Caractérisation de maladies fongiques du froment d'hiver par imagerie multispectrale et hyperspectrale

Abstract

Résumé La rouille jaune, la rouille brune et la septoriose sont des maladies fongiques fréquemment observées sur les cultures de froment d’hiver en Belgique en raison du climat tempéré. Ces maladies peuvent être responsables d’une importante chute du rendement. Dans un contexte d’agriculture de précision, il est nécessaire de détecter en temps réel la gravité de stress biotiques à l’échelle du mètre carré pour adapter le traitement et ainsi minimiser l’utilisation de pesticides. Les techniques d’imagerie multispectrale et hyperspectrale offrent la possibilité de suivre l’état sanitaire d’une culture avec une résolution spatiale et temporelle fine, de manière automatique et non-destructive. La vision numérique s’avère également prometteuse pour caractériser à haut débit les phénotypes en champs d’essai agronomique. Le phénotypage de culture est en effet actuellement considéré comme un frein pour l’étude des interactions entre les génotypes et l’environnement dans lequel ils évoluent. L’objectif de ce travail est de caractériser par proxidétection multimodalité la rouille jaune, la rouille brune et la septoriose sur froment d’hiver. Ce travail vise à identifier les gammes spectrales et les caractéristiques d’images acquises dans le visible et le proche infrarouge pour discriminer et quantifier la gravité de ces trois maladies fongiques. En 2017, les images de canopée de froment d’hiver ont été acquises en essai agronomique par drone dans le vert (550 +/- 25 nm), le rouge (660 +/- 25 nm), le Red Edge (735 +/- 5 nm) et le proche infrarouge (790 +/- 25 nm). En 2018, des images ont été acquises en micro-parcelle par proxidétection à l’aide d’une caméra composée de 11 filtres entre 450 et 950 nm. La sélection des longueurs d’onde a été effectuée par régression pas-à-pas bidirectionnelle. La prédiction des gravités en maladie a été réalisée par régression des moindres carrés partiels et par réseaux de neurones. Enfin, des images de feuilles de froment d’hiver ont été prises par une caméra hyperspectrale à 112 bandes entre 900 et 1700 nm. Le classement des zones malades a été réalisé par analyse discriminante aux moindres carrés partiels et par réseaux de neurones. Les images acquises par drone ont mis en évidence les bandes spectrales dans l’infrarouge proche et le rouge pour la détection de la rouille jaune et dans l’infrarouge proche et le Red Edge pour la rouille brune. La septoriose n’a pas été détectée. En proxidétection, le réseau de neurones a effectué de meilleures prédictions que la régression des moindres carrés partiels. Les bandes spectrales les plus intéressantes pour la détection des trois maladies sont centrées à 450, 550, 700/750, 850 et 950 nm. Dans l’infrarouge à ondes courtes, la rouille brune n’est pas détectée. La septoriose est par contre bien discriminée grâce aux longueurs d’onde 907, 936, 1123 et 1556 nm mais elle est confondue avec le dessèchement des feuilles. En conclusion, les maladies ont pu être caractérisées à plusieurs échelles et dans plusieurs modes du spectre lumineux. Les résultats de la quantification des maladies sont prometteurs. Les bandes spectrales mises en évidence doivent être expérimentées dans le cadre d’études complémentaires afin de prouver leur efficacité. De plus, des enseignements doivent être tirés de cette étude pour améliorer la qualité générale de l’acquisition des images. Néanmoins, en identifiant un nombre restreint de bandes spectrales, cette étude fait un pas en avant vers la construction d’un outil de détection et de quantification des maladies.

Abstract Yellow rust, brown rust and septoria are frequently observed fungal diseases of winter wheat crops in Belgium due to the temperate climate. These diseases can be responsible of high yield losses. In a context of precision agriculture, it is necessary to detect biotic stresses in real time at a one square meter scale in order to adapt the treatment and minimise the use of pesticides. Multispectral and hyperspectral imagery technics offer the possibility to follow the sanitary state of crops with a fine spatial and temporal resolution in a way that is automatic and non-destructive. The numeric vision is also promising to characterise phenotypes at high rate in agronomic test fields. Crop phenotyping is currently considered as a hindrance for the study of interactions between genotypes and environment in which they grow up. The objective of this work is to characterise yellow rust, brown rust and septoria in winter wheat crops by multimodal imagery. This paper aims to identify the spectral bands and the characteristics of acquired images in the visible and the shortwave infrared to discriminate and quantify the severity of three fungal diseases. In 2017, images of winter wheat crop canopy have been taken in an agronomic test field by unmanned aerial vehicle in the green (550 +/- 25 nm), red (660 +/- 25 nm), Red Edge (735 +/- 5 nm) and Near Infrared (790 +/- 25 nm). In 2018, images were acquired in micro-crops by proxidetection with a camera that included 11 filters between 450 and 950 nm. Waveband selection has been applied by bidirectional stepwise regression. Disease severity prediction has been performed by partial least squares regression and by neural networks. Moreover images of winter wheat leaves have been acquired through 112 bands between 900 and 1700 nm hyperspectral camera. The supervised classification of infected zones has been carried out by partial least squares discriminant analysis and neural networks. The images acquired by unmanned aerial vehicle have highlighted the use of Near Infrared and Red Edge to detect brown rust and Near Infrared and red to detect yellow rust. Septoria has not been detected. In proxidetection neural networks have shown better quality predictions than partial least squares regression. Wavebands of interest for the detection of the three studied diseases are 450, 550, 700-750 and 950 nm. In laboratory brown rust is not detected in the shortwave infrared range. However septoria is well classified with the wavebands centred in 907, 936, 1123 and 1556 nm but it cannot be discriminated from dried leaves. As a conclusion, diseases have been characterised at multiple scales and at multiple modalities of light spectrum. Quantification results of the diseases are promising. The wavebands highlighted must be experienced in further studies in order to prove their efficiency. Moreover lessons must be drawn from this study to improve image acquisition quality. Nevertheless by identifying a small number of wavebands of interest this study takes a step forward towards the construction of a disease detection and quantification instrument.