WO2015132531A1 - Method for analysing sedimentary samples with automatic recognition of nanofossils - Google Patents

Method for analysing sedimentary samples with automatic recognition of nanofossils Download PDF

Info

Publication number
WO2015132531A1
WO2015132531A1 PCT/FR2015/050537 FR2015050537W WO2015132531A1 WO 2015132531 A1 WO2015132531 A1 WO 2015132531A1 FR 2015050537 W FR2015050537 W FR 2015050537W WO 2015132531 A1 WO2015132531 A1 WO 2015132531A1
Authority
WO
WIPO (PCT)
Prior art keywords
images
species
groups
nannofossil
interest
Prior art date
Application number
PCT/FR2015/050537
Other languages
French (fr)
Inventor
Luc BEAUFORT
Nicolas Barbarin
Yves GALLY
Clément GALLY
Original Assignee
Total Sa
Centre National De La Recherche Scientifique - Cnrs -
Université D'aix-Marseille
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Total Sa, Centre National De La Recherche Scientifique - Cnrs -, Université D'aix-Marseille filed Critical Total Sa
Publication of WO2015132531A1 publication Critical patent/WO2015132531A1/en

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/21—Polarisation-affecting properties
    • G01N21/23—Bi-refringence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials

Definitions

  • the present invention relates to the field of biostratigraphy.
  • Biostratigraphy is the study of the distribution of species, generally fossil, in sedimentary strata and therefore in geological time. It is used in particular to estimate the age of geological formations of sedimentary origin.
  • nannofossils refers to groups of fossil taxa disappeared (nannoconids, discoasterids, fasciculiths, etc.) or still present (coccolithophorids) composed of micrometric calcite plates (CaC0 3 ), of a size ranging from 1 about 25 ⁇ .
  • the limestone nannofossils are very diverse in shape, size and optical behavior. They are generally very abundant in the oceans. The number of specimens in clay pelagic sediments may exceed 1 million / cm 3 . By their distribution and abundance, nannofossils provide fairly complete recordings of stratigraphic and taxonomic biodiversity.
  • the calcareous nannofossils form excellent fossil markers to determine the age of sediments, from cores of marine drilling for example.
  • Standard temporal biozonations have been developed from Jurassic to the present era. They provide areas consisting of time intervals whose boundaries correspond to the first appearance and extinction of a species.
  • the dating of sediments by the observation of nannofossils makes it possible to make a model of age depending on the depth along the core.
  • nannofossils The observation of nannofossils is most often carried out using an optical microscope.
  • a sample from a carrot is reduced to powder and disposed by smear or decantation on a microscope slide.
  • the Nannofossils of flat shape, are essentially parallel to the blade, which allows the observation of their morphology.
  • the images are obtained either in natural light or in polarized light.
  • Polarized light is used for the observation of birefringent nannofossils whose image has dark parts depending on the orientation of the calcite crystals and the colors depending on the thickness. Natural light is used to visualize non-birefringent nannofossils.
  • SYRACO has been widely used in oceanographic and paleo-oceanographic studies. But it remains unsuitable for applications in the field of biostratigraphy, mainly because the number of species taken into account is insufficient in view of the extent of geological time.
  • Taxonomic classifications carried out by trained humans are very complex and are not easily reproduced by automata.
  • the complexity is increased by the fact that the fossils are not isolated from the rest of the sediment.
  • the system does not only have a classification task, but it must also distinguish the nannofossils among abundant particles of very varied forms.
  • Reliable pattern recognition is hampered by the difficulty that calcareous nannofossils often exhibit high intraspecific plasticity related to evolution, environmental constraints and their conservation.
  • debris may appear similar to coccoliths.
  • the recognition tools refer to a very large database representing many species, for example of the order of 1000 species, currently known methods are faulted.
  • An object of the present invention is to improve the automatic methods of acquisition and treatment of sediment images to allow an effective consideration of a large number of species of nannofossils.
  • the method enhances the previously known techniques of automatic recognition of coccoliths, or more generally nannofossils, by adding morphometric methods, or morpho statistics, artificial neural network tools that have been used before.
  • nannofossil species By grouping the nannofossil species into groups with similar morphological properties for analysis using artificial neural networks and morpho-statistical recognition methods, one can take into account a very wide variety of nannofossils while avoiding too much great specificity that would prevent the recognition of many individuals.
  • An embodiment thus comprising an additional step of displaying zones of interest selected by a user by combining the indications of groups of nannofossil species affected by the first and second classifications. Depending on the species it is looking for, the user can conveniently combine the criteria resulting from different classification methods.
  • the method allows, if necessary, to take into account up to a thousand species or more. In particular, it can cover most of the known limestone nannofossils of the Cenozoic since the Late Eocene. This time scale is suitable for biostratigraphic studies, especially in the field of hydrocarbon research in the subsoil.
