Vous êtes ici : Accueil > Projet > Principe

Principe

Publié le 17 juin 2021

Objectifs

Le projet iDROP vise à mettre au point une solution logicielle pour la détection d’espèces végétales sur des images de forêt tropicale collectées par drone.

Cette détection repose sur une chaine de traitement qui prend des images brutes de la canopée en entrée et qui délivre en sortie la position géolocalisée des arbres détectés ainsi que l'espèce à laquelle ils appartiennent.

Dans le cadre du projet, les espèces traitées par le modèle et dites d'intérêt sont :

        • 1- L'azobé (AZO) ;
  • 2- Le bossé clair (BSC) ;
  • 3- Le kossipo (KOS) ;
  • 4- Le sapelli (SAP).
Figure 1 : principe de détection / classification d'arbres.

 

  • ​1- Voilure fixe (XB1 Tiger wing) ;
  • 2- Aile delta VTOL (XB2 Mobula modifié) ;
  • 3- Voilure fixe solaire (SB4 Phoenix).

 

 Figure 2 : capture d'écran du logiciel Belvedere.

 

Ces vols ont permis de cartographier 18000ha de forêt et, en collaboration avec les équipes au sol du CIRAD, d'identifier plus de 600 individus appartenant à des espèces d'intérêt ; population suffisamment importante pour constituer des jeux de données significatifs.

 

 2- Fabrication de l'orthomosaïque

Le modèle de détection / classification prend en entrée des orthomosaïques (Figure 2) élaborées à partir des images brutes acquises par le drone. Une orthomosaïque (ou ortho-image) est une image obtenue par le traitement puis l'assemblage de clichés aériens numériques dont la géométrie a été redressée de sorte que chaque point soit superposable à une carte plane qui lui correspond. En d'autres termes, une orthomosaïque semble être prise à la verticale de tous les points qu'elle figure, ces points étant situés sur un terrain parfaitement plat.

Figure 3 : orthomosaïque de la forêt congolaise.

 

Fonctionnement des modèles R-CNN

Le modèle R-CNN est construit autour de 3 composants (Figure 5) :

  • • Le backbone : il opère des convolutions successives sur les images afin d'en extraire les critères
  • discriminants de la perception. Il produit une feature map.
  •  
  • • Le RPN (Region Proposal Network) : à partir de la feature map, il localise les régions ayant une forte probabilité de contenir des objets aussi appelée régions d'intérêt.
  •  
  • • Le classifieur: fournit une classe et une boite englobante pour chaque région d’intérêt proposée par
  • le RPN.
  •  

Tout en étant calibrés pour une feature map donnée, RPN et classifieur sont indépendants l'un de l'autre et peuvent donc être entrainés séparément.

 

4- Sortie de la chaine de traitement

En sortie, la chaine de traitement fournie la liste des individus appartenant à des espèces d'intérêt identifiés sur l'orthomosaïque passée en entrée. La position et l'espèce de chaque arbre détecté et classifié sont affichées sur une carte géographique via GéoServer  (Figure 6) et stockées dans une base de données. Ces informations sont ensuite utilisées pour préparer les futures campagnes de coupe et assurer une gestion durable des concessions.

 

Figure 6 : localisation et classification associée à un niveau de confiance de chaque individu détecté.