Traitement automatique d’images pour déterminer la structure granulométrique des macroinvertébrés riverains

La taille corporelle a été priorisée comme un trait clé pour la surveillance. Pourtant, mesurer la taille individuelle prend du temps. Notre méthode permet l’utilisation systématique du spectre de taille des macroinvertébrés pour évaluer les impacts sur les écosystèmes d’eau douce.

Notre protocole fournit un moyen normalisé de déterminer automatiquement la distribution individuelle de la taille des macroinvertébrés de rivière dans un échantillon en environ une heure. La démonstration de la procédure sera Rosa Guri de l’Université de Vic. Pour commencer, allumez le scanner.

Et allumez la lumière en double position. Pour projeter la lumière blanche de haut en bas. Ensuite, nettoyez et rincez le plateau de numérisation avec de l’eau du robinet.

Pour créer les blancs, versez 110 millilitres d’eau du robinet à température ambiante dans le bac à balayage jusqu’à ce que le verre soit couvert. Placez le grand cadre sur le plateau de numérisation avec le coin en haut à gauche. Et remplissez-le d’eau du robinet jusqu’à ce qu’il recouvre le pas du cadre pour éviter un effet ménisque qui modifierait les images numérisées.

Ensuite, ouvrez le logiciel de traitement d’image, sélectionnez le projet de travail et cliquez sur numériser convertir l’image d’arrière-plan. Ensuite, ouvrez le logiciel de numérisation et cliquez sur aperçu. Vérifiez que l’image n’a pas de lignes ou de taches et attendez au moins 30 secondes avant de commencer l’analyse.

Appuyez ensuite sur OK dans la fenêtre d’instructions avant la deuxième numérisation pour envoyer les données du logiciel de numérisation au logiciel de traitement d’image. Versez 110 millilitres d’éthanol à 70% dans le bac de numérisation jusqu’à ce que le verre soit couvert. Et placez le grand cadre.

Ensuite, versez l’échantillon de macroinvertébrés dans le plateau de balayage bordé par le cadre et recouvrez-le de plus d’éthanol si nécessaire. Ensuite, à l’aide d’une aiguille en bois, homogénéiser l’échantillon dans toute la zone du cadre. Placer les plus gros individus au centre du plateau pour un traitement d’image approprié.

Et couler les organismes flottants. Séparez également les organismes groupés. Et tirez les organismes qui touchent les bords du cadre au centre.

Ensuite, procédez à l’analyse en cliquant sur analyser l’échantillon avec l’analyse zoo pour archiver aucun processus. Sélection de l’échantillon et suivi des instructions. Prévisualisez l’image dans le logiciel de numérisation pour ne pas avoir de lignes ou de taches.

Après 30 secondes, cliquez sur le bouton de numérisation dans le logiciel de numérisation. Et vérifiez que l’image numérisée brute est correcte. Retirez le cadre et lavez-le au-dessus du plateau de numérisation avec un flacon rempli d’éthanol à 70% pour récupérer les macroinvertébrés attachés.

Soulevez la partie supérieure du scanner pour récupérer tous les organismes et l’éthanol à travers l’entonnoir de récupération du balayage dans un bécher. Avec la partie supérieure du scanner encore soulevée, nettoyez le plateau avec le flacon de compression pour balayer les organismes restants. Après avoir récupéré tous les échantillons, nettoyez le plateau avec de l’eau du robinet.

Pour prédire l’identité, cliquez sur analyse des données dans le logiciel d’identification automatique. Dans Sélectionner un fichier d’apprentissage, recherchez PID_Process, puis sélectionnez learning_set pour choisir le fichier de jeu d’apprentissage à utiliser. Ensuite, dans sélectionner des fichiers d’exemples, choisissez l’exemple à prédire dans le dossier PID_results.

Dans sélectionner une méthode, choisissez la méthode de forêt aléatoire, puis cochez le bouton Enregistrer les résultats détaillés pour chaque échantillon. Dans les variables d’origine, décochez les variables de position. Enfin, dans les variables personnalisées, cochez uniquement ESD.

