PROJET DE RECHERCHE Détection d’algues toxiques par vision artificielle et laser à fluorescence et classification par réseau de neurones. Richard Lepage, étudiant Maîtrise en ingénierie Université du Québec à Rimouski Département de mathématiques, d’informatique et de Génie Mai 2003

LES GRANDS THÈMES DU SUJET DE RECHERCHE Université du Québec à Rimouski 1.1- Les algues toxiques (problématique). 1.2- Un état des lieux sur les méthodes de détection. 1.3- Objectifs et hypothèses de recherche 1.4- Collecte des données et manipulation 1.5- L’analyse des résultats et les étapes de vérifications 1.6- La conclusion Département de mathématiques, d’informatique et de Génie

EFFETS DES MICROALGUES TOXIQUES SUR LEUR ÉCOSYSTÈME. 1.1- Les algues toxiques (problématique). EFFETS DES MICROALGUES TOXIQUES SUR LEUR ÉCOSYSTÈME. Université du Québec à Rimouski 1 Bloom d’algues toxiques (Prolifération rapide de phytoplancton) 2 Zooplancton herbivore 8 Consommation par l’être humain de bivalves (plus à risque) 9 Bivalves (moules, huîtres, palourdes,...) 10 Les coquillages fouisseurs (accumulation après le bloom toxique) 11 Crabes, nécrophages,... Cause: accumulation de phosphates (augmente les nutriments) Effet: Prolifération de phytoplancton Certaines espèces contiennent des toxines. Département de mathématiques, d’informatique et de Génie

UN BLOOM D’ALGUES TOXIQUES 1.1- Les algues toxiques (problématique). UN BLOOM D’ALGUES TOXIQUES Université du Québec à Rimouski L’alerte aux algues toxiques est déclenchée trop tard après le BLOOM d’où la nécessité d’une détection sensible sur les échantillons prélevés. 6 km2 Département de mathématiques, d’informatique et de Génie

LES SEUILS DE DANGER EN CONCENTRATION 1.1- Les algues toxiques (problématique). LES SEUILS DE DANGER EN CONCENTRATION Université du Québec à Rimouski Seuils de concentration mortels PSP Alexandrium :De 5 à 50 cellules par ml ASP Pseudonitzschia :> 100 cellules par ml On doit détecter à faible concentration au minimum 1 cellule par ml pour prévoir un BLOOM toxique. Actuellement, de trois jours à une semaine pour le processus de détection. Prélèvement, analyse, mise en culture et production d’un broyat pour fin d’innoculation à des souris. Département de mathématiques, d’informatique et de Génie

POURQUOI ALEXANDRIUM ET PSEUDONITZSCHIA? 1.1- Les algues toxiques (problématique). POURQUOI ALEXANDRIUM ET PSEUDONITZSCHIA? Université du Québec à Rimouski Some Toxic Phytoplankton Important in the U.S. and Canada Phytoplanton Poisoning U.S. Outbreaks Symptoms Alexandrium tamarense PSP (paralytic shellfish poisoning) New England; West Coast (including Alaska) Numbness of lips and fingers; lack of coordination. Respiratory failure in severe cases. Can be fatal. Pseudonitzschia ASP (amnesic shellfish poisoning) No human illness reported in U.S.* Abdominal cramps, disorientation. Permanent memory loss in severe cases. Can be fatal. Gymnodium breve NSP (neurotoxic shellfish poisoning) Southeast coast; Gulf of Mexico Gastroenteritis; pailful amplification of sensation. No deaths. Dinophysis DSP (diarrhetic shellfish poisoning) No human illness reported in U.S. Gastroenteritis. Nonfatal. *Human illness on Canadian east coast; marine animal illness on U.S. West Coast. l'intoxication paralysante par les mollusques: la toxine attaque le système nerveux et cause la paralysie. Il n'y a pas d'antidote. La mort survient par asphyxie ou par paralysie respiratoire. Département de mathématiques, d’informatique et de Génie

IMAGES SATELLITES (TÉLÉDETECTION) 1.2- Un état des lieux sur les méthodes de détection. IMAGES SATELLITES (TÉLÉDETECTION) Université du Québec à Rimouski Traitement numérique d’images satellites. Mesure de la concentrations phytoplanctoniques le long des côtes. Problème avec le brassage. On est encore loin d’un résultat probant sur la concentration. images d'Envisat La télédétection fourni une approximation sur la concentration du phytoplancton. Département de mathématiques, d’informatique et de Génie