  • taking the images under the microscope comprises taking three images of each sample in polarized light, with different polarizations. This way of proceeding facilitates the observation of birefringent nannofossils.
  • the pretreatment of the images may then comprise a combination of the three images in polarized light of the same sample to form a combined image of which each pixel has a value given by the maximum of the values of the three pixels of the same position in the three polarized light images. .
  • Another image of each sample can be taken using natural light, for the observation of non-birefringent nannofossils.
  • Artificial neural networks can be trained with nannofossil images from a database of more than 10,000 images of nannofossils covering the order of a thousand species since the Cenozoic.
  • the system includes at least one microscope for taking images of the samples, and computer resources configured to perform the above steps of pretreatment, analysis (using artificial neural networks and at least one morphological recognition method). statistics) and the collection of results.
  • Still another aspect of the present invention relates to a computer program for a data processing system associated with at least one microscope.
  • the program includes instructions for carrying out the above steps of pretreatment, analysis and combination in the analysis of sediment samples when performed on the data processing system to which images of the samples taken from the sample are presented.
  • microscope The invention further relates to a computer readable recording medium on which such a program is recorded.
  • FIG. 1 is a diagram of a sediment sample analysis system suitable for implementing the invention
  • FIG. 2 is a diagram illustrating a method according to the invention
  • FIG. 3 shows images taken of several specimens of birefringent nannofossils in one embodiment of the invention
  • FIGS. 4a-c show images taken of several specimens of non-birefringent nannofossils
  • FIGS. 5a-d illustrate the main steps of an operation of segmentation of aggregates from a starting image portion (FIG. 5a): thresholding and distance of Danielsson (FIG. 5b), watershedding (FIG. 5c) and superposition of separation limits (Figure 5d); and
  • Figures 6 and 7 show examples of outputs provided by the method to a user.
  • the sediment sample analysis system comprises one or more optical microscopes 10 each controlled by a microcomputer 1 1.
  • the microscope 10 is for example brand Leica DM6000B with a magnification lens of 100 such as a lens brand Leica HCX PL APO 100/1 .47. It is equipped with two rotary exchangers containing polarizers and analyzers, and an automatable plate in the three directions (x, y, z) of the space.
  • the microscope is connected to a microcomputer 11 by an acquisition interface, for example written using the LabView brand software.
  • the images of the microscope can be taken by a 48-bit RGB color camera or 14-bit black and white.
  • the microcomputer 1 1 serves to control the microscope 10 and the camera, but also to perform image processing described below, including a segmentation processing.
  • the microcomputer 1 1 is connected via a local area network to a calculation server 12, which performs classification tasks of segmented images, potentially very numerous (of the order of one to a few hundred thousand for a biostratigraphic study).
  • the calculation server 12 is for example equipped with a four-core processor and a memory of 32 MB.
  • the local network can connect to the same computing server 12 several workstations each comprising a microcomputer 1 1 associated with a microscope 10 to process a high number of segmented images. he can There may also be several compute servers in cases where more computing power is needed.
  • the images taken under the microscope and segmented into areas of interest by a microcomputer 1 1, and the results of the classifications performed by the calculation server 12 are stored in a memory 13 to be subsequently exploited by an operator.
  • the aforementioned equipment of the system is supplemented by a database 14 composed of images and measurements used for learning classification algorithms.
  • the individuals composing the image database 14 come from samples distributed between the Eocene and the current on different cores from several oceans. . These individuals have been identified by nanopaleontologist and / or biostratigraphic experts. The base 14 thus contains most of the possible forms of this period.
  • morphogroups groups of nannofossil species sharing morphological characteristics.
  • the property of birefringence can also intervene in the definition of the morphogroups.
  • the morphogroups are reduced in number compared to the number of species taken into consideration, for example a few tens of morphogroups for about one thousand species of the most recent 40 million years. It would not be realistic to collect enough individuals per species to search for an automatic species-by-species classification. In addition, this would be problematic given the similarities of some species, which an expert can distinguish in the light of knowledge he may have about the extraction environment of the samples or other species identified in these samples, but that an automatic method might misclassify.
  • the very birefringent nannofossils are visible in images taken in polarized light, where they have patterns in color. They can to be divided into ten morphogroups of "placolite” type, of general annular shape, and a dozen other morphogroups. For example :
  • a "rum" morphogroup of the placolite type can be defined as being composed of very large double-birefringent nannofossils of elliptical shape, with large borders, a large central aperture and a medium to high brightness.
  • the species Reticulofenestra umbilica a specimen of which is shown in Figure 3, belongs to this rum group, which includes other species such as R. Pseudoumbilica;
  • a morphogroup "bra” can be defined as being composed of very birefringent nannofossils of pentagonal general shape with axial and central symmetries and with low to high brightness.
