Système semi-automatique de reconnaissance de grains de pollen Alain Boucher1, Régis Tomczak2, Pablo Hidalgo3, Monique Thonnat1, Jordina Belmonte4, Carmen.

Présentation au sujet: "Système semi-automatique de reconnaissance de grains de pollen Alain Boucher1, Régis Tomczak2, Pablo Hidalgo3, Monique Thonnat1, Jordina Belmonte4, Carmen."— Transcription de la présentation:

1 Système semi-automatique de reconnaissance de grains de pollen Alain Boucher1, Régis Tomczak2, Pablo Hidalgo3, Monique Thonnat1, Jordina Belmonte4, Carmen Galan3 et Pierre Bonton2 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 d’augmenter le nombre de capteurs Compter le nombre et le type des grains de pollen présents dans l’air Publication des taux de pollens Entrée du système de prédiction pour le calcul du facteur de risque (risk index) Dans le cadre d’ASTHMA : 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 l’air (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 l’air (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 d’acquisition d’images 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. Btu2100d3 Btu1101d2 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) Cupressaceae Olea Parietaria
Poaceae 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 /100 Image 50 / 100 Image 65 / 100 Image 80 / 100

17 Exemple : réticule de l'Olea
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

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 : Développement Validation 1 Validation 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