L’apprentissage profond est de plus en plus utilisé dans différents domaines, dont l’agriculture intelligente, mais possède plusieurs limitations telles que des besoins importants en ressources et données annotées.
Nous nous intéressons ici à la mise en place de solutions d’apprentissage profond pour automatiser la détection des jaunisses de la vigne, dont la Flavescence Dorée, maladie particulièrement problématique apparue récemment en Champagne. Nous devrons pour cela maximiser la précision et réduire le temps de traitement.
Nous proposons d’abord une solution de greffage de réseaux de neurones permettant de combiner des modèles hétérogènes en réutilisant des feature maps de dimension et de nombre variables. La réutilisation de ces informations permet de gagner un temps significatif sans affecter la précision.
Nous mettons ensuite en place une solution de fusion multi-sources permettant de tirer profit d’acquisitions multispectrales. En combinant des feature maps à des niveaux hiérarchiques différents, il est possible d’améliorer la précision et de s’affranchir de l’étape de correction des erreurs de parallaxe.
Ces solutions se basant sur des hyperparamètres déterminés de manière empirique, nous exploitons des concepts issus de la théorie de l’information pour automatiser leur définition et éviter la multiplication des étapes d’apprentissage.
Le dernier axe vise à faciliter la mise en place des solutions par des approches semi-supervisées et des méthodes antagonistes génératives pour tenir compte des spécificités des jeux de données relatifs aux maladies de la vigne acquis in situ : classes déséquilibrées, phase de labélisation chronophage, variabilité endogène et exogène.