  • the species Braadurosphaera bigelowi a specimen of which is shown in Figure 3, belongs to this group bra, which includes other species such as Pemma sp. or Micrantholithus sp. ;
  • Non-birefringent nannofossils are visible in images taken in polarized light, where they have grayscale patterns. They can be divided into twenty morphogroups of the "placolite” type, of general annular shape, and about fifteen other morphogroups. For example :
  • a morphology "emi" placolite type can be defined as being composed of naked birefringent nannofossils generally elliptical shape of size less than 3 ⁇ , with an open central area and low light.
  • a morphogroup “sca” can be defined as consisting of nano-rich birefringent nannofossils in the general shape of elongated rhombus, with axial symmetry and low luminosity.
  • the species Scapholithus fossilis, a specimen of which is shown in Figure 3 belongs to this sca group, which includes other species such as Calciosolenia brasiliensis;
  • Non-birefringent nannofossils are visible in images taken in natural light. They can be divided into three morphogroups:
  • the database 14 also contains "non-nannofossils", that is to say images of very birefringent objects, little birefringent or non-birefringent, seen under the microscope in sediment samples but which have not been listed as nannofossils. These "non-nannofossiles" of the base 14 allow the classification algorithms to realize their learning for a class of "nothings", that is to say objects not classified as nannofossils.
  • FIG. 2 The operation of the sediment sample analysis system shown in FIG. 1 is illustrated by the diagram of FIG. 2.
  • the reference 20 denotes the operations incumbent on the microcomputer 11 associated with the microscope 10.
  • the reference 30 denotes the operations incumbent on the calculation server 12.
  • the first step of the method consists in acquiring microscopic images of sedimentary samples.
  • the samples are prepared on microscope slides which may each comprise 8 slats. Under each coverslip, a sample is deposited by decantation or smear.
  • the imaging is controlled by the microcomputer 1 1 associated with the microscope 10. A minimum of five millimeters squared on each slat (ie 240 fields) are scanned by the camera and for each of them, four images 15-18 three are taken in polarized light and one in unpolarized light.
  • the microcomputer 1 1 also controls the rotary exchangers of the microscope to sequentially bring the polarizers and analyzers to the optical path, or to retract them for images in natural light.
  • the first image 15 is taken in polarized light at 0 ° with respect to a reference axis of the plane of the lamella.
  • the second image 16 is taken, for example, with light polarized at 35 ° with respect to the previous direction.
  • the third image 17 is taken, for example, with light polarized at 45 °.
  • the fourth image 18 is taken in natural light.
  • the use of circular polarization is another method for obtaining similar results.
  • Each image taken by the microscope 10 is transmitted to the associated microcomputer 1 1, so that it performs some pretreatments 20, and stored in the memory 13 of the system to be examined later if necessary.
  • the microcomputer 1 1 may in particular perform the following pretreatments on the images taken from each sample:
  • the microcomputer 1 1 selects the value of greater intensity among the three values of the pixel in the images taken with the three polarizations different. These maximum values are assembled pixel by pixel to form the combined image in which the black cross typically observed for a given polarization on the image of a birefringent object disappears.
  • FIG. 3 illustrates this combination process by showing in the "0 °", “35 °” and “45 °” columns portions of images 15-17 showing four birefringent nannofossils.
  • the column “MAX” shows the result of the combination according to the maximum.
  • the shaded areas of the 15-17 individual images have largely disappeared, and there remains a relatively regular and well-defined image of the observed nannofossil.
  • the images thus combined are subject to segmentation processing.
  • Segmentation consists in separating the objects from the bottom of the image in order to study them individually. It uses a thresholding method that preserves the shape and outline of objects. Any known segmentation method can be used and adapted for the purposes of application to the method described herein.
  • Multiple window segmentation makes it possible to split a main image into several sub-windows in order to adjust the calculation of the value of the background locally.
  • the map of the values of the bottom is then subtracted from the image to make the objects appear.
  • nine windows are used for the treatment to be relatively fast.
  • Multiple window segmentation allows you to isolate a number of objects in each starting image. These objects include isolated nannofossils and aggregates of nannofossils, most of which can be separated by retaining the original shape of the individuals.
  • the separation method can use a succession of erosions of binary images and particle separation in order to achieve a simple cutting when the objects are little in contact. In some cases, this is not enough and one can then resort to a second method of measuring Danielsson's distances (Danielsson, P.E., 1980, "Euclidean distance mapping,” Computer Graphics and Image Processing, Vol 14 , pp. 227-248). This method associates with each pixel of the image ( Figure 5a) the distance to the nearest obstacle point such as the contour of a shape, increasing from the edge to the inside ( Figure 5b), which defines centroids. Once this distance map is obtained, a watershedding algorithm is used (Meyer, F., 1994, “Topography distance and watershed lines,” Signal Processing, Vol 38, pp. 13-125. ), by reinterpreting the distances topographically so that the smallest distances define the boundaries of separation ( Figure 5c-d).
