Imagerie hyperspectrale - Caractérisation de la qualité des raisins

par Soizic LefÉVre

Projet de thèse en ATS - Automatique et Traitement de Signal

Sous la direction de Danielle Nuzillard et de Lanto Rasolofondraibe.

Thèses en préparation à Reims , dans le cadre de Ecole doctorale Sciences du Numérique et de lu2019Ingénieur , en partenariat avec CRESTIC - Centre de Recherches en STIC (laboratoire) depuis le 17-12-2019 .


  • Résumé

    Le projet s'intègre dans le cadre d'une « nouvelle dynamique fédérative à l'échelle des régions Grand Est et Hauts de France afin d'imaginer l'agriculture et la viticulture de demain », et plus particulièrement dans la feuille de route R&D pour la vitiviniculture en Grand Est niveau de l'axe 3 : « Renforcer la qualité des raisins et des vins » - et plus particulièrement des actions 3.1 : « Mettre au point des nouveaux indicateurs de maturité et de la qualité des raisins pour optimiser la qualité des vins », et 3.4 : « Prévenir et gérer l'altération des moûts et des vins ». Le projet est une collaboration entre le laboratoire académique CReSTIC et le Comité interprofessionnel des Vins de Champagne chargé par les professionnels champenois (vignerons et maisons) de réaliser des travaux de recherche et d'expérimentation en viticulture et œnologie, afin d'optimiser les conditions de production et renforcer le potentiel qualitatif des vins de Champagne. Nous proposons d'utiliser l'imagerie hyperspectrale pour produire des éléments mesurables de la qualité du raisin in situ au moment de la vendange. L'apprentissage automatique servira pour extraire un système de classification qui répond à des problématiques spécifiques du domaine agroalimentaire, et plus particulièrement à celle de la mesure de la qualité. Ces travaux sont à la croisée de l'imagerie hyperspectrale, de l'apprentissage automatique ou « machine learning », de l'agronomie et du traitement en temps réel. Il est indispensable que les options qui seront proposées soient compatibles a priori avec les contraintes opérationnelles, au niveau des centres de pressurage. Dans ce sens, ce projet est très novateur et tout en restant très appliqué à l'analyse de la surface des caisses de raisin (Fig. 1). L'application associée contribuera à la définition d'un indice de qualité du raisin pour réaliser des vins d'excellence. Elle relève d'un domaine d'application à fort potentiel d'innovation identifié dans les thématiques des Stratégies de Spécialisation Intelligente - S3 de la région Grand Est et de la smart agriculture, filière d'intérêt régional à fort potentiel. Les acquisitions d'images hyperspectrales, réalisées par le Comité Champagne seront complétées par les données acquises au spectrophotomètre et feront l'objet d'une première analyse. Le Comité Champagne, des agronomes, et en particulier Jean Noël Paoli, Maitre de Conférences à Agrosup Dijon participeront en qualité d‘experts agronomiques et de la vigne. Le protocole d'acquisition sera soigneusement étudié : choix de la caméra, étalonnage, conditions d'utilisation, pour pouvoir fonctionner en cuverie. Les images hyperspectrales favoriseront la connaissance fine des bandes spectrales impliquées dans la qualité des raisins. Leur traitement et l'expertise qualitatives des experts agronomes concourront à définir des indices spectraux. Plusieurs approches automatiques seront explorées concernant les aspects spatiaux : colorimétrie, texture (statistiques), forme du grain, fréquences spatiales, combinaison d'informations telles que la texture et la couleur. Les aspects spectraux seront dans un premier temps traités dans leur globalité, puis en choisissant des bandes spectrales d'intérêts. Des méthodes robustes de classification, comme les réseaux de neurones profonds ou de type « boosting » aideront à définir les marqueurs d'intérêt pour définir un indice de qualité. Le projet se situe pleinement dans les thématiques de l'équipe TS [1] par ses aspects « Traitement de données », « Data mining », « Aide à la décision et Machine Learning » ainsi que dans le thème transversal « Smart Agriculture » porté par l'équipe TS. Il est en partenariat avec le Comité Champagne, s'inscrit dans une dynamique économique et de qualité pour l'élaboration de vins d'excellence. Il bénéficie de l'expertise de collègues d'Agrosup Dijon. Le doctorant recruté bénéficiera de l'expertise de l'équipe TS en matière de traitements et de celle du Comité Champagne en matière de connaissance de la vigne. Il participera aux journées scientifiques organisées par le Groupe de Recherche GdR 720 ISIS - Information, Signal, Image et ViSion. Il rédigera et publiera ses résultats dans le cadre convenu par les partenaires. Il se formera aux thématiques scientifiques de l'imagerie hyperspectrale, du « machine learning » et de l' »aide à la décision » dont les débouchés seront importants dans des secteurs de conception et de création de machines intelligentes. L'imagerie hyperspectrale a de forts débouchés dans de nombreux domaines, plus particulièrement pour le végétal, en agriculture, pour la connaissance d'écosystèmes… La mise en place de marqueurs de la qualité au moment de la vendange contribue à l'élaboration de vins de qualité et à leur valorisation dans un contexte international. [1] https://crestic.univ-reims.fr/fr/equipe/ts

  • Titre traduit

    Hyperspectral Imaging - Quality Characterization of Raisins


  • Résumé

    This project is a collaboration between the Champagne Committee (www.champagne.fr) and the CReSTIC - URCA. The Champagne Committee is in charge of research and experimentation from professionals in viticulture and oenology, in order to optimize production conditions and enhance the potential quality of Champagne wines. We propose hyperspectral imaging techniques to produce measurable elements of grape quality in situ at the time of vintage. The hyperspectral images will provide access to fine knowledge of the spectral bands involved in grape quality. Their processing and the qualitative expertise of agronomists will help us to define spectral indices. In the targeted application, the data are images including the fruit of course, but also the stalk and fragments of leaves or stems. The wine grape varieties are black: pinot noir (38%), pinot meunier (32%),... or Chardonnay (30%), ... The two most common forms of damage are recent or advanced gray rot yielding wilting berries with rotten or dry facies or with superinfected white mold, and acid rot that develops from greasy rot. The purpose of this PhD thesis is to extract relevant markers of grape quality by proposing an appropriate approach based on advanced digital processing techniques such as Statistics, Artificial Intelligence, Automated learning or machine learning, supervision, etc, for real-time decision-making. Several automatic approaches will be explored concerning spatial aspects: colorimetry, texture (statistics), grain shape, spatial frequencies, combination of information such as texture and color. The spectral aspects will first be considered globally, then by choosing spectral bands of interest. Robust classification methods, such as deep neural network or Boosting networks will help us to define markers of interest to finally get a pertinent quality index. Although the project may seem fundamental because it concerns the processing of data for real-time decision-making, it is essential that the new ideas to be proposed were consistent with operational constraints concerning the wine processing plant. In this sense, it is very innovative while remaining very applied to the analysis of the surface of the trays of grape berries on their arrival at the press. The project is fully aligned with the themes of the TS team by its aspects concerning 'Data processing', 'Data mining', 'Decision support and Machine Learning' as well as in the cross-cutting theme 'Smart Agriculture' worn by the TS team. It is in partnership with the Champagne Committee, it is also part of economic and quality dynamics for the development of wines of excellence. Moreover, It benefits from the expertise of colleagues of Agrosup Dijon.