Hania Al Saddik

Analyses spectrale et texturale de données haute résolution pour la détection automatique des maladies de la vigne: La Flavescence dorée est une maladie contagieuse et incurable de la vigne détectable sur les feuilles. Le projet DAMAV (Détection Automatique des MAladies de la Vigne) a été mis en place, avec pour objectif de développer une solution de détection automatisée des maladies de la vigne à l’aide d’un micro-drone. Cet outil doit permettre la recherche des foyers potentiels de la Flavescence dorée, puis plus généralement de toute maladie détectable sur le feuillage à l’aide d’un outil multispectral dédié haute résolution.Dans le cadre de ce projet, cette thèse a pour objectif de participer à la conception et à l’implémentation du système d’acquisition multispectral et de développer les algorithmes de prétraitement d’images basés sur les caractéristiques spectrales et texturales les plus pertinentes reliées à la Flavescence dorée.Plusieurs variétés de vigne ont été considérées telles que des variétés rouges et blanches; de plus, d’autres maladies que ‘Flavescence dorée’ (FD) telles que Esca et ‘Bois noir’ (BN) ont également été testées dans des conditions de production réelles. Le travail de doctorat a été essentiellement réalisé au niveau feuille et a impliqué une étape d’acquisition suivie d’une étape d’analyse des données.La plupart des techniques d'imagerie, même multispectrales, utilisées pour détecter les maladies dans les grandes cultures ou les vignobles, opèrent dans le domaine du visible. Dans DAMAV, il est conseillé que la maladie soit détectée le plus tôt possible. Des informations spectrales sont nécessaires, notamment dans l’infrarouge. Les réflectances des feuilles des plantes peuvent être obtenues sur les longueurs d'onde les plus courtes aux plus longues. Ces réflectances sont intimement liées aux composants internes des feuilles. Cela signifie que la présence d'une maladie peut modifier la structure interne des feuilles et donc altérer sa signature.Un spectromètre a été utilisé sur le terrain pour caractériser les signatures spectrales des feuilles à différents stades de croissance. Afin de déterminer les réflectances optimales pour la détection des maladies (FD, Esca, BN), une nouvelle méthodologie de conception d'indices de maladies basée sur deux techniques de réduction de dimensions, associées à un classifieur, a été mise en place. La première technique de sélection de variables utilise les Algorithmes Génétiques (GA) et la seconde s'appuie sur l'Algorithme de Projections Successives (SPA). Les nouveaux indices de maladies résultants surpassent les indices de végétation traditionnels et GA était en général meilleur que SPA. Les variables finalement choisies peuvent ainsi être mises en oeuvre en tant que filtres dans le capteur MS.Les informations de réflectance étaient satisfaisantes pour la recherche d’infections (plus que 90% de précision pour la meilleure méthode) mais n’étaient pas suffisantes. Ainsi, les images acquises par l’appareil MS peuvent être ensuite traitées par des techniques bas-niveau basées sur le calcul de paramètres de texture puis injectés dans un classifieur. Plusieurs techniques de traitement de texture ont été testées mais uniquement sur des images couleur. Une nouvelle méthode combinant plusieurs paramètres texturaux a été élaborée pour en choisir les meilleurs. Nous avons constaté que les informations texturales pouvaient constituer un moyen complémentaire non seulement pour différencier les feuilles de vigne saines des feuilles infectées (plus que 85% de précision), mais également pour classer le degré d’infestation des maladies (plus que 74% de précision) et pour distinguer entre les maladies (plus que 75% de précision). Ceci conforte l’hypothèse qu’une caméra multispectrale permet la détection et l’identification de maladies de la vigne en plein champ.

Flavescence Dorée (FD) is a contagious and incurable grapevine disease that can be perceived on leaves. In order to contain its spread, the regulations obligate winegrowers to control each plant and to remove the suspected ones. Nevertheless, this monitoring is performed during the harvest and mobilizes many people during a strategic period for viticulture. To solve this problem, we aim to develop a Multi-Spectral (MS) imaging device ensuring an automated grapevine disease detection solution. If embedded on a UAV, the tool can provide disease outbreaks locations in a geographical information system allowing localized and direct treatment of infected vines. The high-resolution MS camera aims to allow the identification of potential FD occurrence, but the procedure can, more generally, be used to detect any type of foliar diseases on any type of vegetation. Our work consists on defining the spectral bands of the multispectral camera, responsible for identifying the desired symptoms of the disease. In fact, the FD diseased samples were selected after establishing a Polymerase Chain Reaction (PCR) confirmation test and then a feature selection technique was applied to identify the best subset of wavelengths capable of detecting FD samples. An example of a preliminary version of the MS sensor was also presented along with the geometric and radiometric required corrections. An image analysis based on texture and neural networks was also detailed for an enhanced disease classification.

Plant diseases are one of the main reasons behind major economic and production losses in the agricultural field. Current research activities enable large fields monitoring and plant disease detection using innovative and robust technologies. French grapevines have a reputation for producing premium quality wines, however, these major fruit crops are susceptible to many diseases, including Esca, Downy mildew, Powdery mildew, Yellowing, and many others. In this study, we focused on two main infections (Esca and Yellowing), and data were gathered from fields that were located in Aquitaine and Burgundy regions, France. Since plant diseases can be diagnosed from the properties of the leaf, we acquired both Red-Green-Blue (RGB) digital image and hyperspectral reflectance data from infected and healthy leaves. Biophysical parameters that were produced by the PROSPECT model inversion together with texture parameters compiled from the literature were deduced. Then we investigated their relationship to damage caused by Yellowing and Esca. This study examined whether spectral and textural data can identify the two diseases through the use of Neural Networks. We obtained an overall accuracy of 99% for both of the diseases when textural and spectral data are combined. These results suggest that, first, biophysical parameters present a valid dimension reduction tool that could replace the use of complete hyperspectral data. Second, remote sensing using spectral reflectance and digital images can make an overall nondestructive, rapid, cost-effective, and reproducible technique to determine diseases in grapevines with a good level of accuracy.

Spectral measurements are employed in many precision agriculture applications, due to their ability to monitor the vegetation’s health state. Spectral vegetation indices are one of the main techniques currently used in remote sensing activities, since they are related to biophysical and biochemical crop variables. Moreover, they have been evaluated in some studies as potentially beneficial for detecting or differentiating crop diseases. Flavescence Dorée (FD) is an infectious, incurable disease of the grapevine that can produce severe yield losses and, hence, compromise the stability of the vineyards. The aim of this study was to develop specific spectral disease indices (SDIs) for the detection of FD disease in grapevines. Spectral signatures of healthy and diseased grapevine leaves were measured with a non-imaging spectro-radiometer at two infection severity levels. The most discriminating wavelengths were selected by a genetic algorithm (GA) feature selection tool, the Spectral Disease Indices (SDIs) are designed by exhaustively testing all possible combinations of wavelengths chosen. The best weighted combination of a single wavelength and a normalized difference is chosen to create the index. The SDIs are tested for their ability to differentiate healthy from diseased vine leaves and they are compared to some common set of Spectral Vegetation Indices (SVIs). It was demonstrated that using vegetation indices was, in general, better than using complete spectral data and that SDIs specifically designed for FD performed better than traditional SVIs in most of cases. The precision of the classification is higher than 90%. This study demonstrates that SDIs have the potential to improve disease detection, identification and monitoring in precision agriculture applications.