Grande école d’ingénieurs, l’Institut Polytechnique UniLaSalle compte plus de 4000 élèves-ingénieurs et 550 salariés. L’Institut, fondé il y a plus de 165 ans, est membre du réseau mondial des universités La Salle, délivre 18 formations, habilitées, sur ses quatre campus (Amiens, Beauvais, Rouen et Rennes) et compte 220 partenaires internationaux. Il se positionne au cœur des enjeux actuels pour former des ingénieurs, qui devront être capables d’intégrer les grandes questions environnementales et sociétales dans une stratégie de développement équilibré à l’heure des transitions agroécologique, alimentaire, énergétique et numérique. L’Institut Polytechnique UniLaSalle conduit des travaux de recherche scientifiques et pédagogiques d’envergure nationale et internationale. Le plan stratégique de l’école prévoit une croissance interne et externe ambitieuse.

Le campus de Beauvais est piéton et s’étend sur 18 hectares au nord de la ville. De nombreuses infrastructures sont accessibles aux salariés et étudiants : salle de fitness, gymnase, terrain de rugby, cours de tennis mais aussi un espace barbecue, restaurant CROUS, laverie, centre de documentation… La vie associative y est très développée et en fait un campus dynamique, œuvrant pour le développement durable. 

Contexte

La personne recrutée intégrera l'unité de recherche Agroécologie, Hydrogéochimie, Milieux et Ressources (AGHYLE, UP 2018.C101) de l'Institut Polytechnique UniLaSalle sur le campus de Beauvais (Oise, France). L'équipe AGHYLE mène des recherches sur les performances agronomiques et écologiques des systèmes de culture selon une approche pluridisciplinaire.

Dans un contexte de digitalisation des pratiques agricoles, l’Institut Polytechnique UniLaSalle à Beauvais et un acteur de l’agro machinisme ont décidé de mettre en commun leur expertise afin de déployer une action pilote. Ce programme partenarial vise à développer des outils et méthodes de caractérisation de la pression intra-parcellaire de foyers de maladies fongiques en grandes cultures, dans le but de réduire l’usage de produits phytosanitaires. L’utilisation de données issues de capteurs de télédétection et proxidétection, couplées à des bases d’informations météorologiques et de pression phytopathologique locales, permettront d’évaluer la faisabilité et les risques associés au développement de nouveaux outils de gestion du risque maladie.

Missions

  • Réaliser un état de l’art sur les techniques et méthodes utilisées dans la classification et l’analyse de données de biomasse
  • Développer de nouvelles approches scientifiques et algorithmes pour la détection de l’hétérogénéité du couvert végétal en corrélation avec la phytopathologie des plantes
  • Mettre en place un protocole d’expérimentation pour la validation des analyses et méthodes développées
  • Collecte de données terrain aux résolutions spatiales et temporelles différentes
  • Construire et paramétrer des modèles pertinents à partir de l’analyse des données
  • Valoriser les résultats scientifiques (conférences et journaux scientifiques reconnus)

Profil

  • Doctorat en Informatique, Mathématique ou Data science
  • Expérience académique ou industrielle dans l’Intelligence Artificielle, la Vision ou le Traitement d’Image
  • Des connaissances en implémentation de solutions temps réel et optimisation seront appréciées
  • Rigueur scientifique pour évaluer la performance des approches existantes et développées
  • Maitrise de l’anglais à l’oral et l’écrit
  • Une expérience dans les domaines Agronomique, Biologique ou Phytopathologique serait un plus
     

Ce que nous proposons

Ce poste est à pourvoir en CDD (Contrat à Durée Déterminée) de 18 mois sur notre campus de Beauvais (60) dès que possible. Des déplacements sont possibles sur le territoire national.

Rémunération à partir de 30K/an brut, négociable.

