Reconnaissance et identification automatique de pollens tropicaux. Application a la caracterisation des miels endogènes.
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 |
Rapporteurs / Rapporteuses : Véronique Eglin, Jean-Marc Ogier |
Mots clés
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.