Contexte du stage :
La plateforme serres-4PMI de INRAE Dijon propose aux chercheurs un outil permettant de réaliser des expérimentations dans le domaine du végétal (en lien avec les micro-organismes) dans des conditions environnementales contrôlées. On appelle phénotypage le processus consistant à déterminer les caractères (morphométriques, colorimétriques et texturaux) d’une plante issus de l’expression du génotype dans un environnement donné.
Afin d’acquérir de plus amples connaissances sur la morphologie du système racinaire des espèces d’intérêt, notamment des légumineuses mais pas que, des expérimentations en conditions contrôlées ont été menées et des images haute résolution et haute définition ont été acquises. Par analyse “manuelle” de ces images, nous avons pu mesurer des caractères tels que la surface du système racinaire, le nombre de racines ou le nombre de nodosités le cas échéant.
C’est sur la base de ces données annotées que le/la stagiaire pourra développer son projet, qui consistera à étudier et proposer une mise à jour des algorithmes d’analyse d’images notamment via la méthodologie de Deep Learning en utilisant le calcul GPGPU pour procéder à une analyse “automatique”.
Travaux à réaliser :
À partir des images couleurs, des mesures et des annotations manuelles ont été faites, pour en extraire un jeu de données conséquent. Les objectifs du stage proposé visent à :
- Mettre en place et vérifier la base de données adéquate pour l’utilisation de l’intelligence artificielle
- Détecter les racines en se focalisant sur les départs (embranchements racines mères-filles)
- Détecter les racines en se focalisant sur les apex
- Dissocier les racines qui se touchent pour les compter distinctement
- Savoir évaluer et qualifier son travail
Profil et aptitudes nécessaires et à développer:
- Formation de niveau Bac+5, master ou ingénieur en Traitement d’Image et/ou Informatique.
- Maîtrise du langage de programmation Python.
- Adaptation aux contraintes à la fois techniques et scientifiques.
- Autonomie, force de proposition et curiosité pour la recherche appliquée en agronomie.
- La connaissance a priori des librairies Tensorflow et PyTorch est un plus.
