosiers
26/06/2003 Comité de thèse 3
Introduction
Objectifs Plate forme de vision cognitive pour la
reconnaissance d’objets naturels complexes dans leur environnement
Proposer des solutions génériques et réutilisables: indépendantes de toute application
26/06/2003 Comité de thèse 4
Introduction
Vision Cognitive Etude de l’acquisition et de l’utilisation
de la connaissance et du raisonnement en vision par ordinateur (réseau ECVision)
De la « reconstruction visuelle » au « Ordinateurs qui savent voir »
26/06/2003 Comité de thèse 5
Introduction
Reconnaissance d’objets: 3 sous problèmes :
Traitement d’images -> description numérique des objets
Transformation numérique <->symbolique Interprétation données symboliques pour la
reconnaissance
26/06/2003 Comité de thèse 6
Introduction
Objets naturels Pas de formes géométriques prédéfinies:
Variabilité et complexité expertise du domaine nécessaire
Environnement naturel: Objets multiples et divers
Nécessite connaissance et raisonnement sur la scène
Différents contextesNécessite d ’adaptation
26/06/2003 Comité de thèse 7
Introduction
Exemples d’images de pathologies de rosier
26/06/2003 Comité de thèse 8
La plate forme proposée
Trois niveaux connaissance et raisonnement
SBC d’Ancrage
BC dédiée aux concepts visuels et au
management de données
Moteur d'Ancrage
SBC d'Interprétation
BC dédiée au domaine
d'application
Moteur d'Interprétation
SBC de Traitement d’Images
Bibliothèque de
programmes de TI
BC sur l'utilisation des programmes de
TI
Moteur de pilotage de
programmes
Acquisition de la connaissance
du domaine avec des concepts
visuels
Interprétation :
Oïdium précoce, développement mycelien important
Requête d'Ancrage
Requête de TI Données numériques
Description symbolique de la scene
Image courante
26/06/2003 Comité de thèse 9
SBC d'Interprétation
Rôle: Guider l’extraction de l’information
dans les images par propagation d'hypothèses sur les objets attendus
Trouver la classe des objets effectivement présents dans l’image
Interpréter la scène de manière identique à l’expert du domaine:
utilisation de terminologie, voire taxonomie du domaine
26/06/2003 Comité de thèse 10
SBC d'Interprétation
Modélisation de la connaissance Arbre de spécialisation de classes d’objets
du domaine Arbre de sous-partie attaché à chaque classe
d’objetsreflète la taxonomie du domaine
Représentation sous forme de frames avec des attributs et des champs prédéfinis
26/06/2003 Comité de thèse 11
SBC d'Interprétation
Acquisition de la connaissance: Apport du génie ontologique
Ontologie : ensemble de concepts, de relations entre concepts et d ’axiome permettant de définir un domaine:
[maillot03]: apports d’une ontologie de concepts visuels pour la description d ’objets:
concepts spatio-temporels concepts de couleur concepts de texture
Concepts du domaine décrits par concepts visuels
26/06/2003 Comité de thèse 12
SBC d'Interprétation
Raisonnement Parcours en profondeur d ’abord de
l’arbre des classes du domaine Hypothèse d’objets physiques par envoi d’une
requête d’ancrage: guide l’extraction d ’information
Mise en correspondance de la description symbolique reçue du niveau inférieur avec les classes prédéfinies
Raffinement de l interprétation
26/06/2003 Comité de thèse 13
SBC d ’Ancrage
Ancrage: « Connecter dans un système artificiel les
symboles (représentations abstraites) et les données provenant des capteurs » [coradeschi99]
Rôle: Etablir correspondance entre
représentations symboliques et données images correspondant au même objet physique
26/06/2003 Comité de thèse 14
SBC d’Ancrage
Formalisation de la connaissance: Connaissance déclarative:
Concepts visuels: spatio-temporels (ex: Ligne, disque, et descripteurs :
taille, élongation...) couleur (ex: teinte, luminosité,…) texture
Relations spatiales : topologiques, de distance et d’orientation
Requête d ’Ancrage: hypothèses d’objets visuels 2 types: requête objet isole, requête d ’analyse de
scène
26/06/2003 Comité de thèse 15
SBC d’Ancrage
Formalisation de la connaissance: Connaissance procedurale:
Critères de traduction: de données symboliques en données numériques
Critères d’extraction d’objets: initialiser recherche information par génération de requêtes de TI
Critères de vérification: diagnostiquer les résultats obtenus
Critères d’analyse de scène: management des données dans le cas d’objets multiples
26/06/2003 Comité de thèse 16
SBC d ’Ancrage
Raisonnement Construction requête TI selon description
objets visuels attendus (Critère d ’extraction d ’objets)
Sélection et mise en correspondance données images extraites et description d ’objets visuels. (critères de vérification)
Instanciation et envoi objets au SBC d’Interprétation
Raisonnement spatial: cas d’objets multiples
26/06/2003 Comité de thèse 17
SBC de Traitement d’Images