Cliquez sur Démarrer l’analyse et enregistrez les résultats sous analysis_name. txt dans le dossier de prédiction PID_process. Pour valider manuellement, copiez les fichiers txt d’analyse sample_dat_1 du dossier de prédiction PID_process vers le dossier PID_process, PID_results.

Sélectionnez extraire les vignettes dans les dossiers en fonction de la prédiction ou de la validation dans le logiciel de traitement d’image. Sélectionnez ensuite les fichiers prédits utilisés dans PID_results dossier. Et avec les paramètres par défaut, appuyer sur OK crée un nouveau dossier.

Accédez maintenant au dossier PID_process vignettes triées et copiez le dossier nouvellement créé nommé avec le nom de l’exemple, la date et l’heure de validation. Renommez le dossier à valider avec validé. Pour valider manuellement la classification automatique, ouvrez l’exemple de nom de dossier renommé, la date et l’heure de validation.

Passez en revue toutes les vignettes de chaque sous-dossier pour identifier les objets mal classés, le cas échéant. Lorsqu’un objet est mal classé, faites glisser la vignette vers le dossier approprié. Ensuite, sélectionnez les identifications de charge à partir des vignettes triées.

En conservant les paramètres par défaut, sélectionnez le fichier nommé date, heure, nom validé à traiter. Ensuite, allez à PID_process, PID_results, puis dat1_validated. Et ouvrez le fichier nommé ID_from_sorted_vignettes date et heure txt pour vérifier que la dernière colonne, prédiction, ID validé, date et heure, qui spécifie la classification experte de chaque objet, a été créée.

Lors de l’essai du système pour les macroinvertébrés, certains scans étaient de mauvaise qualité dans les images traitées. Malgré cela, un sous-échantillon fin avec une bonne qualité de numérisation de l’image brute et de l’image traitée ressemble à la représentation. Dans l’ensemble des vignettes analysées, 86,1% correspondaient à des débris.

Y compris les détritus, les fibres, les parties du corps ou les artefacts de numérisation. Et les 13,9% restants des objets détectés correspondaient aux organismes invertébrés. La reconnaissance automatique suivie de la validation manuelle des objets a montré un rappel élevé pour toutes les catégories.

Alors que la contamination une précision était plutôt faible, sauf pour les autres invertébrés. La comparaison de l’abondance automatique par rapport à l’abondance validée des macroinvertébrés a montré une forte corrélation avec une légère surestimation de la performance automatique due à la contamination par les débris. Les fonctions de densité de probabilité des distributions de taille individuelles de la prédiction automatique se sont fortement produites avec les prédictions validées pour les sous-échantillons fins et grossiers.

Les sous-échantillons validés après la séparation des objets en contact des échantillons naturels sélectionnés ont montré une abondance accrue. Mais le volume ellipsoïdal moyen était proche des échantillons validés. Les distributions granulométriques des échantillons corrigés différaient légèrement de celles des échantillons validés.

Mais une forte corrélation a été observée. Le spectre de taille de volume biologique normalisé était similaire entre les traitements. À l’exception de quelques classes de taille dans quelques spectres.

Prenez le temps nécessaire pour séparer les organes en contact afin d’obtenir un balayage fin et nettoyez avec de l’eau ce plateau de balayage après chaque balayage à l’éthanol pour éviter les précipitations. Nous avons adopté cette procédure créée pour le plancton et les macroinvertébrés de rivière. Ainsi, il pourrait potentiellement être adapté pour obtenir des tailles corporelles individuelles d’autres groupes plus fins.

par exemple, les invertébrés terrestres. Cette méthode permettra une estimation systématique de la structure de taille des communautés de macroinvertébrés sur des gradients importants, spéciaux et temporels. Et étudier le rôle de la taille corporelle dans le fonctionnement de l’écosystème fluvial et par évaluation.