  • This method can be completed by a recognition of some predefined forms so as not to cut out similar shapes, such as that of the coccolite Rhabdosphaera sp. who is fit general of T.
  • the result of the segmentation of the combined polarized light images is a set of areas of interest, or vignettes, each including a detected object.
  • Thick (colored) objects will then be classified with reference to morphogroups composed of very birefringent nannofossils.
  • Thin (gray) objects are considered to be non-birefringent nannofossils and will be treated separately with reference to morphobroups of non-birefringent nannofossils.
  • a search for non-birefringent objects is performed.
  • a first method that can be used for this research is to use shape recognition directly on the images from models corresponding to the few known species of non-birefringent nannofossils (Discoasters, Amauroliths, Isthmolithus, ). Other methods can be used, for example inspired by the detection of contours of filtering Prewitt or Sobel for example.
  • a set of areas of interest is obtained, some with respect to very birefringent objects, others with respect to objects that are not very birefringent, and others with respect to to non-birefringent objects.
  • This operation changes the intensity of the pixels of an image to increase the contrast. For example, it is linearly applied to natural light images in which pixel intensity does not have intrinsic significance (thickness). For example, if the pixel intensity range is between 50 and 180, the calculation adjusts the range from 0 to 255.
  • the segmented and processed areas of interest are recorded in the memory 13 in relation to the identification of the image from which they are extracted and with their coordinates (x, y) in this image. They are also transmitted to the calculation server 12 so that it performs the analysis work shown schematically by the reference 30 in FIG.
  • a first classification makes it possible to sort the objects between the nannofossils and non-nannofossils in both sets of gray objects and colored objects. This is done by a primary neural network.
  • a secondary neural network has been trained to differentiate between objects by their general form.
  • a tertiary neural network classifies form categories into several taxonomic groups.
  • Classification trees or standard regression Trees are binary partitioning algorithms that divide the descriptive space in homogeneous subsets according to the classes (nodes) as a function of threshold values of the descriptive variables. Each node of the tree is split using the best value among the variables.
  • the adaboost is an iterative algorithm based schematically on regression trees (see for example: Freund, Y., Schapire, RE, 1997, "A Decision-Theoretic Generalization of On-Line Learning and Application to Boosting”). , Journal of Computer and System Sciences, Vol 55, pp. 1 19-139).
  • SVM Support Vector Machines
  • the SVMs use an algorithm that calculates optimal hyperplanes which separate the classes according to the N dimensions of the learning data (see for example: Cortes, C, Vapnik, V., 1995, "Support-vector networks", Machine Learning, Vol 20, pp. 273-297).
  • Hyperplanes are defined by "support vectors” that represent observations at the boundary between two classes.
  • the distribution of points is modified by functions, called “kernels", which are linear, polynomial, Gaussian or even sigmoidal. This makes it possible to adapt the calculation to different configurations of the descriptive space of the classes.
  • the random forest (see for example: Breiman, L., 2001, “Random forests”, Machine Learning, Vol 45, pp. 5-32) is a method that schematically shows the algorithms of adaboost and regression trees.
  • the algorithm performs training on multiple decision trees driven on random subsets of slightly different data. For each node of the subtrees, it considers a m number of variables selected randomly. By default, the method calculates 500 trees out of as many subsets, each representing 63% of the data. The predictions of each tree are then combined to form the model.
  • the predicted class is the class that has the majority of votes on all trees.
  • Linear discriminant analysis is a method that consists in extracting the linear combinations of the descriptive variables that separate several classes (see for example: Martinez, AM, Kak, AC, 2001, "PCA versus LDA” , IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 23, pp. 228-233).
  • the algorithm makes it possible to reduce the number of dimensions while preserving the discriminating information.
  • the combinations minimize the variance between classes (minimum overlap, CP1) and maximize the variance in classes (CP2).
  • Quadratic discriminant analysis is a variant that looks for quadratic combinations. These methods can be used when the number of samples per class is greater than the number of variables.
  • the nearest neighbors classification is a simple clustering method for classifying the objects from the search for the closest learning data of the new observations (see for example: Cover, T., Hart, P., 1967, "Nearest Neighbor Pattern Classification,” IEEE Transactions on Information Theory, Vol 13, pp. 21-27).
  • the algorithm For each class of learning data, the algorithm performs a search for clusters, that is to say groupings of data, by measuring the Euclidean distances of the points (see for example: Cunningham, P., Delany, SJ , 2007, "k-Nearest Neighbor Classifiers", Technical Report UCD-CSI-2007-4).
  • the data of the new observation are compared with the learned clusters and the determined class corresponds to the closest cluster with the highest confidence index.
  • a combination of a logical AND may be appropriate when the user seeks to be specific enough in his search, whereas if he is especially interested in avoiding missing some specimens, he may prefer to combine the classifications offered by different methods according to a OR logical.