Au-delà de la rémunération, nous proposons également :

  • Politique de formation du personnel ambitieuse
  • Restauration d’entreprise avec prise en charge partielle employeur
  • Œuvres sociales du CSE (Comité social et économique)
  • Infrastructures sportives à disposition (2 terrains de tennis, 1 salle de squash, 1 gymnase, 1 salle de fitness, parc de 10ha avec parcours de santé)
  • Accès gratuit au centre d’innovation (Agrilab)
  • Parking

Références scientifiques

Mohanty, S.P.; Hughes, D.P.; Salathé, M. Using Deep Learning for Image-based plant disease detection. Front. Plant Sci. 2016, 7. 
https://doi.org/10.3389/fpls.2016.01419. 520

Bock, C.H.; Poole, G.H.; Parker, P.E.; Gottwald, T.R. Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Crit. Rev. Plant Sci. 2010, 29, 59-107.
https://doi.org/10.1080/07352681003617285. 523

El Jarroudi, M.; Kouadio, A.L.; Mackels, C.; Tychon, B.; Delfosse, P.; Bock, C.H. A comparison between visual estimates and image analysis measurements to determine Septoria leaf blotch severity in winter wheat. Plant Pathol. 2014, 355–364. 
https://doi.org/10.1111/ppa.12252. 526
 
Moshou, D.; Bravo, C.; West, J.; Wahlen, S.; McCartney, A.; Ramon, H. Automatic detection of ‘yellow rust’ in wheat using reflectance measurements and neural networks. Comp. Electron. Agr. 2004, 44, 173-188.
https://doi.org/10.1016/j.compag.2004.04.003
 
Bohnenkamp, D.; Behmann, J.; Mahlein, A.-K. In-field detection of yellow rust in wheat on the ground canopy and UAV scale. Remote Sens. 2019, 11, 2495. 
https://doi.org/10.3390/rs11212495. 533

Boulent, J.; Foucher, S.; Théau, J.; St-Charles, P.-L. Convolutional Neural Networks for the automatic identification of plant diseases. Front. Plant Sci. 2019, 10. 
https://doi.org/10.3389/fpls.2019.00941. 535

Dang, L.M.; Wang, H.; Li, Y.; Min, K.; Kwak, J.T.; Lee, O.N.; Park, H.; Moon, H. Fusarium wilt of radish detection using RGB and near infrared images from Unmanned Aerial Vehicles. Remote Sens. 2020, 12, 2863.
https://doi.org/10.3390/rs12172863.
 
Franke, J.; Menz, G.; Oerke, E.-C.; Rascher, U. Comparison of multi- and hyperspectral imaging data of leaf rust infected wheat plants. In Remote Sensing for Agriculture, Ecosystems, and Hydrology VII; SPIE: Bellingham, WA, USA, 2005; Volume 5976, p. 59761D. 
https://doi.org/10.1117/12.626531

21. Su, J.; Liu, C.; Coombes, M.; Hu, X.; Wang, C.; Xu, X.; Li, Q.; Guo, L.; Chen, W.-H. Wheat yellow rust monitoring by learning from multispectral UAV aerial imagery. Comp. Electron. Agr. 2018, 155, 157-166. https://doi.org/10.1016/j.compag.2018.10.017
 
Yu, K., Anderegg, J., Mikaberidze, A., Karisto, P., Mascher, F., McDonald, B. A., ... & Hund, A. (2018). Hyperspectral canopy sensing of wheat septoria tritici blotch disease. Frontiers in plant science, 9, 1195. 
https://www.frontiersin.org/articles/10.3389/fpls.2018.01195/full

Odilbekov, F., Armoniené, R., Henriksson, T., & Chawade, A. (2018). Proximal phenotyping and machine learning methods to identify Septoria tritici blotch disease symptoms in wheat. Frontiers in plant science, 9, 685. 
https://www.frontiersin.org/articles/10.3389/fpls.2018.00685/full

Nicolas, H., & Stafford, J. V. (2005). Use of remote sensing within the optical and thermal spectral ranges in order to detect Septoria tritici on winter wheat. Precision Agriculture’05, 5, 81
https://books.google.fr/books?hl=fr&lr=&id=v8lUySFsPZsC&oi=fnd&pg=PA81&dq=septoria+and+hyperspectral+imaging+data+&ots=bjfSUAWSvJ&sig=gHSL80D9ZHQ_DLN3542Llbe7ehQ#v=onepage&q=septoria%20and%20hyperspectral%20imaging%20data&f=false

Pour postuler

Merci d'envoyer vos candidatures, CV et lettre de motivation aux adresses suivantes: rh@unilasalle.fr et alicia.ayerdi-gotor@unilasalle.fr en indiquant l'intitulé du poste.

Contact

Contact recrutement