NovaSience IA

L’intelligence artificielle au CERFO

Depuis 1984, le CERFO réalise des projets de recherche ciblés sur les besoins en innovation de ses clients. Également, il les accompagne et les forme afin que ces derniers puissent opérer les nouvelles technologies dans leur propre environnement. Ainsi, il offre les services suivants :

  • Recherche et développement
  • Transfert technologique
  • Service technique
  • Formation


La télédétection est un secteur en croissance rapide au CERFO. Propulsé par la création d’un laboratoire en 2013 grâce à une subvention de la Fondation canadienne pour l’innovation, le CERFO se positionne comme un partenaire incontournable des nouvelles technologies dans les différentes sphères de la foresterie et de l’environnement, notamment appuyé par l’intelligence artificielle, et en particulier l’apprentissage pro­fond.

Ces nouvelles méthodes permettent maintenant d’obtenir des résultats de meilleures précisions et facilitent la reproductibilité tout en nécessi­tant moins de données et de manipulations. Par exemple, dans le cas d’une classification de l’occupation du territoire, le gain peut atteindre 15 % de précision par rapport aux méthodes traditionnelles de télédétection basées par pixel ou objet.

Les sections suivantes présentent divers projets réalisés au CERFO par thématique: segmentation automatique du territoire, détection automatique d’objets, optimisation d’indices spectraux, traitement d’images et classification en temps réel d’opérations forestières.

QU’EST-CE QUE L’APPRENTISSAGE PROFOND?

La reconnaissance d’images, par exemple des lignes de route détectées par des capteurs installés sur des voitures, se faisait à ses débuts par des algorithmes simples (p. ex. transformée de Hough). L’apprentissage profond permet maintenant de faire ce type de détection de manière plus précise et sur des problèmes beaucoup plus complexes, comme la reconnais­sance d’essences forestières sur des images aériennes. Cette branche de l’apprentissage automatique fait partie de l’intelligence artificielle (IA) (figure 1).

Figure 1. Schématisation IA
Figure 1. Schématisation IA

Les techniques utilisées par le CERFO proviennent des récents développements en vision par ordinateur, donc adaptés pour l’analyse d’images et de vidéos provenant de multiples plateformes d’acquisi­tion (Ex. drone, avion, satellite, machinerie). Ces techniques font appel à des outils mathématiques tels que des couches de neurones et des convolutions (filtres spatiaux et spectraux).

L’image suivante présente un exemple d’architec­ture d’un algorithme d’apprentissage profond pour la seg­mentation d’image. Chaque boite verticale correspond à un ensemble de convolutions et d’outils mathématiques.

Figure 2. Exemple d'architec­ture d'un algorithme d'apprentissage profond pour la seg­mentation d'image. Chaque boite verticale correspond à un ensemble de convolutions et d'outils mathématiques.
Figure 2. Exemple d’architec­ture d’un algorithme d’apprentissage profond pour la seg­mentation d’image.

La figue 2 est un exemple de cartographie de cours d’eau surfacique (en blanc à droite) dans l’agglomération de Québec à partir d’orthophotos (2 dates, à gauche et au centre) et de lidar aéroporté. Le résultat démontre que l’algorithme de segmentation est robuste à l’utilisation de plusieurs images de qualités variables et détecte l’eau présente même sous couvert forestier.

Figure 2 : Exemple de cartographie de cours d'eau surfacique (en blanc à droite} dans l'agglomération de Québec à partir d'orthophotos (2 dates, à gauche et au centre) et de lidar aéroporté. Le résultat démontre que l'algorithme de segmentation est robuste à l'utilisation de plusieurs images de qualités variables et détecte l'eau présente même sous couvert forestier.
Figure 3 : Exemple de cartographie de cours d’eau surfacique (en blanc à droite)

Segmentation automatique du territoire

Des modèles de segmentation sémantique (par pixel) basés sur des réseaux de neurones à convolutions (date unique ou multidate) ont été développés afin de cartographier le territoire de manière automatique. Cela permet de délimiter (segmenter) des classes prédéfinies (Ex. bâti­ments, canopée, cours d’eau) qui sont visibles sur les données initiales et d’attribuer une classe à chaque pixel de la donnée produite. Ces modèles peuvent utiliser des données multisources (Ex. imagerie multis­pectrale ou hyperspectrale, produits dérivés du lidar) dans le but de pro­duire des images entièrement classifiées.

