Mon stage à l'INRAE, dans le cadre du projet Abricor, a porté sur le développement d'un système de détection automatisé des symptômes du coryneum. J'ai d'abord appris à maîtrisé un convoyeur équipé de capteurs (caméra RGB, caméra thermique et LiDAR). Nous avons utilisé le ratio de Fisher pour évaluer le contraste et optimiser la capture d'images de bonne qualité. Les images obtenues ont été découpées et annotées en trois classes (fond, feuilles saines, feuilles malades), constituant un dataset pour entraîner un modèle de machine learning basé sur un réseau de neurones convolutifs (CNN). Ce modèle a montré des résultats prometteurs pour la détection des symptômes du coryneum. Ce stage m'a offert une expérience enrichissante, alliant imagerie et machine learning.
My internship at INRAE, as part of the Abricor project, focused on the development of an automated detection system for coryneum symptoms. First of all, I learned to control a conveyor equipped with sensors (RGB camera, thermal camera and LiDAR). We used the Fisher ratio to evaluate contrast and optimize the capture of good quality images. The images obtained were crop and annotated into three classes (background, healthy leaves, diseased leaves), constituting a dataset to train a machine learning model based on a convolutional neural network (CNN). This model has shown promising results for the detection of coryneum symptoms. This internship offered me an enriching experience, combining imaging and machine learning.