Reconnaissance d'espèces de poissons dans des images vidéo sous marines

Fish species recognition in underwater video images

• Auteur / Autrice : Abdelouahid Ben tamou
• Direction : Abdesslam Benzinou, Salma Mouline
• Type : Thèse de doctorat
• Discipline(s) : Physique
• Date : Soutenance le 29/06/2021
• Etablissement(s) : École nationale d'ingénieurs de Brest en cotutelle avec Université Mohammed V-Agdal (Rabat, Maroc). Faculté des sciences
• Ecole(s) doctorale(s) : École doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Recherche en Informatique et Télécommunication RABAT Maroc - Laboratoire de Biotechnologies et Molécules Marines de l’IFREMER à Brest - Laboratoire en sciences et techniques de l'information, de la communication et de la connaissance - Laboratoire des sciences et techniques de l'information- de la communication et de la connaissance / Lab-STICC
• Jury : Examinateurs / Examinatrices : Salma Mouline, Fabrice Mériaudeau, Mohammed Sadgal, Éric Moreau, Kamal Nasreddine, Abdel-Ouahab Boudraa, Lahoucine Ballihi
• Jury : Rapporteurs / Rapporteuses : Fabrice Mériaudeau, Mohammed Sadgal

Mots clés

Mots clés contrôlés

Apprentissage profond

Mots clés libres

Image sous-Marine

Détection de poissons

Reconnaissances d' espèces

Apprentissage profond

Underwater images

Fish detection

Fish species recognition

Deep learning

Résumé

Les progrès réalisés dans l’imagerie optique sous-marine conduisent de plus en plus à l’utilisation de ces systèmes dans des applications de surveillance, d’observation et/ou d’exploration. En effet, la vidéo sous-marine dispose d’atouts notables comme une haute résolution, une facilité d’interprétation et surtout une forte miniaturisation à faible coût. Malgré ces développements, le traitement automatique des enregistrements vidéos est encore très rare du fait de la complexité de l’information sous-marine' est pourtant une technologie pleine de promesses, en particulier pour le déploiement de robots et des observatoires sous-marins, dans un contexte de suivis pérennes des écosystèmes côtiers. Localiser, recenser et exploiter les populations marines nécessitent de recueillir en continu de la connaissance sur le milieu marin. L’objectif essentiel de cette thèse est la mise au point d’une chaîne de traitement et d’analyses d’images vidéo sous-marines pour la reconnaissance et le comptage automatique d’espèces de poissons. Cet outil est destiné à des aquariums grand public et à des stations d’observation pour le suivi des aires marines protégées (AMP) et des dispositifs de concentration de poissons (DCP). Dans ce travail de thèse nous voulons en particulier tester l’apport de l’apprentissage profond pour la représentation de l’environnement sous-marin et pour la classification des espèces.

Advances in underwater optical imaging are increasingly leading to the use of these systems in surveillance, observation and/or exploration applications, as underwater video has significant advantages such as high resolution, ease of interpretation and above all high miniaturization at low cost.However, it is a promising technology, particularly for the deployment of robots and underwater observatories, in a context of sustainable monitoring of coastal ecosystems. locating, recording and exploiting marine populations requires the continuous collection of knowledge on the marine environment. the essential objective of this thesis is the development of a chain of processing and analysis of underwater video images for the automatic recognition and counting of fish species. This tool is intended for general public aquariums and observation stations for monitoring marine protected areas (MPAs) and fish aggregating devices (FADs). In this thesis work we want to test in particular the contribution of deep learning to the representation of the underwater environment and to the classification of species.