Détail de l'offre

Stage M2 : Optimisation de la détection et de la localisation de pestes

Offre du 04/01/2021

Titre: Optimisation de la détection et de la localisation de pestes

Encadrants : Thomas Grenier (thomas.grenier@insa-lyon.fr),
A. Lelevé (arnaud.leleve@insa-lyon.fr)
Compétences nécessaires : bonnes connaissances en Computer vision / Machine learning, bon niveau en développement (Python, C++)
Partenaires: start-up Green Shield, laboratoires : BF2I, INL, LIRIS

Contexte :

Du fait des progrès récents en informatique et en robotique et à l’instar de nombreux autres domaines (industrie, médecine, éducation), l’agriculture moderne est, à son tour, en pleine révolution technologique. L’agrandissement des exploitations, le manque de main d’œuvre (encore plus criant en périodes de crise sanitaire), les politiques écologiques imposant une réduction des produits phytosanitaires, produisent une pression inédite sur le monde agricole, le poussant à se repenser. Ainsi, la mécanisation agricole cède la place à la robotisation. Parmi les besoins actuels en robotique agricole, la détection de maladies ou de ravageurs et leur destruction ciblée ont été peu étudiées [1]. Pourtant une détection précoce peut limiter leur impact sur la production, et une destruction ciblée n’a pas d’impact sur l’environnement. Le projet GreenShield vise à réduire l’utilisation de pesticides en développant un module robotisé embarqué sur un véhicule (robot mobile ou tracteur) pour combattre les pestes de cultures. Le robot patrouillera dans les cultures pour scanner les jeunes plants à la recherche d’invertébrés [2] et de symptômes de maladies [3]. Il collectera ainsi des données fiables en terme de nature et taux de contamination, qui serviront à optimiser les campagnes suivantes. Dès détection de nuisibles, il les neutralisera à l’aide d’un faisceau laser directif, solution déjà étudiée pour dans la lutte contre les adventices [4] et industrialisée par la startup Green Shield.

A ce jour, les fonctions de détection et neutralisation ont été validées individuellement. Les expérimentations actuelles ont démontré la faisabilité de la détection de la position des pucerons dans l’espace, grâce à une caméra de stéréovision (ZED mini) uniquement dans le spectre visible. Un algorithme d’Intelligence Artificielle a été entraîné à cette fin et est exécuté sur une carte GPU Jetson TX2 (NVidia). Concernant la neutralisation, nous avons convergé vers des lasers solides verts de puissance 10 W ne pesant que quelques kilogrammes. L’orientation du laser est réalisée par un micro-miroir du commerce. Des tests de visée en laboratoire ont montré une précision submillimétrique en boucle ouverte quand les pucerons sont au centre de l’image.

Sujet du stage:

L’objectif de ce stage est d’améliorer le système de vision actuel en optimisation l’éclairage et sur le réseau de neurones de détection.
Une isolation lumineuse absolue n’est pas envisageable. Il faudra donc tenir compte de perturbations lumineuses. La reconnaissance devra se réaliser avec un robot en mouvement. Des expérimentations en laboratoire et en extérieur devront être réalisées afin de déterminer l’efficacité avant et après (en temps de calcul et en taux de reconnaissance), la vitesse maximale atteignable par le robot sans perte de qualité. Le terrain n’étant pas lisse, des vibrations risquent de gêner la prise de vue, une étude de leur impact et des préconisations devront être proposées.
Pour le réseau de neurones, en plus de la robustesse aux conditions d’éclairage, on s’attachera à déterminer l’architecture de localisation (Yolo, EfficientDet,…) et la fonction de coût (Hausdorff, IoU, régularisations diverses,...) les plus adaptées au problème.
La programmation se fera sous python avec Tensorflow/Keras.

Envoyer CV, notes de master et lettre de motivation à arnaud.leleve@insa-lyon.fr en précisant le titre de cette annonce dans l'objet du message.

INSA Lyon

69100 Villeurbanne

arnaud.leleve@insa-lyon.fr

Type de Contrat

  • Stage
  • Fonction

    • Ingénieur.e
    • Diplômes

      • Bac +5 (M2, Ingénieur, etc.)
      • Expérience

        • Débutant
        • Compétences Techniques

          • Intelligence Artificielle
          • Vision
          • Machine Learning
          • Langages Informatiques

            • C, C++
            • Python
            • Outils et Environnements

              • Tensorflow