1.2- Un état des lieux sur les méthodes de détection. CYTOMÈTRE À FLUX Université du Québec à Rimouski Un LASER active une molécule fluoroactive associée au phytoplancton à analyser. Trois capteurs placés à différents angles captent trois signaux différents. Les signaux des capteurs fournissent les paramètres nécessaires à la classification. Système de classification automatique en cours de développement. Un exemple de signal généré par un cytomètre Schéma d’un cytomètre à flux à phase solide Département de mathématiques, d’informatique et de Génie

Identification taxonomique non automatisée. 1.2- Un état des lieux sur les méthodes de détection. CYTOBUOY ET FLOWCAM Université du Québec à Rimouski Combinaison d’un capteur d’image associé à un cytomètre à flux. Identification taxonomique non automatisée. Système de classification automatique en cours de développement. Alexandrium Tamarense Le cytobuoy Pseudonitzschia La recherche sur une méthode de classification par réseau de neurones est en cours de réalisation pour le projet cytobuoy et FLOWCAM. Département de mathématiques, d’informatique et de Génie

FLOWCAM PSEUDONITZSCHIA 1.2- Un état des lieux sur les méthodes de détection. FLOWCAM Université du Québec à Rimouski Images à grossissement 10X produites par le FLOWCAM PSEUDONITZSCHIA Département de mathématiques, d’informatique et de Génie

OBJECTIFS DE LA RECHERCHE 1.3- Objectifs et hypothèses de recherche OBJECTIFS DE LA RECHERCHE Université du Québec à Rimouski Vérifier si la combinaison d’images et de signaux permet de fournir les paramètres permettant une meilleure classification des deux espèces de phytoplancton. Adapter des méthodes classiques fiables en reconnaissance de formes pour classifier les deux espèces de phytoplancton. Améliorer la vitesse de traitement pour la détection du phytoplancton en temps réel. Département de mathématiques, d’informatique et de Génie

LES HYPOTHÈSES DE TRAVAIL 1.3- Objectifs et hypothèses de recherche LES HYPOTHÈSES DE TRAVAIL Université du Québec à Rimouski Pour un signal obtenu par le cytomètre, nous obtiendrons une image unique d’où une utilisation moins complexe au niveau des algorithmes de filtrage et de segmentation. La construction de plusieurs vecteurs de paramètres permettra de valider les étapes de classifications et ainsi d’obtenir également la distinction des espèces apparentées. L’utilisation d’un réseau de neurones pour chaque système d’acquisition de données fournira un résultat combiné. Ce résultat permettra à un autre réseau de neurones de classifier l’ensemble des données. La distribution des données sera un processus non-linéaire et fortement non-gaussien. Département de mathématiques, d’informatique et de Génie

LA COLLECTE DES DONNÉES 1.4- Collecte des données et manipulation LA COLLECTE DES DONNÉES Université du Québec à Rimouski 200 échantillons pour chaque phase de culture 5 phases de culture pour alexandrium tamarense et pseudonitzschia Microscope Ordinateur et carte d’acquisition d’images Cytomètre à flux Acquisition des signaux pour chaque cellule Image traitement Signal Département de mathématiques, d’informatique et de Génie

SCHÉMA GLOBALE DES ÉTAPES DE TRAITEMENT 1.4- Collecte des données et manipulation SCHÉMA GLOBALE DES ÉTAPES DE TRAITEMENT Université du Québec à Rimouski Cytomètre à flux 2 Microscopes (20x – 50x) Paramétrisation Paramétrisation 2D Réseau de neurones Réseau de neurones ou classificateur ICA Classification Filtrage, segmentation… Filtrage, segmentation Traitement Département de mathématiques, d’informatique et de Génie

FILTRAGE ET SEGMENTATION 1.4- Collecte des données et manipulation FILTRAGE ET SEGMENTATION Université du Québec à Rimouski Traitement préliminaire pour le filtrage des images et des signaux composés de bruits Pré-traitement des images par des filtres standards (Sobel, Laplace…) et segmentation Pré-traitement des signaux par filtrage numérique et traitements cepstraux (élimination des bruits indésirables). Département de mathématiques, d’informatique et de Génie