  • the method according to the invention offers great flexibility and great convenience to the biostratigraph. He can define a variety of criteria adapted to what he is looking for and, if he wishes, assign weights to these criteria.
  • the analyzes performed by the calculation server 12 lead to attaching to each area of interest that has been recorded in the memory 13 the classifications obtained for this area of interest by the different methods applied.
  • the memory 13 finally contains, for each position studied (typically each depth along a core extracted from a well), a complete list of the objects observed with the identification of the image where they were observed, their position in this image, the classifications that were made by the different methods and a representation of the area of interest.
  • the identification of the nannofossil species can be carried out very quickly, dispensing the user with delicate segmentation tasks and by already delivering a large part of the classification work, as well as a very convenient way to carry out his work.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

The method for analysing sedimentary samples comprises the following steps: taking images of the samples with a microscope; pre-processing the images to extract zones of interest therefrom; analysing the zones of interest by means of artificial neural networks to carry out a first classification of objects between groups of species of nanofossils; analysing the zones of interest by at least one method of morpho-statistical recognition to carry out a second classification of objects between the groups of species of nanofossils; and gathering the results of the first and second classifications into at least one file indicating the groups of species of nanofossils respectively assigned to the zones of interest by the first and second classifications.

Description

PROCEDE D'ANALYSE D'ECHANTILLONS SEDIMENTAIRES AVEC RECONNAISSANCE AUTOMATIQUE DE NANNOFOSSILES  METHOD FOR ANALYZING SEDIMENT SAMPLES WITH AUTOMATIC RECOGNITION OF NANNOFOSSILS
[0001] La présente invention concerne le domaine de la biostratigraphie. The present invention relates to the field of biostratigraphy.
[Q002] La biostratigraphie est l'étude de la répartition des espèces, en général fossiles, dans les strates sédimentaires et donc dans les temps géologiques. Elle est utilisée notamment pour estimer l'âge de formations géologiques d'origine sédimentaire. [Q002] Biostratigraphy is the study of the distribution of species, generally fossil, in sedimentary strata and therefore in geological time. It is used in particular to estimate the age of geological formations of sedimentary origin.
[0003] Les techniques de repérage et de dénombrement de nannofossiles calcaires dans des échantillons de sédiments sont des outils utilisés dans la biostratigraphie. [0003] Techniques for locating and enumerating calcareous nannofossils in sediment samples are tools used in biostratigraphy.
[0004] Le terme « nannofossiles calcaires » désigne des groupes de taxons fossiles disparus (nannoconidés, discoasteridés, fasciculithes...) ou encore présents (coccolithophoridés) composés de plaques micrométriques en calcite (CaC03), d'une taille allant de 1 à 25 μιτι environ. The term "calcareous nannofossils" refers to groups of fossil taxa disappeared (nannoconids, discoasterids, fasciculiths, etc.) or still present (coccolithophorids) composed of micrometric calcite plates (CaC0 3 ), of a size ranging from 1 about 25 μιτι.
[0005] Les nannofossiles calcaires sont très diversifiés en forme, en taille et en comportement optique. Ils sont généralement très abondants dans les océans. Le nombre de spécimens dans les sédiments pélagiques argileux peut dépasser 1 million/cm3. Par leur répartition et leur abondance, les nannofossiles fournissent des enregistrements assez complets de biodiversité stratigraphique et taxonomique. The limestone nannofossils are very diverse in shape, size and optical behavior. They are generally very abundant in the oceans. The number of specimens in clay pelagic sediments may exceed 1 million / cm 3 . By their distribution and abundance, nannofossils provide fairly complete recordings of stratigraphic and taxonomic biodiversity.
[0006] Les nannofossiles calcaires forment d'excellents marqueurs fossiles pour déterminer l'âge de sédiments, provenant de carottes de forages marins par exemple. Des biozonations temporelles standard ont été élaborées du Jurassique jusqu'à l'ère actuelle. Elles fournissent des zones consistant en des intervalles de temps dont les limites correspondent à la première apparition et à l'extinction d'une espèce. La datation des sédiments par l'observation des nannofossiles permet de réaliser un modèle d'âge fonction de la profondeur le long de la carotte. The calcareous nannofossils form excellent fossil markers to determine the age of sediments, from cores of marine drilling for example. Standard temporal biozonations have been developed from Jurassic to the present era. They provide areas consisting of time intervals whose boundaries correspond to the first appearance and extinction of a species. The dating of sediments by the observation of nannofossils makes it possible to make a model of age depending on the depth along the core.