Rôle : Extraction et description numérique des
objets Construction dynamique du traitement en
s ’adaptant à des conditions variables : contexte du traitement
26/06/2003 Comité de thèse 18
SBC de Traitement d’Images
Formalisation de la connaissance: Connaissance déclarative:
Buts: fonctionnalité de traitement d’images (ex: seuillage, détection de contours)
Opérateurs: connaissance pour résoudre un but donné:
primitifs: programme particulier complexes: combinaison de programmes
Requêtes: instanciation d’un but à atteindre, données d entrée nécessaires, contraintes
26/06/2003 Comité de thèse 19
SBC de Traitement d’Images
Formalisation de la connaissance: Connaissance procedurale:
Critères varies implementés par des règles de production:
Critères de choix: choisir entre plusieurs alternatives
Critères d’initialisation: régler l'exécution Critères d’évaluation: diagnostiquer la qualité des
résultats Critères d’ajustement et de réparation: réparer une
mauvaise exécution
26/06/2003 Comité de thèse 20
SBC de Traitement d’Images
Raisonnement: Sélection des programmes dans une
bibliothèque de programmes de TI Exécution programmes sélectionnés Evaluation des résultats et adaptation si besoin
Moteur de pilotage
Bibliothèque deprogrammes
Base de connaissance de pilotage
Planification Exécution
EvaluationRéparation
résultatsplan
(Partie de)
jugementsActionscorrectrices
1 2
3
4
56
7
correct
incorrect
Requête utilisateur +données
26/06/2003 Comité de thèse 21
Conclusion sur la plate forme
Une plate forme générique de vision cognitive
3 moteurs avec des raisonnement adaptés pour séparer les sous problèmes: interprétation ancrage pilotage de programme
Concepts de connaissance et structure adaptés aux différentes expertises: facilite la construction des SBC
26/06/2003 Comité de thèse 22
Application aux pathologies végétales
Enjeux biologiques: Détection précoce des pathologies Quantification précise de l’infection A plus long terme, intégration dans un
système de Production Intégrée des Cultures (PIC)
Réduction de l’utilisation de pesticide : meilleure pour l’environnement, moins nocive pour les agents
26/06/2003 Comité de thèse 23
Application aux pathologies végétales
Pourquoi la vision cognitive ? Diagnostic pathologies végétales = acte
visuel visant à déduire la présence de maladies par l ’observation des signes et symptômes
SAVOIR VOIR : se focaliser sur les critères pertinents
SAVOIR RAISONNER : interprétation des signes et symptômes en terme de maladies
Véritable problème vision cognitive
26/06/2003 Comité de thèse 24
Application aux pathologies végétales
Acquisition d’images de pathologies 1ere année : Expérimentations sur
Choix du capteur (multi-résolutions) De la procédure d’acquisition (In situ non
destructif vs en laboratoire destructif) De la procédure d’échantillonnage :
choix des organes à observer définition de précoce : ce qu’on ne peut pas voir à
l ’œil nu
Etude de faisabilité
26/06/2003 Comité de thèse 25
Application aux pathologies végétales
Acquisition de la connaissance pathologique Par interviews de Philippe Nicot et Marc Bardin
(INRA Avignon) Utilisation d’outils dédies: Annotate et Ontovis
Mise en évidence des
concepts biologiques importants
pour la reconnaissance
26/06/2003 Comité de thèse 26
Application aux pathologies végétales
Ontovis: interface graphique pour la description d ’objets a l ’aide d ’une ontologie de concepts
visuels [maillot2003]
Arbre desconcepts expertsex: puceron
Arbre descomposantsex: corps
Concepts visuels de forme et descripteurs
Zone décrite
26/06/2003 Comité de thèse 27
Application aux pathologies végétales
Base de connaissance du domaine: Description des signes et symptômes des
signes observables pour le rosier de serre Association organe/symptômes Actuellement: organe observé = feuille
26/06/2003 Comité de thèse 28
Feuille
Saine
Non Saine
Ravageurs
Virus
Maladies fongique
s
Acariens
Penicilium
Oidium
Tube germinat
if
Coloniemyceliqu
e
Pucerons
Tissu vegetal
Nervures
rouge
vert
Compose
specialiseAleurodes
Conidies
Fructifiant
Application aux pathologies végétales
Base de connaissance du domaine:
Mycelium: • Composant de : Maladie fongique• composee de au moins 2 Hyphae•nb_hyphae = {inconnu}
Hyphae:• Composant de : Mycelium•Concept spatial : ligne
•ligne.epaisseur:= {fine, tres fine}•ligne.direction:={presque droite}
•Concept couleur: luminosite={claire}•...
26/06/2003 Comité de thèse 29
SBC d’Ancrage
SBC d’Interpretation
Application aux pathologies végétales
Exemple
Non saine
Insecte
M Fongique
Virus
Requeted’Ancrage
Mycelium: • Composant de : Maladie fongique• composee de au moins 2 Hyphae•nb_hyphae = {inconnu}
Hyphae:• Composant de : Mycelium•Concept spatial : ligne
•ligne.epaisseur:= {fine, tres fine}•ligne.direction:={presque droite}
•Concept couleur: luminosite={claire}•...