Ci-dessous, la figure 4 présente un exemple de cartographie de la canopée dans la ville de Québec à partir d’une image WorldView-3. L’image du haut est une image satellite WorldView-3 et l’image du bas est la canopée identifiée en vert.

Figure 3 : Exemple de cartographie de la canopée dans la ville de Québec à partir d'une image WorldView-3. Haut: image WorldView-3; bas: canopée identifiée en vert.
Figure 4 : Cartographie de la canopée dans la ville de Québec à partir d’une image WorldView-3

La figure suivante présente la segmentation des chemins forestiers (en rouge) dans la ré­gion de la Côte-Nord à partir d’imagerie Sentinel-2.

Figure 4 : Exemple de cartographie des chemins forestiers dans la ré­gion de la Côte-Nord à partir d'imagerie Sentinel-2 (rouge à droite: che­mins détectés).
Figure 5 : Cartographie des chemins forestiers détectés dans la ré­gion de la Côte-Nord

Détection automatique d’objets

Deux types de méthodes de vision par ordinateur sont utilisés pour la détection d’objets par emprise géométrique minimale (bounding box) et segmentation sémantique basée sur des réseaux de neurones à convolutions combinée à des algorithmes de traitement d’images. Ces méthodes permettent d’identifier des objets d’intérêt et de les dénom­brer (figure 6).

De façon plus spécifique, la figure 6 est un exemple de détection à l’arbre près et dénombrement de pins blancs (PB) avec leur diamètre de cime dans la région de l’Outaouais à partir d’orthophotos (méthode 1). Les chiffres indiquent la probabilité de présence du pin blanc dans chaque emprise géométrique. Une valeur proche de 0 indique une incertitude totale alors qu’une valeur proche de 1 indique une confiance très élevée. Pour arriver au même résultat, les méthodes tradition­nelles auraient nécessité l’utilisation de l’imagerie multispectrale coûteuse.

Figure 6. Exemple de détection à l’arbre près et dénombrement de pins blancs (PB)

Traitement d’images

Des méthodes basées sur les réseaux antagonistes génératifs (GAN) ont été développées pour corriger ou rehausser des images satellitaires. Ces techniques peuvent être utilisées comme alternative aux méthodes traditionnelles de traitement d’images, par exemple pour limiter les effets atmosphériques ou augmenter la résolution spatiale.

La figure 7 présente une super-résolution dans l’agglomération de Québec à partir de SPOT-7 et GeoEye-1.

  • Image de gauche : SPOT-7 brute (1,5 m);
  • Image du centre : GeoEye-1 (0,6 m);
  • Image de droite: SPOT-7 augmentée par l’IA (0,6 m).

Cette méthode permet d’augmenter d’un facteur supérieur à deux la résolution spatiale d’une image abordable (SPOT-7) au niveau de celle d’une image plus dispendieuse telle que GeoEye-1, de manière automatique.

Figure 7. Super-résolution dans l'agglomération de Québec
Figure 7. Super-résolution dans l’agglomération de Québec

Sources de financement

Le CERFO est admissible à plusieurs programmes de subvention qui peuvent couvrir entre 50 et 90% des coûts d’un projet, par exemple :

  • Programme Innovation du MEI
  • Programme d’aide à la recherche et au transfert PART du MEES
  • Programme d’innovation dans les collèges – SEP, RDA et PRAT du CRSNG
  • Programme d’aide à la recherche industrielle PARI et visites interactives du CNRC
  • Programme de bourse MITACS pour les étudiants gradués

Découvrez notre site

Découvrez le site web du CERFO afin d’en savoir plus sur nos projets et nos expertises.