PARAMÉTRISATION 1.4- Collecte des données et manipulation Université du Québec à Rimouski RECONNAISSANCE DES FORMES POUR LES OBJETS EN DEUX DIMENSIONS MÉTHODES DE PARAMÉTRISATION RECONNAISSANCE DES FORMES Invariance sur les moments Descripteurs de Fourier radial et à contour complexe Granulométrie à échelle de gris(3D) LA POSITION L’ORIENTATION LA DIMENSION INVARIANCE SUR DÉCORRÉLATION PCA OU TRANSFORMÉE DE KARHUNEN-LOEVE Mesure de distance de Bhattacharyya ou Département de mathématiques, d’informatique et de Génie

INVARIANCE SUR LES MOMENTS 1.4- Collecte des données et manipulation INVARIANCE SUR LES MOMENTS Université du Québec à Rimouski Invariance (rotation – échelle) Invariance sur les moments Moments centraux Fonction discrète Moments centraux normalisés Département de mathématiques, d’informatique et de Génie

DESCRIPTEUR DE FOURIER 1.4- Collecte des données et manipulation DESCRIPTEUR DE FOURIER Université du Québec à Rimouski Invariance en translation Descripteur à base radiale Descripteur à contour complexe Invariance (rotation – échelle) Amplitude(composantes) DFT Amplitude normalisée Vecteur des paramètres (radial) Vecteur des paramètres (contour complexe) Département de mathématiques, d’informatique et de Génie

DÉCORRÉLATION ET SÉLECTION DES PARAMÈTRES 1.4- Collecte des données et manipulation DÉCORRÉLATION ET SÉLECTION DES PARAMÈTRES Université du Québec à Rimouski Transformée de Karhunen-Loeve (KLT ou PCA) Méthode de compression permettant de passer d’un vecteur de N dimensions à un vecteur de P dimensions où P < N. ou Mesure de la distance de Bhattacharyya (Fukunaga 1972) Département de mathématiques, d’informatique et de Génie

LES ÉTAPES DE CLASSIFICATION 1.4- Collecte des données et manipulation LES ÉTAPES DE CLASSIFICATION Université du Québec à Rimouski Méthode LVQ (Learning Vertor Quantization) Vecteur d’entrée W1 Couche compétitive W2 Couche linéaire Méthode ICA (Independent components analysis) Méthode PCA (Principal Component Analysis) généralisée Méthode de classification non-supervisée utile pour classifier des groupes de données. Département de mathématiques, d’informatique et de Génie

Département de mathématiques, d’informatique et de Génie 1.5- L’analyse des résultats et les étapes de vérifications ANALYSE DES RÉSULTATS Université du Québec à Rimouski Etapes de validation pour la fiabilité du traitement : L’institut Maurice Lamontagne effectue quotidiennement des prélèvements à des endroits précis et comptabilise, par la méthode taxonomique, le nombre de cellules par litre d’Alexandrium tamarense et de pseudonitzschia lorsque détectées. Selon les données fournies par le FLOWCAM appartenant à l’université Laval pour le compte du département de biologie, j’effectuerai une autre vérification selon les données reçues du FLOWCAM. Département de mathématiques, d’informatique et de Génie

Département de mathématiques, d’informatique et de Génie CONCLUSION Université du Québec à Rimouski La reconnaissance automatique du phytoplancton est un sujet de recherche en plein développement et représente une étape très importante dans la détection en temps réel du phytoplancton toxique. D’ici quelques années, des appareils très performants permettront de reconnaître la présence d’un BLOOM en un temps très court et permettra éventuellement d’avertir la population. Il existe d’autres recherches où l’ajout d’une substance chimique permettra d’éliminer la prolifération des algues toxiques. Une autre méthode de détection très rapide, qui est en cours de développement, est le marquage moléculaire. Richard Lepage Étudiant à la maîtrise en ingénierie Richard.lepage@uqar.qc.ca Directeur de recherche: Jean-François Méthot (UQAR) Co-directeur : Jean-François Dumais (ISMER) Co-directeur : Michel Starr (IML) Département de mathématiques, d’informatique et de Génie

Merci! Avez-vous des questions ?????? Université du Québec à Rimouski Merci! Avez-vous des questions ?????? Département de mathématiques, d’informatique et de Génie