BEGIN:VCALENDAR VERSION:2.0 PRODID:-//DRONES IMAGING - ECPv6.15.20//NONSGML v1.0//EN CALSCALE:GREGORIAN METHOD:PUBLISH X-WR-CALNAME:DRONES IMAGING X-ORIGINAL-URL:https://www.dronesimaging.com X-WR-CALDESC:Évènements pour DRONES IMAGING REFRESH-INTERVAL;VALUE=DURATION:PT1H X-Robots-Tag:noindex X-PUBLISHED-TTL:PT1H BEGIN:VTIMEZONE TZID:Europe/Paris BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20250330T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20251026T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20260329T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20261025T010000 END:STANDARD BEGIN:DAYLIGHT TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST DTSTART:20270328T010000 END:DAYLIGHT BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET DTSTART:20271031T010000 END:STANDARD END:VTIMEZONE BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260519T090000 DTEND;TZID=Europe/Paris:20260521T180000 DTSTAMP:20260430T115846 CREATED:20250821T103601Z LAST-MODIFIED:20251020T093712Z UID:26368-1779181200-1779386400@www.dronesimaging.com SUMMARY:19-20-21 mai 2026 – Formation photogrammétrie option Agisoft Metashape – Session 126 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/19-20-21-mai-2026-formation-photogrammetrie-option-agisoft-metashape-session-126/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260522T090000 DTEND;TZID=Europe/Paris:20260522T180000 DTSTAMP:20260430T115847 CREATED:20250821T103730Z LAST-MODIFIED:20250821T103730Z UID:26370-1779440400-1779472800@www.dronesimaging.com SUMMARY:22 mai 2026 - Formation multispectrale - Session 74 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/22-mai-2026-formation-multispectrale-session-74/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260609T090000 DTEND;TZID=Europe/Paris:20260611T180000 DTSTAMP:20260430T115847 CREATED:20251020T093611Z LAST-MODIFIED:20251020T093611Z UID:26655-1780995600-1781200800@www.dronesimaging.com SUMMARY:09-10-11 juin 2026 – Formation photogrammétrie option Agisoft Metashape – Session 127 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/09-10-11-juin-2026-formation-photogrammetrie-option-agisoft-metashape-session-127/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260612T090000 DTEND;TZID=Europe/Paris:20260612T180000 DTSTAMP:20260430T115847 CREATED:20251020T093846Z LAST-MODIFIED:20251020T093846Z UID:26658-1781254800-1781287200@www.dronesimaging.com SUMMARY:12 juin 2026 - Formation multispectrale - Session 75 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/12-juin-2026-formation-multispectrale-session-75/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260630T090000 DTEND;TZID=Europe/Paris:20260702T180000 DTSTAMP:20260430T115847 CREATED:20251020T094055Z LAST-MODIFIED:20251020T094055Z UID:26660-1782810000-1783015200@www.dronesimaging.com SUMMARY:30-01-02 juillet 2026 – Formation photogrammétrie option Agisoft Metashape – Session 128 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/09-10-11-juin-2026-formation-photogrammetrie-option-agisoft-metashape-session-128/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260703T090000 DTEND;TZID=Europe/Paris:20260703T180000 DTSTAMP:20260430T115847 CREATED:20251020T094224Z LAST-MODIFIED:20251020T094224Z UID:26662-1783069200-1783101600@www.dronesimaging.com SUMMARY:03 juillet 2026 - Formation multispectrale - Session 76 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/03-juillet-2026-formation-multispectrale-session-76/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260825T090000 DTEND;TZID=Europe/Paris:20260827T180000 DTSTAMP:20260430T115847 CREATED:20251020T094502Z LAST-MODIFIED:20251020T094502Z UID:26664-1787648400-1787853600@www.dronesimaging.com SUMMARY:25-26-27 août 2026 – Formation photogrammétrie option Agisoft Metashape – Session 129 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/25-26-27-aout-2026-formation-photogrammetrie-option-agisoft-metashape-session-129/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260828T090000 DTEND;TZID=Europe/Paris:20260828T180000 DTSTAMP:20260430T115847 CREATED:20251020T094629Z LAST-MODIFIED:20251020T094629Z UID:26666-1787907600-1787940000@www.dronesimaging.com SUMMARY:28 août 2026 - Formation multispectrale - Session 77 