Reconnaissance et identification automatique de pollens tropicaux. Application a la caracterisation des miels endogènes.

Automated recognition and identification of tropical pollens. Application to the characterization of endogenous honeys.

• Auteur / Autrice : Endrick Barnacin
• Direction : Andrei Doncescu, Jean-Luc Henry, Jimmy Nagau
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 27/09/2021
• Etablissement(s) : Antilles
• Ecole(s) doctorale(s) : École doctorale Milieu insulaire tropical à risques : protection, valorisation , santé et développement (Pointe-à-Pitre)
• Jury : Examinateurs / Examinatrices : Andrei Doncescu, Jean-Luc Henry, Jimmy Nagau, Jack Molinié, Hélène Delatte, Jean-Charles Robinson
• Jury : Rapporteurs / Rapporteuses : Véronique Eglin, Jean-Marc Ogier

Mots clés

Mots clés contrôlés

Pollen

Traitement d'images -- Techniques numériques

Mots clés libres

Identification de pollens

Palynologie automatisée

Extraction de caractéristiques

Détection d’apertures

Segmentation d’objets

Pollens identification

Automated palynology

Features extraction

Apertures detection

Objects segmentation

Résumé

La consommation mondiale de miel est depuis plusieurs années croissante et devrait excéder 2,8 millions de tonnes d’ici 2024. Établir la composition pollinique du miel permet de certifier de sa qualité auprès du consommateur. Identifier les pollens présents dans le miel est une opération chronophage et complexe. Notre objectif principal dans ce travail est d’implémenter une chaîne automatique de reconnaissance de pollens à partir d’images numériques. À cette fin, nous avons développé des procédures pour la localisation, l’extraction, et l’identification automatique des espèces de pollens. À l'issue d'une phase d'analyse d’images, les différents problèmes (pollens transparents, adjacents, etc.) rencontrés lors de la localisation des pollens dans les images de lames microscopiques ont été mis en évidence. Afin de résoudre chacune de ces difficultés, nous avons conçu plusieurs algorithmes (méthode de localisation de particules transparentes, de séparation de pollens adjacents, etc.). Ces algorithmes nous ont permis d’extraire automatiquement des images de grains de pollen à partir de captures numériques de lames microscopiques. A la suite de cette phase d'extraction, un ensemble de caractéristiques permettant de décrire les images de pollens a été identifié et proposé. Cet ensemble de descripteurs nous a permis d'aboutir à des taux d’identification de l’ordre de 94 %. Ces résultats sont intéressants, car notre étude a porté sur un nombre d'espèces presque 2 fois plus important (80 contre 46) et un nombre d'images moyen par espèce moins élevée (20 contre 400) que l’on trouve dans les précédents travaux.

The world consumption of honey has been growing for several years and is expected to exceed 2.8 million tons by 2024. Establishing the pollen composition of honey allows to certify its quality and its origins to the consumer. Identifying the pollens present in honey is a time-consuming and complex operation. Our main objective in this work is to implement an automatic processing chain for pollen recognition using digital images. To this end, we have developed procedures for the automatic location, extraction and identification of pollen species. After an image analysis phase, the different problems (transparent pollens, adjacent pollens, etc.) encountered when locating pollens in microscope slide images were highlighted. In order to solve each of these difficulties, we have designed several algorithms (method of localization of transparent particles, separation of adjacent pollens, etc.). These algorithms allowed us to automatically extract images of pollen grains from digital captures of microscopic slides. These images of pollen grains were used to calculate a set of image descriptors that were used to characterize the pollens. This set of descriptors allowed us to achieve identification rates of about 94 %. These results are interesting, because our study involved almost twice the number of species (80 vs. 46) and a lower average number of images per species (20 vs. 400) than in previous works concerning the automatic identification of pollens from digital images.