Thèse Reconstruction 3D Différentiable et Segmentation Sémantique d'Arbres Fruitiers pour l'Évaluation de leur Résilience H/F

Doctorat.Gouv.Fr

Établissement : Université de Montpellier École doctorale : I2S - Information, Structures, Systèmes Laboratoire de recherche : AGAP Institut, Amélioration Génétique et Adaptation des Plantes Direction de la thèse : Frédéric BOUDON ORCID 0000000196363102 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-30T23:59:59 L'agriculture de précision s'appuie de plus en plus sur l'analyse structurelle détaillée des arbres fruitiers (pommier, abricotier, citronnier, pêcher). L'organisation spatiale des branches, feuilles et fruits influence directement l'interception lumineuse, la photosynthèse, la productivité et les réponses aux stress. Pourtant, les outils existants ne permettent pas de capturer la complexité architecturale 3D nécessaire à une évaluation fiable de la résilience des arbres.

Cette thèse de trois ans, financée par le programme PEPR TreeD-Resist, vise à développer de nouvelles méthodes de reconstruction 3D et de segmentation sémantique d'arbres fruitiers, en combinant plusieurs sources de données - images RGB, LiDAR, multispectral et infrarouge thermique - adaptées à des architectures végétales complexes.

Deux défis majeurs sont abordés. D'une part, sur le plan géométrique, le projet s'appuie sur le Gaussian Splatting - une technique récente permettant des représentations 3D optimisées par descente de gradient en temps réel - afin d'extraire des maillages volumétriques biologiquement cohérents (respect de la ramification hiérarchique, de la continuité des organes et des contraintes morphologiques), allant bien au-delà de la simple fidélité visuelle visée dans les applications jeux vidéo ou XR. D'autre part, sur le plan de la segmentation, le projet répond à la rareté des données 3D annotées en générant des jeux de données synthétiques à grande échelle via des outils de simulation procédurale (notamment le modèle MAppleT), à partir desquels masques et cartes de profondeur sont extraits automatiquement dans des environnements comme OpenAlea ou Blender.

L'ambition finale est d'extraire des traits agronomiques à haute résolution et géoréférencés difficile à mesurer de manière conventionnelles.

Le projet est co-encadré par trois équipes complémentaires : le CIRAD (modélisation végétale, Frédéric Boudon), l'Inria (vision par ordinateur et traitement géométrique, Florent Lafarge) et le De Vinci Research Center (apprentissage automatique et reconstruction 3D, Mathieu Seurin). La thèse sera rattachée à l'école doctorale ED I2S de l'Université de Montpellier, avec des séjours partagés entre Montpellier et Sophia Antipolis.

Le candidat idéal est titulaire d'un Master en informatique, mathématiques appliquées ou intelligence artificielle, avec de solides compétences en apprentissage profond, reconstruction 3D (NeRF/Gaussian Splatting), segmentation sémantique et programmation Python/PyTorch. Un intérêt pour l'agronomie est un atout, sans être obligatoire. Perennial fruit crops demand a paradigm shift from yield-centric breeding to systems that reconcile productivity with ecological resilience, a challenge compounded by structural complexity, long generation times, and dynamic stress responses. The main challenge lies in robustly quantifying these traits under field conditions across genotypes and environments, then linking them meaningfully to agroecological performance. Trees present
particular difficulties due to their structural complexity, long life cycles, and dynamic stress
responses. To address these challenges, we will employ front-edge computer science techniques for 3D reconstruction of structurally complex objects and automated AI-based organ segmentation of fruit trees. Additionally, multimodal data from various digital technologies will be integrated through AI-based modelling to forecast orchard resilience and immunity.