Approches de « Deep Learning » pour la détection précoce, la quantification et le suivi dans le temps des symptômes foliaires de pathogènes de plantes.

Résumé

L’étude fine, assistée par imagerie, des symptômes foliaires des plantes lors d’une interaction compatible ou incompatible avec des microorganismes pathogènes permet la description et la mesure de la dynamique de ces interactions dans l’espace et dans le temps. Cette étape est nécessaire pour l’identification et la compréhension des mécanismes de résistance ou de tolérance chez les plantes et est donc représente un enjeu fort en amélioration des plantes.

Cette thèse vise à développer des outils logiciels pour exploiter les plateformes de phénotypage à haut-débit TPMP à Toulouse et VEGOIA à Colmar, afin de mieux comprendre la dynamique d’apparition et la quantification des symptômes foliaires causés par trois pathogènes sur Arabidopsis (Pseudomonas, Xanthomonas, Sclerotinia), et également trois pathogènes sur la vigne (Milidou, oïdium et « black rot »).

L’objectif est de développer et déployer des outils de deep-learning ad-hoc pouvant répondre de la façon la plus générique possible aux challenges d’analyse posés par les différents pathosystèmes et les différentes échelles d’observation.

Le matériel d’étude est constitué de parties d’organes (disques foliaires de vigne, VEGOIA), de plantes entières isolées (Arabidopsis, TPMP) et dans un second temps de plantes isolées plus grandes (Vigne, TPMP), avec comme perspective d’adapter les outils d’analyse aux plantes en conditions naturelles (Vigne, Colmar).

Le projet de recherche est de développer des algorithmes de deep-learning exploitant au mieux les images générées sur les plateformes dédiées.

Le co-encadrement de cette thèse est interdisciplinaire, associant un biologiste (Nemo Peeters) et un spécialiste du deep-learning (David Rousseau).

Contact

• Felicia Maviane-Macia
• Linkedin