Imagerie multispectrale en macrofluorescence en vue de la prédiction de l'origine tissulaire de particules de tiges de maïs

Identification of the tissular origin of maize stem particles by multispectral macrofluorescence image analysis

• Auteur / Autrice : Mathias Corcel
• Direction : Fabienne Guillon
• Type : Thèse de doctorat
• Discipline(s) : Analyse d'images multispectrales
• Date : Soutenance le 02/03/2017
• Etablissement(s) : Nantes, Ecole nationale vétérinaire
• Ecole(s) doctorale(s) : École doctorale Végétal-Environnement-Nutrition-Agro-Alimentaire-Mer (Angers)

Mots clés

Mots clés libres

Analyse d'images

Multispectral

Identification

Autofluorescence

Particules

Maïs, Zea Mays

Biodégradation

Image Analysis

Multispectral

Identification

Autofluorescence

Particles

Maize, Zea Mays

Biodegradation

Résumé

L'objectif de la thèse était de développer une méthode de prédiction de l’origine tissulaire de particules dans des poudres issues de plantes lignocellulosiques en exploitant les propriétés d’autofluorescence des parois. L’entrenœud sous épi de la tige de maïs a été utilisé comme modèle. Le macroscope à fluorescence a été validé comme outil pour acquérir rapidement des grandes images multispectrales avec des champs de vue représentatifs de l’ordre du cm². Une approche chimiométrique par analyse d’images multispectrales a été retenue pour construire le modèle de prédiction des tissus à partir de leurs propriétés d’autofluorescence observées dans des coupes d’entrenœuds. La collection étalon comprenait 40 coupes transversales et longitudinales prélevées à différentes positions de l’entrenœud pour 10 tiges d’une même variété. Nous avons validé par analyse supervisée que la variabilité de fluorescence des tissus était prépondérante devant la variabilité inter et intra tiges. Afin de prendre en compte sans a priori toute la variabilité de fluorescence des tissus dans le maïs, le modèle de prédiction a été construit à partir d’une classification non supervisée des pixels des 40 images. Le grand nombre de pixels a conduit à développer une méthode de classification multiéchelle basée sur la méthode des K-means en utilisant des pyramides d’images. Le modèle a permis d’identifier les principaux tissus constitutifs de la tige : parenchymes lignifiés et non lignifiés, gaines de sclérenchyme des faisceaux dans la moelle et dans l’écorce, épiderme, fibres de xylème. L’étape suivante sera de tester le modèle de prédiction sur des poudres

The objective of the thesis was to develop a method for predicting the tissue origin of particles in powders of lignocellulosic plants using the autofluorescence properties of cell walls. The internode under the ear of maize stems was used as a model. Fluorescence macroscopy has been validated for acquiring large multispectral images with representative fields of view about 1 cm². A chemometric approach by multispectral image analysis was applied to build the predictive model of tissues based on their autofluorescence properties observed in stem sections. The calibration set consisted of 40 transverse and longitudinal sections taken at different positions from 10 stems of the same variety. Variability of fluorescence in tissues was found preponderant compared to inter and intra-stems variability by supervised analysis. In order to take into account all the fluorescence variability of the tissues in maize stem without any a priori, the prediction model was built from an unsupervised clustering of all the pixels from the 40 images. The large number of pixels led to the development of a multi-scale clustering method based on K-means method using image pyramids. The model made it possible to identify the main tissues of the stem: lignified and non-lignified parenchyma, sclerenchyma sheaths in vascular bundles in the pith and in the rind, epidermis, fibers of xylem. The next step will be to test the prediction model on powders.