[0007] L'observation des nannofossiles est le plus souvent effectuée à l'aide d'un microscope optique. Un échantillon provenant d'une carotte est réduit en poudre et disposé par frottis ou par décantation sur une lame de microscope. Les nannofossiles, de forme plate, se placent pour l'essentiel parallèlement à la lame, ce qui permet l'observation de leur morphologie. Les images sont obtenues soit en lumière naturelle soit en lumière polarisée. La lumière polarisée sert à l'observation de nannofossiles biréfringents dont l'image présente des parties sombres dépendant de l'orientation des cristaux de calcite et des couleurs dépendant de l'épaisseur. La lumière naturelle est utilisée pour visualiser des nannofossiles non biréfringents. The observation of nannofossils is most often carried out using an optical microscope. A sample from a carrot is reduced to powder and disposed by smear or decantation on a microscope slide. The Nannofossils, of flat shape, are essentially parallel to the blade, which allows the observation of their morphology. The images are obtained either in natural light or in polarized light. Polarized light is used for the observation of birefringent nannofossils whose image has dark parts depending on the orientation of the calcite crystals and the colors depending on the thickness. Natural light is used to visualize non-birefringent nannofossils.
Les travaux à partir des images de microscope, pour obtenir des données suffisantes sur la présence ou l'absence, l'abondance relative ou absolue de différentes espèces de coccolithes ou autres nannofossiles, sont longs et assez fastidieux. The work from the microscope images, to obtain sufficient data on the presence or absence, the relative or absolute abundance of different species of coccoliths or other nannofossils, are long and rather tedious.
39] Il est souhaitable de disposer d'un système automatisé fiable de reconnaissance pour localiser rapidement les spécimens et, si possible, identifier certaines caractéristiques taxonomiques, mesurer des paramètres morphologiques pertinents et sauvegarder les images. s o] Un SYstème de Reconnaissance Automatique de COccolithes, baptisé SYRACO, a été développé en utilisant des techniques de réseaux de neurones. Il est décrit notamment dans les publications : 39] It is desirable to have a reliable automated recognition system to quickly locate specimens and, if possible, identify certain taxonomic characteristics, measure relevant morphological parameters, and save images. s o] An Automatic Recognition System for COccoliths, called SYRACO, was developed using neural network techniques. It is described in particular in the publications:
• Dollfus, D., Beaufort, L., "Fat neural network for récognition of position- normalised objects" Neural Networks 12, p. 553-560 (1999) ;  • Dollfus, D., Beaufort, L., "Neural Network for Recognition of Position-Normalized Objects" Neural Networks 12, p. 553-560 (1999);
• Beaufort, L., Dollfus, D., "Automatic récognition of coccoliths by dynamical neural networks", Marine Micropaleontology 51 , p. 57-73 (2004).  • Beaufort, L., Dollfus, D., "Automatic recognition of coccoliths by dynamical neural networks", Marine Micropaleontology 51, p. 57-73 (2004).
[0011] Ce système s'est montré d'une grande fiabilité pour l'identification des espèces. Il est cependant limité à la recherche d'une dizaine d'espèces du temps présent au Pléistocène, et il donne lieu à une quantité non négligeable de faux positifs. This system has shown great reliability for species identification. However, it is limited to the search for a dozen species of the present Pleistocene time, and it gives rise to a significant amount of false positives.
SYRACO a été largement utilisé dans des études océanographiques et paléo-océanographiques. Mais il reste inadapté à des applications dans le domaine de la biostratigraphie, essentiellement du fait que le nombre d'espèces prises en compte est insuffisant au regard de l'étendue des temps géologiques. SYRACO has been widely used in oceanographic and paleo-oceanographic studies. But it remains unsuitable for applications in the field of biostratigraphy, mainly because the number of species taken into account is insufficient in view of the extent of geological time.
[0013] Les classifications taxonomiques effectuées par des humains entraînés sont très complexes et ne sont pas aisément reproduites par des automates. Dans le cas des nannofossiles calcaires, la complexité est augmentée par le fait que les fossiles ne sont pas isolés du reste du sédiment. Le système n'a pas seulement une tâche de classification, mais il doit aussi distinguer les nannofossiles parmi d'abondantes particules de formes très variées. Une reconnaissance de formes fiable se heurte à la difficulté que les nannofossiles calcaires présentent souvent une grande plasticité intraspécifique liée à évolution, aux contraintes environnementales et à leur conservation. En outre, des débris peuvent paraître semblables à des coccolithes. Lorsque les outils de reconnaissance font référence à une très grande base de données représentant de nombreuses espèces, par exemple de l'ordre du millier d'espèces, les méthodes actuellement connues sont mises en défaut. Taxonomic classifications carried out by trained humans are very complex and are not easily reproduced by automata. In the case of calcareous nannofossils, the complexity is increased by the fact that the fossils are not isolated from the rest of the sediment. The system does not only have a classification task, but it must also distinguish the nannofossils among abundant particles of very varied forms. Reliable pattern recognition is hampered by the difficulty that calcareous nannofossils often exhibit high intraspecific plasticity related to evolution, environmental constraints and their conservation. In addition, debris may appear similar to coccoliths. When the recognition tools refer to a very large database representing many species, for example of the order of 1000 species, currently known methods are faulted.
