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, France2- LASMEA, Université Blaise Pascal, Clermont-Ferrand, France3- Université de Cordoue (UCO), Espagne4- Université Autonome de Barcelone (UAB), Cerdanyola del Vallès, Espagne

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

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).

Préparation des lamesmicroscopiques

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

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)

Présentation du matériel

• Matériel du système :– Microscope optique à lumière transmise (grossissement 60x)Microscope optique à lumière transmise (grossissement 60x)– Table à déplacements micrométriques 3 axesTable à déplacements micrométriques 3 axes– Caméra couleur CCDCaméra couleur CCD– Carte d’acquisition d’imagesCarte d’acquisition d’images– Micro-ordinateur PCMicro-ordinateur PC

Etape no 1Détection 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

Interface du système

Le système fonctionne en mode supervisé ou automatique

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.

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.

Pollens détectés etnumérisés

• 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

Etape no 2Reconnaissance

• 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, ...)

Pollen étudiés(30 types au total)

PoaceaeOlea ParietariaCupressaceae

Populus BrassicaceaeFraxinusLigustrumPhillyreaSalix

BroussonetiaMorusUrtica membranacea

CeltisCoriaria

Connaissances palynologiques

• Le système imite les palynologues dans leur travail

• La connaissance est nécessaire pour identifier les différents pollens

• Connaissances d'ordre

– palynologique

– aérobiologique

Calendrier pollinique

MANRESA-PORATS. Mean weekly concentrations (P/m3) 1996-1998

0

5

10

15

20

25

30

35

40

45

50

55

60

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52

CHENOPODIACEAE-AMARANTHACEAE Plantago Celtis Coriaria POACEAE total

BELLATERRA-CUPRESSACEAE/Populus. Mean weekly concentrations (P/m3) 1994-1998

0

10

20

30

40

50

60

70

80

90

100

110

120

130

140

150

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52

CUPRESSÀCIES POPULUS

• Hypothèses ciblées en fonction de la date de l'échantillon

Exemple : pore du Poaceae

Image 35 /100 Image 50 / 100 Image 65 / 100 Image 80 / 100

– 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

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

Résultats (laboratoire)

• Problèmes avec les ensembles d'images de référence :

Développement Validation 1 Validation 2

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

Images aérobiologiques

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