Soutenance de thèse de Monsieur Félix MERCIER
Le 29 septembre 2026 de 09:00 à 12:00
09h00 | IRHS | Bâtiment A | Salle du rez-de-chaussée | 42, rue Georges Morel | BEAUCOUZÉ
Sujet : Approche d’IA centrée sur la donnée pour le phénotypage à haut débit des plantes par imagerie
Directeur de thèse : Monsieur David ROUSSEAU
RÉSUMÉ
Le phénotypage des plantes par imagerie joue un rôle clé dans l’analyse des premiers stades du développement végétal, en particulier pour l’étude de la germination, de l’émergence et de l’établissement des plantules. Ces stades précoces, qui concernent directement la vigueur des semences et la réussite de l’implantation des cultures, sont caractérisés par une forte dynamique temporelle, une variabilité biologique marquée et des contraintes expérimentales importantes. Bien que les approches d’apprentissage pro fond aient démontré leur potentiel dans ce domaine, leur déploiement reste limité par le coût de l’annotation, la diversité des dispositifs expérimentaux et la difficulté à maintenir des modèles fiables face à des données évolutives. Cette thèse s’inscrit dans le cadre du “Data-Centric Artificial Intelligence”, une approche qui place la donnée — son acquisition, sa sélection, sa structuration et son évolution — au cœur du processus d’apprentis sage. Contrairement aux approches model centric, centrées sur l’optimisation des architectures de réseaux de neurones, le paradigme data-centric vise à améliorer la performance, la robustesse et la généricité des systèmes d’IA en agissant prioritairement sur la qualité et l’usage des données. Les travaux de la thèse s’articulent autour de plusieurs dispositifs expérimentaux complémentaires, appliqués aux stades précoces du développement des plantes, depuis la semence jusqu’à la jeune plantule. Une première contribution porte sur des stratégies d’échantillon nage adaptatif via des méthodes bayésiennes avancées, étudiées sur un dispositif expérimental dédié au suivi en imagerie RGB de la cinétique de germination de semences sur buvard. Dans un second temps, la thèse s’intéresse à la détection d’anomalies sur un autre dispositif expérimental, basé sur l’imagerie RGB–profondeur, dédié au suivi de l’émergence des graines hors du sol et au développement initial des plantules. Avec ce dispositif, la thèse aborde la problématique de la mise à jour des modèles dans des contextes de changement de domaine, notamment lors du passage d’une espèce végétale à une autre, à travers des approches d’apprentissage par transfert actif ou détection conforme. Une dernière contribution repose sur l’introduction de modèles probabilistes non paramétriques, en particulier les mélanges de processus de Diri-chlet, pour la modélisation des stades de développement précoces. L’ensemble de ces tra vaux quantifient les gains (en temps de cal cul, en volume de stockage, en volume d’an notation,. . .) que l’on peut espérer par une approche “Data-Centric Artificial Intelligence” en phenotypage des plantes sur des cas d’usage d’intérêts agronomiques réels. Les méthodes présentées ont une valeur générique. Toutefois, leur mise en œuvre nécessite l’intégration de connaissances a priori, la calibration de modèles ou encore le design d’espace latent qui demeurent spécifiques à chaque cas d’usage.
Télécharger l'avis de soutenance de thèse