[0014] Un but de la présente invention est de perfectionner les méthodes automatiques d'acquisition et de traitement d'images de sédiments pour permettre une prise en compte efficace d'un nombre élevé d'espèces de nannofossiles. An object of the present invention is to improve the automatic methods of acquisition and treatment of sediment images to allow an effective consideration of a large number of species of nannofossils.
[0015] Il est proposé un procédé d'analyse d'échantillons sédimentaires, qui comprend les étapes suivantes: There is provided a method for analyzing sediment samples, which comprises the following steps:
- prendre des images au microscope des échantillons ;  - take microscope images of the samples;
- prétraiter les images pour en extraire des zones d'intérêt ;  - Pretreat the images to extract areas of interest;
- analyser les zones d'intérêt au moyen de réseaux de neurones artificiels pour opérer une première classification d'objets entre des groupes d'espèces de nannofossiles ;  - analyzing areas of interest using artificial neural networks to perform a first classification of objects between groups of nannofossil species;
- analyser les zones d'intérêt par au moins une méthode de reconnaissance morpho-statistique pour opérer une seconde classification d'objets entre les groupes d'espèces de nannofossiles ; et  analyzing the areas of interest by at least one morpho-statistical recognition method for operating a second classification of objects between the groups of nannofossil species; and
- rassembler les résultats des première et seconde classifications en au moins un fichier indiquant les groupes d'espèces de nannofossiles respectivement affectés aux zones d'intérêt par les première et seconde classifications.  - gather the results of the first and second classifications in at least one file indicating the groups of nannofossil species respectively assigned to the areas of interest by the first and second classifications.
[0018] Le procédé enrichit les techniques antérieurement connues de reconnaissance automatique de coccolithes, ou plus généralement de nannofossiles, en ajoutant des méthodes morphométriques, ou morpho- statistiques, aux outils de type réseaux de neurones artificiels qui ont été utilisés auparavant. The method enhances the previously known techniques of automatic recognition of coccoliths, or more generally nannofossils, by adding morphometric methods, or morpho statistics, artificial neural network tools that have been used before.
[0017] En regroupant les espèces de nannofossiles en groupes aux propriétés morphologiques analogues pour l'analyse utilisant les réseaux de neurones artificiels et les méthodes de reconnaissance morpho-statistiques, on peut prendre en compte une très large variété de nannofossiles tout en évitant une trop grande spécificité qui empêcherait la reconnaissance de nombreux individus. By grouping the nannofossil species into groups with similar morphological properties for analysis using artificial neural networks and morpho-statistical recognition methods, one can take into account a very wide variety of nannofossils while avoiding too much great specificity that would prevent the recognition of many individuals.
[0018] L'affectation à une espèce particulière de chaque objet trouvé dans une zone d'intérêt, renseignant sur l'âge des sédiments étudiés, revient finalement à un expert. Mais le travail de celui-ci est rendu beaucoup plus efficace. Cet expert se voit présenter un fichier, délivré par le procédé susmentionné, qui lui permet d'afficher les zones d'intérêt suivant des critères qu'il choisit en relation avec les classes auxquelles les réseaux de neurones et les méthodes morpho-statistiques auront affecté les zones d'intérêt. Il peut concentrer son intervention sur l'expertise qui est la sienne, c'est-à-dire reconnaître les espèces trouvées dans les sédiments étudiés, sans consacrer un temps excessif aux tâches préliminaires de prétraitement et de classification. The assignment to a particular species of each object found in an area of interest, providing information on the age of the sediments studied, ultimately returns to an expert. But the work of this one is made much more efficient. This expert is presented with a file, delivered by the aforementioned method, which allows him to display the areas of interest according to the criteria he chooses in relation to the classes to which the neural networks and the morpho-statistical methods will have affected. areas of interest. He can focus his work on the expertise that is his, that is to say, recognize the species found in the sediments studied, without spending excessive time on the preliminary tasks of pretreatment and classification.
[0019] Un mode de réalisation comprenant ainsi une étape supplémentaire d'affichage de zones d'intérêts sélectionnées par un utilisateur en combinant les indications de groupes d'espèces de nannofossiles affectés par les première et seconde classifications. Selon les espèces qu'il recherche, l'utilisateur pourra commodément combiner les critères résultant des différentes méthodes de classification. An embodiment thus comprising an additional step of displaying zones of interest selected by a user by combining the indications of groups of nannofossil species affected by the first and second classifications. Depending on the species it is looking for, the user can conveniently combine the criteria resulting from different classification methods.
