La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Système semi-automatique de reconnaissance de grains de pollen Alain Boucher 1, Régis Tomczak 2, Pablo Hidalgo 3, Monique Thonnat 1, Jordina Belmonte 4,

Présentations similaires


Présentation au sujet: "Système semi-automatique de reconnaissance de grains de pollen Alain Boucher 1, Régis Tomczak 2, Pablo Hidalgo 3, Monique Thonnat 1, Jordina Belmonte 4,"— Transcription de la présentation:

1 Système semi-automatique de reconnaissance de grains de pollen Alain Boucher 1, Régis Tomczak 2, Pablo Hidalgo 3, Monique Thonnat 1, Jordina Belmonte 4, Carmen Galan 3 et Pierre Bonton 2 1- INRIA, Sophia-Antipolis, France 2- LASMEA, Université Blaise Pascal, Clermont-Ferrand, France 3- Université de Cordoue (UCO), Espagne 4- Université Autonome de Barcelone (UAB), Cerdanyola del Vallès, Espagne

2 Introduction Automatiser la reconnaissance des grains de pollen –Aider le technicien dans un tâche longue et fastidieuse –Permettre daugmenter le nombre de capteurs Compter le nombre et le type des grains de pollen présents dans lair –Publication des taux de pollens –Entrée du système de prédiction pour le calcul du facteur de risque (risk index) Dans le cadre dASTHMA : étude de faisabilité

3 Collecte des pollens Le capteur de type Hirst est utilisé pour collecter les grains de pollens (et autres allergènes) présents dans lair (standard européen).

4 Préparation des lames microscopiques Un ruban adhésif, représentant une semaine de collecte, est extrait du Hirst. Une lame microscopique par jour de la semaine est produite. Standardisation de la coloration (ASTHMA) : Fuchsine 4µg/100ml

5 Description du système Entrée du système : –lames microscopiques de grains de pollen Deux étapes : 1) Détection et extraction des grains de pollen de la lame 2) Reconnaissance du type de chaque grain de pollen Sortie du système : –tableaux du nombre de grain de pollen par type –concentration des pollens dans lair (conversion)

6 Présentation du matériel Matériel du système : –Microscope optique à lumière transmise (grossissement 60x) –Table à déplacements micrométriques 3 axes –Caméra couleur CCD –Carte dacquisition dimages –Micro-ordinateur PC

7 Etape no 1 Détection et extraction Parcours automatique de la lame –Déplacement x et y –Auto-focus en z Détection des grains de pollen –Isoler les grains de pollen des autres particules Numérisation des images –Images 3D représentant le grain de pollen

8 Interface du système Le système fonctionne en mode supervisé ou automatique

9 Détection et extraction Les grains de pollens sont identifiés par la couleur et extrait de l'image. Btu2100d3Btu1101d2 80% des grains de pollen sont correctement détectés. 25% des objets détectés ne sont pas des grains de pollen.

10 Numérisation des images Chaque grain de pollen est numérisé en 3D –Séquence de 100 images –Pas de 0,5 microns Les caractéristiques apparaissent à différentes hauteurs.

11 Pollens détectés et numérisés A ce stade-ci : –Les grains de pollens sont détectés et numérisés –On peut les compter si l'on veut Taux de pollens dans l'air Mais on ne connaît pas encore leurs types –Espèces allergènes ou non ? Taux de pollens par type dans l'air

12 Etape no 2 Reconnaissance Classification grossière –2D –Mesures de taille, couleurs, formes, … –Utilisation du calendrier pollinique Classification fine –3D –Utilisation de connaissances palynologiques –Recherche de caractéristiques spécifiques (pore, cytoplasme,...)

13 Pollen étudiés (30 types au total) PoaceaeOleaParietariaCupressaceae Populus Brassicaceae Fraxinus Ligustrum Phillyrea Salix Broussonetia Morus Urtica membranacea Celtis Coriaria

14 Connaissances palynologiques Le système imite les palynologues dans leur travail La connaissance est nécessaire pour identifier les différents pollens Connaissances d'ordre –palynologique –aérobiologique

15 Calendrier pollinique Hypothèses ciblées en fonction de la date de l'échantillon

16 Exemple : pore du Poaceae Image 35 /100Image 50 / 100Image 65 / 100Image 80 / 100

17 –Le réticule (exine) est situé sur la surface du grain (supérieure et inférieure) –Etapes à suivre: Vérifier si le grain est réticulé Localiser le réticule Analyser le réticule Exemple : réticule de l'Olea

18 Résultats (laboratoire) Images de références –Images de référence (pollens sans poussières ni pollution) –Lames de laboratoires Deux validations : –Méthode leave-one-out sur ensemble de départ Reconnaître les 4 types allergéniques (5 classes) : 99,7% Reconnaître parmi 31 types (32 classes) : 77,7% –Nouvel ensemble d'images Reconnaître les 4 types allergéniques (5 classes) : 45 % !! Problèmes de calibration et de robustesse sur la couleur

19 Résultats (laboratoire) Problèmes avec les ensembles d'images de référence : DéveloppementValidation 1Validation 2

20 Résultats (conditions réelles) Images aérobiologiques –Images en conditions réelles –Acquises avec le capteur Hirst Le système entraîné sur les images de références a ete testes directement sur les images aérobiologiques Problème de poussière et de pollution –Traitement supplémentaire pour enlever la poussière et la pollution Résultat obtenu : 30% de grains reconnus

21 Images aérobiologiques

22 Conclusion Etude de faisabilité réussie d'une reconnaissance automatique de grains de pollen –Etablie sur 4 espèces allergéniques –Réalisée principalement en conditions de laboratoire Travaux futurs –Calibration du système d'acquisition d'images –Robustesse au changement de couleur –Extension sur conditions réelles (poussières) –Extension à d'autres types de pollen


Télécharger ppt "Système semi-automatique de reconnaissance de grains de pollen Alain Boucher 1, Régis Tomczak 2, Pablo Hidalgo 3, Monique Thonnat 1, Jordina Belmonte 4,"

Présentations similaires


Annonces Google