Publications des agents du Cirad

Cirad

Observation des caractères racinaires au champ : apport de l'apprentissage automatique

Postic F.. 2019. Le Sélectionneur Français (70) : p. 47-51. Journée Scientifique ASF, 2019-02-07, Versailles (France).

La faisabilité d'études in situ à grande échelle utilisant des images de systèmes racinaires produites par des minirhizotrons - tubes transparents insérés dans le sol - nécessite une détection entièrement automatisée et précise des racines présentes sur les images acquises. Cet article présente une méthode de classification à l'échelle du pixel, appliquant des descripteurs basés sur des filtres d'image standards, optimisée sur un jeu d'entraînement composé d'images minirhizotrons. La surface racinaire prédite par cette procédure de classification est fortement corrélée avec la surface racinaire annotée (R² = 0,91) sur le jeu de test d'images de racines de blé (Triticum aestivum L.), et plus faiblement corrélée sur les jeux d'images d'orge (Hordeum vulgare L.) et de maïs (Zea mays L.) (respectivement R² = 0,74 et R² = 0,80). Les prévisions les plus précises ont été trouvées avec un classificateur "forêt aléatoire" utilisant des descripteurs basés sur les canaux de couleur RVB (Rouge-Vert-Bleu) normalisés et des filtres spatiaux isotropes. Cette méthode fournit une détection fiable des racines in situ et constitue une étape essentielle dans la caractérisation de la géométrie et de la structuration des systèmes racinaires au champ.

Mots-clés : système racinaire; analyse d'image; apprentissage machine; triticum aestivum; hordeum vulgare; zea mays; minirhizotron

Documents associés

Article (c-notoriété en attente de mise à jour)

Agents Cirad, auteurs de cette publication :