•Requête d’Ancrage:•Type : Scène• au moins objet visuel 1 : ligne
•ligne.épaisseur:= {fine, très fine}•ligne.direction:={presque droite}
•nombre objet1 : inconnu•contraintes spatiales : connexité
•Requête d’Ancrage:•Type : objet seul•description spatiale : ligne
•ligne.épaisseur:= {fine, très fine}•ligne.direction:={presque droite}
•description couleur: luminosité={claire}•description texture : aucune
26/06/2003 Comité de thèse 30
Application aux pathologies végétales
SBC d’Ancrage•Requête d’Ancrage:•Type : objet seul•description spatiale : ligne
•ligne.épaisseur:= {fine, très fine}•ligne.direction:={presque droite}
•description couleur: luminosité={claire}•description texture : aucune
Concept visuel : Ligne
Attributs haut niveauepaisseur={fine, tres fine, moyenne,epaisse}droiture={courbe, presque droite, droite}epaisseur-homogene = {vrai, faux}…
Attributs imagetypeExtremites (x1,y1), (x2,y2)largeur ...Longueur …
Critere d ’extraction:
Si ((type-objet = ligne) et (ligne.epaisseur ={fine, tres fine})
Alors Ligne.image.type = crete et Requete TI = Extraction de cretes
Critere de traduction:
Si (ligne.epaisseur = connue)
Alors Ligne.image.largeur = tableau[][]
•Hypothese objet visuel•description spatiale : ligne
•ligne.épaisseur:= valeur1•ligne.direction:=valeur 2
•description couleur: luminosité=valeur 3
•Requete TI : Extraction de cretes•but : extraction de cretes•contraintes:
•ridge.largeur = [1..3]
1
2
26/06/2003 Comité de thèse 31
Application aux pathologies végétales
SBC d’AncrageConcept visuel : Ligne
Attributs haut niveauepaisseur={fine, tres fine, moyenne,epaisse}droiture={courbe, presque droite, droite}epaisseur-homogene = {vrai, faux}…
Attributs imagetypeExtremites (x1,y1), (x2,y2)largeur ...Longueur …Critere de verification
Si ligne.image.longueur > 15 *ligne.image.largeur
alors line-extraction est validee
Hypothese objet visueldescription spatiale : ligne
ligne.épaisseur:= valeur1ligne.direction:=valeur 2
description couleur: luminosité=valeur 3
Crete 1+ parametres descriptifs
Crete 2+ parametres descriptifs
Crete 3+ parametres descriptifs3
5,7
4
Instance objet visuel 1LigneLigne.epaisseur={fine}Presque droiteLongueur = [...]
Instance objet visuel 2LigneLigne.epaisseur={ tresfine}Presque droiteLongueur = [...]
26/06/2003 Comité de thèse 32
Application aux pathologies végétales
26/06/2003 Comité de thèse 33
Interpretation
Ancrage
Application aux pathologies végétales
Une application generique
Pilotage deprogrammes TI
Seuillage region claire + contraintes :
taille = importante
+ parametres descriptifs
InterpretationAleurod with
its eggs
Insects
Aphids
Aleurods
AcaridsAleurods:Sub class of InsectsComp of Body: has shape={surface} Body.taille = {big} Body.elongation ={important} has color={white}Comp of antenna …Can have eggs in neighborhood
Requête d'Ancrage
26/06/2003 Comité de thèse 34
Application aux pathologies végétales
Exemple raisonnement spatial: Critère d ’analyse de scène:
Si au moins est présent nombre = 0 Pour tout objet de la relation
analyse de l’objet (Requête objet simple) et vérification relation
si succès, nombre = nombre +1
26/06/2003 Comité de thèse 35
Application aux pathologies végétales
26/06/2003 Comité de thèse 36
Communications scientifiques
Rapport technique (06/2002): Etude de faisabilité d ’un système d ’acquisition d ’images de végétaux pour la détection précoce de pathologies
http://www-sop.inria.fr/orion/personnel/Celine.Hudelot Worshops:
bio: Rencontres groupe Oidiums INRA Frejus (04/2002) : Apport de la
vision par ordinateur pour la détection précoce de pathologies Colloque International Tomate sous abri (09/2003): An automated
approach to monitoring the sanitary status and to detect early biological attacks on plants in greenhouse- Examples on flower crops
vision: Vision system control architecture (04/2003): An Architecture for Knowledge Based Vision Interpretation
26/06/2003 Comité de thèse 37
Communications scientifiques
Conferences: International Conference on Tools with
Artificial Intelligence: ICTAI 2003: A Cognitive Vision Platform for Automatic
Recognition of Natural Complex Objects (soumis)
26/06/2003 Comité de thèse 38
Travaux Futurs
Implémentation de la plate forme: Utilisation de LAMA, plate forme pour le
développement de systèmes à base de connaissances
Ajout d’un raisonnement à plusieurs échelles pour le système d’interprétation
Ajout éventuel de la composante temporelle Evaluation des résultats et validation de la
plate forme avec l ’application de détection des pathologies