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/28-aout-2026-formation-multispectrale-session-77/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260915T090000 DTEND;TZID=Europe/Paris:20260917T180000 DTSTAMP:20260430T115847 CREATED:20251020T094913Z LAST-MODIFIED:20251020T094913Z UID:26668-1789462800-1789668000@www.dronesimaging.com SUMMARY:15-16-17 septembre 2026 – Formation photogrammétrie option Agisoft Metashape – Session 130 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/15-16-17-septembre-2026-formation-photogrammetrie-option-agisoft-metashape-session-130/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20260918T090000 DTEND;TZID=Europe/Paris:20260918T180000 DTSTAMP:20260430T115847 CREATED:20251020T095049Z LAST-MODIFIED:20251020T095049Z UID:26671-1789722000-1789754400@www.dronesimaging.com SUMMARY:18 septembre 2026 - Formation multispectrale - Session 78 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/18-septembre-2026-formation-multispectrale-session-78/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20261013T090000 DTEND;TZID=Europe/Paris:20261015T180000 DTSTAMP:20260430T115847 CREATED:20251020T100306Z LAST-MODIFIED:20251020T100306Z UID:26673-1791882000-1792087200@www.dronesimaging.com SUMMARY:13-14-15 octobre 2026 – Formation photogrammétrie option Agisoft Metashape – Session 131 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/13-14-15-octobre-2026-formation-photogrammetrie-option-agisoft-metashape-session-131/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20261016T090000 DTEND;TZID=Europe/Paris:20261016T180000 DTSTAMP:20260430T115847 CREATED:20251020T100425Z LAST-MODIFIED:20251020T100425Z UID:26675-1792141200-1792173600@www.dronesimaging.com SUMMARY:16 octobre 2026 - Formation multispectrale - Session 79 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/16-octobre-2026-formation-multispectrale-session-79/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20261103T090000 DTEND;TZID=Europe/Paris:20261105T180000 DTSTAMP:20260430T115848 CREATED:20251020T100623Z LAST-MODIFIED:20251020T100623Z UID:26677-1793696400-1793901600@www.dronesimaging.com SUMMARY:03-04-05 novembre 2026 – Formation photogrammétrie option Agisoft Metashape – Session 132 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/03-04-05-octobre-2026-formation-photogrammetrie-option-agisoft-metashape-session-132/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20261106T090000 DTEND;TZID=Europe/Paris:20261106T180000 DTSTAMP:20260430T115848 CREATED:20251020T100746Z LAST-MODIFIED:20251020T100746Z UID:26679-1793955600-1793988000@www.dronesimaging.com SUMMARY:06 novembre 2026 - Formation multispectrale - Session 80 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/06-novembre-2026-formation-multispectrale-session-80/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20261201T090000 DTEND;TZID=Europe/Paris:20261203T180000 DTSTAMP:20260430T115848 CREATED:20251020T100926Z LAST-MODIFIED:20251020T100926Z UID:26681-1796115600-1796320800@www.dronesimaging.com SUMMARY:01-02-03 décembre 2026 – Formation photogrammétrie option Agisoft Metashape – Session 133 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/01-02-03-decembre-2026-formation-photogrammetrie-option-agisoft-metashape-session-133/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation photogrammétrie Agisoft Metashape ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_photogrammetrie.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT BEGIN:VEVENT DTSTART;TZID=Europe/Paris:20261204T090000 DTEND;TZID=Europe/Paris:20261204T180000 DTSTAMP:20260430T115848 CREATED:20251020T101041Z LAST-MODIFIED:20251020T101041Z UID:26683-1796374800-1796407200@www.dronesimaging.com SUMMARY:04 décembre 2026 - Formation multispectrale - Session 81 DESCRIPTION:Géolocalisation de pieds de vigne et manquants dans le vignoble de Saint-Émilion \n \n \n \n Détection et géolocalisation automatisées des pieds de vigne et des manquants sur sept parcelles viticole: résultats issus d’un traitement photogrammétrique et d’approches de deep learning appliqués à 8500 clichés aériens acquis par la société R3Drone. Post-traitement et analyse d’images par Drones Imaging. \n \n \n \n \n \n \n \n \n \n \n \n L’industrie viticole\, historiquement ancrée dans des pratiques traditionnelles\, connaît aujourd’hui une transformation majeure portée par les technologies d’acquisition