Automatic Pollen Recognition : Developments and Perspectives

Automatic pollen recognition has been developed based on socalled gray-scale invariants, which characterise pollen grains independently from their position and orientation on the microscopic sample. Thus, pollen features can be extracted from the gray-scale images of transmitted light and fluorescence microscopy. In a first step, this approach is demonstrated with Ambrosia pollen of samples from a Burkard sampler, where pollen are collected from ambient air on a sticky tape mounted on a slowly rotating drum. Self-learning Support Vector Machines create a classification model from the gray-scale invariants of the particles on three Burkard samples from Mezzana (Ticino), Switzerland. Automatic pattern recognition is tested with 13 other samples from the period between July, 20th and September, 9th 2004. A recall of 77.3 % has been found for the automatic recognition of Ambrosia pollen, together with a precision of 84.0 % for this classification. Falsely negative classified objects can partly be ascribed to agglomerated pollen, the number of falsely positive classified objects can be reduced by a more specific classification mode. Automatic pollen recognition provides the basis for the development of a fully automated system that combines sampling, particle deposition onto a surface suitable for optical analysis, automatic preparation, microscopic imaging techniques, pattern recognition and the hourly output of number concentration of airborne pollen. Keywords: automatic pollen recognition, Ambrosia pollen, primary fluorescence, gray-scale invariants, Support Vector Machines, pattern recognition, pollen monitor, Burkard sampler, online- measurement Automatische Pollenerkennung – Entwicklungen und Perspektiven Die automatische Erkennung von Pollen wurde auf der Basis von so genannten Grauwert-Invarianten entwickelt, die Pollen unabhangig von ihrer Position und Orientierung auf der mikroskopischen Probe charakterisieren. Somit konnen Polleneigenschaften aus den mikroskopischen Graustufen-Bildern (Durchlicht und Fluoreszenz) abgeleitet werden. Zunachst wird dieser Ansatz am Beispiel von Ambrosia -Pollen auf Proben aus Burkardfallen demonstriert, in denen Pollen aus der Ausenluft auf einem Klebeband gesammelt werden, das auf einer langsam rotierenden Trommel befestigt ist. Selbstlernende Support-Vector-Machines erzeugen ein Klassifikationsmodell aus den Grauwert-Invarianten der Partikel von drei Burkardproben aus Mezzana (Tessin), Schweiz. Die automatische Mustererkennung wird an 13 weiteren Proben aus der Zeit zwischen dem 20. Juli und dem 9. September 2004 getestet. Fur die automatische Erkennung von Ambrosia -Pollen ergibt sich eine Erkennungsrate von 77,3 % bei einer Bestimmungsgenauigkeit von 84,0 % fur diese Klassifizierung. Falsch negativ klassifizierte Objekte konnen teilweise auf agglomerierte Pollen zuruckgefuhrt werden, die Zahl falsch positiv klassifizierter Objekte kann durch eine spezifischere Klassifikation reduziert werden. Die automatische Pollenerkennung bildet die Basis der Entwicklung eines voll automatisierten Systems, das Probenahme, Partikelabscheidung auf einer mikroskopierfahigen Oberflache, automatische Praparation, mikroskopische Abbildungstechniken, Mustererkennung und die stundliche Angabe der Anzahlkonzentration luftgetragener Pollen vereint. Stichworter: automatische Pollenerkenung, Ambrosia -Pollen, Eigenfluoreszenz, Grauwert-Invarianten, Support-Vector-Machines, Mustererkennung, Pollenmonitor, Burkardfalle, Online- Messung