M. Théo ORIOL
Soutiendra vendredi 13 décembre 2024 à 9 h
Salle Kouros à l’Université Paul-Valéry Montpellier 3, Site Saint-Charles 2
une thèse de DOCTORAT
Discipline : Biologie des populations et écologie
Titre de la thèse : Détection des Collemboles au microscope optique : utilisation du deep learning pour une analyse automatisée
Composition du jury :
- Mme Marie BEURTON-AIMAR, Maîtresse de conférences habilitée, Université de Bordeaux
- M. Marc CHAUMONT, Maître de conférences habilité, Université de Nîmes
- M. Jérôme CORTET, Professeur, Université Paul-Valéry Montpellier 3, directeur de thèse
- M. Djamal MERAD, Professeur, Aix Marseille Université
- M. Jérôme PASQUET, Maître de conférences, Université Paul-Valéry Montpellier 3, codirecteur de thèse
- Mme Céline PELOSI, Directrice de recherche, INRAE
Résumé de la thèse :
Cette recherche explore l'utilisation de l'apprentissage profond pour automatiser l'identification des espèces de Collemboles, de petits arthropodes du sol qui servent de bioindicateurs de la santé des sols. En raison de leur importance écologique et de leur sensibilité aux changements environnementaux, les Collemboles sont précieux pour évaluer les conditions des sols, mais leur identification manuelle est laborieuse et nécessite une expertise spécialisée. Cette thèse développe un modèle d'apprentissage profond pour analyser des images de spécimens de Collemboles préparés sur des lames de microscope.
L'étude évalue les performances des architectures d'apprentissage profond les plus avancées, atteignant des niveaux de précision comparables à ceux des experts taxonomistes. Elle aborde également les défis liés aux biais de données et à la généralisation des modèles dans différents contextes écologiques. Les résultats mettent en lumière le potentiel de l'apprentissage profond pour simplifier le suivi écologique, permettant des évaluations à grande échelle et efficaces de la biodiversité des sols. Ce travail offre un outil évolutif pour l'évaluation de la santé des sols, avec des applications dans l'agriculture, la gestion environnementale et la conservation de la biodiversité.
_______________________________________
This research explores the use of deep learning to automate the identification of Collembola species, small soil arthropods that serve as bioindicators of soil health. Given their ecological importance and sensitivity to environmental changes, Collembola are valuable for assessing soil conditions, but their manual identification is labor-intensive and requires expert knowledge. The thesis develops a deep learning model to analyze images of Collembola specimens prepared on microscope slides.
The study benchmarks state-of-the-art deep learning architectures, achieving accuracy levels comparable to expert taxonomists. It also addresses challenges related to data biases and model generalization across different ecological contexts. The findings highlight the potential of deep learning to streamline ecological monitoring, enabling large-scale and efficient assessments of soil biodiversity. This work provides a scalable tool for soil health evaluation, with applications in agriculture, environmental management, and biodiversity conservation.