et d’analyse d’images. La détection automatisée des pieds de vigne par Deep Learning\, couplée à l’utilisation de drones pour la capture d’images aériennes à très haute résolution\, ouvre la voie à une gestion fine et spatialement explicite des parcelles\, constituant une étape clé vers l’automatisation et la robotisation des opérations viticoles. Le protocole opérationnel repose dans un premier temps sur l’acquisition d’images aériennes multi-recouvrements à l’aide d’un drone. En moyenne\, une surface d’environ un hectare est couverte en cinq minutes de vol\, générant plusieurs centaines de clichés. Ces images\, présentant une résolution sub-centimétrique (GSD < 1 cm)\, permettent de restituer avec précision les caractéristiques morphologiques individuelles des ceps. Les données acquises sont ensuite traitées par photogrammétrie afin de produire une orthophoto géoréférencée à haute résolution. Sur cette base\, un modèle de Deep Learning préalablement entraîné à la détection des pieds de vigne est appliqué. L’algorithme exploite des descripteurs visuels tels que la morphologie\, la texture\, la signature radiométrique\, les ombres et le contexte spatial pour identifier automatiquement chaque plant. L’analyse a abouti à la cartographie de 44 423 pieds de vigne et à la détection de 568 manquants\, géolocalisés avec une précision planimétrique de l’ordre de 10 cm. \n \n \n \n \n \n \n \n \n \n \n Cartographie et détection automatisées de 44 423 pieds de vigne et de 568 manquants \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n \n L’intégration de la photogrammétrie par drone et des méthodes de Deep Learning appliquées aux orthophotos à très haute résolution présente plusieurs avantages structurants pour la viticulture de précision : Précision spatiale et performance opérationnelleLes modèles d’apprentissage profond permettent une détection robuste des pieds de vigne avec une précision planimétrique décimétrique. Le traitement automatisé autorise la couverture rapide de surfaces étendues\, optimisant significativement les délais d’acquisition et d’analyse par rapport aux méthodes conventionnelles. Optimisation des ressources humaines et réduction des coûtsLa détection automatisée remplace les opérations de comptage manuel\, longues et sujettes à variabilité. Elle réduit ainsi les besoins en main-d’œuvre tout en améliorant la reproductibilité et l’objectivité des résultats. Production de référentiels cartographiques de haute précisionLa génération d’une cartographie géoréférencée exhaustive des pieds de vigne et des manquants constitue un référentiel spatial exploitable pour :le guidage d’engins agricoles via GNSS RTK\,la robotisation intra-parcellaire\,les opérations de complantation ciblée. Intégration SIG et analyse spatiale avancéeLes données produites (couches vectorielles géolocalisées) sont directement intégrables dans un Système d’Information Géographique (SIG). Elles permettent des analyses spatiales fines : densité de plantation\, distribution des manquants\, hétérogénéité intra-parcellaire\, corrélation avec des données pédologiques\, topographiques ou agronomiques. Suivi temporel et traçabilité individuelleChaque pied détecté peut être associé à un identifiant unique au sein d’une base de données géospatiale. Cette structuration permet un suivi pluriannuel individualisé (rendements\, état sanitaire\, stress hydrique\, maladies\, attaques fongiques)\, facilitant une gestion différenciée et historisée à l’échelle du cep. \n \n \n \n \n \n \n \n \n \n \n \n INFORMATIONS TECHNIQUES \n\nAnalyse d’images : société Drones Imaging.\nVols et captation aérienne : Société R3Drone.\nPrécision spatiale : décimétrique.\nNombre d’images traitées : 8500.\nSurface totale d’analyse : 7ha.\nNombre de plants cartographiés: 44423 + 568 manquants.\nVecteur aérien : DJI M300.\nLogiciel de photogrammétrie : Agisoft Metashape. URL:https://www.dronesimaging.com/event/04-decembre-2026-formation-multispectrale-session-81/ LOCATION:Drones Imaging\, 1 Passage du Château\, Maisons Laffitte\, 78600\, France CATEGORIES:Formation agriculture de précision ATTACH;FMTTYPE=image/jpeg:https://www.dronesimaging.com/wp-content/uploads/2022/03/Session_formation_multispectrale.jpg ORGANIZER;CN="Lo%C3%AFc Hussenet":MAILTO:contact@dronesimaging.com END:VEVENT END:VCALENDAR