[0020] Le procédé permet, si nécessaire, de prendre en compte jusqu'à un millier d'espèces ou plus. En particulier, il peut couvrir l'essentiel des nannofossiles calcaires connus du Cénozoïque depuis l'Éocène supérieur. Cette échelle de temps convient pour les études biostratigraphiques, spécialement dans le domaine de la recherche d'hydrocarbures dans le sous-sol. The method allows, if necessary, to take into account up to a thousand species or more. In particular, it can cover most of the known limestone nannofossils of the Cenozoic since the Late Eocene. This time scale is suitable for biostratigraphic studies, especially in the field of hydrocarbon research in the subsoil.
[0021] Dans une réalisation, la prise des images au microscope comprend la prise de trois images de chaque échantillon en lumière polarisée, avec des polarisations différentes. Cette façon de procéder facilite l'observation des nannofossiles biréfringents. Le prétraitement des images peut alors comprendre une combinaison des trois images en lumière polarisée d'un même échantillon pour former une image combinée dont chaque pixel a une valeur donnée par le maximum des valeurs des trois pixels de même position dans les trois images en lumière polarisée. In one embodiment, taking the images under the microscope comprises taking three images of each sample in polarized light, with different polarizations. This way of proceeding facilitates the observation of birefringent nannofossils. The pretreatment of the images may then comprise a combination of the three images in polarized light of the same sample to form a combined image of which each pixel has a value given by the maximum of the values of the three pixels of the same position in the three polarized light images. .
[0022] Une autre image de chaque échantillon peut être prise en utilisant de la lumière naturelle, pour l'observation de nannofossiles non biréfringents. Another image of each sample can be taken using natural light, for the observation of non-birefringent nannofossils.
[0023] Les réseaux de neurones artificiels peuvent être entraînés avec des images de nannofossiles d'une base de données de plus de 10000 images de nannofossiles couvrant de l'ordre d'un millier d'espèces depuis le Cénozoïque. Artificial neural networks can be trained with nannofossil images from a database of more than 10,000 images of nannofossils covering the order of a thousand species since the Cenozoic.
[0024] Un autre aspect de la présente invention se rapporte à un système d'analyse d'échantillons sédimentaires. Ce système comprend au moins un microscope pour prendre des images des échantillons, et des ressources informatiques configurées pour mettre en œuvre les étapes susmentionnées de prétraitement, d'analyse (au moyen de réseaux de neurones artificiels et par au moins une méthode de reconnaissance morpho-statistique) et de rassemblement des résultats. Another aspect of the present invention relates to a system for analyzing sedimentary samples. The system includes at least one microscope for taking images of the samples, and computer resources configured to perform the above steps of pretreatment, analysis (using artificial neural networks and at least one morphological recognition method). statistics) and the collection of results.
[0025] Un autre aspect encore de la présente invention se rapporte à un programme d'ordinateur pour un système de traitement de données associé à au moins un microscope. Le programme comprend des instructions pour mettre en œuvre les étapes susmentionnées de prétraitement, d'analyse et de combinaison dans l'analyse d'échantillons sédimentaires lorsqu'il est exécuté sur le système de traitement de données auquel sont présentées des images des échantillons prises au microscope. L'invention concerne encore un support d'enregistrement lisible par ordinateur, sur lequel est enregistré un tel programme. Still another aspect of the present invention relates to a computer program for a data processing system associated with at least one microscope. The program includes instructions for carrying out the above steps of pretreatment, analysis and combination in the analysis of sediment samples when performed on the data processing system to which images of the samples taken from the sample are presented. microscope. The invention further relates to a computer readable recording medium on which such a program is recorded.
[0026] D'autres particularités et avantages de la présente invention apparaîtront dans la description ci-après d'un exemple de réalisation non limitatif, en référence aux dessins annexés, dans lesquels : Other features and advantages of the present invention will appear in the following description of a nonlimiting exemplary embodiment, with reference to the accompanying drawings, in which:
- la figure 1 est un schéma d'un système d'analyse d'échantillons sédimentaires convenant pour mettre en œuvre l'invention ;  FIG. 1 is a diagram of a sediment sample analysis system suitable for implementing the invention;
- la figure 2 est un diagramme illustrant un procédé selon l'invention ; - la figure 3 montre des images prises de plusieurs spécimens de nannofossiles biréfringents dans une réalisation de l'invention ; FIG. 2 is a diagram illustrating a method according to the invention; FIG. 3 shows images taken of several specimens of birefringent nannofossils in one embodiment of the invention;
- les figures 4a-c montrent des images prises de plusieurs spécimens de nannofossiles non biréfringents ;  FIGS. 4a-c show images taken of several specimens of non-birefringent nannofossils;
- les figures 5a-d illustrent les étapes principales d'une opération de segmentation d'agrégats à partir d'une portion d'image de départ (figure 5a) : seuillage et distance de Danielsson (figure 5b), watershedding (figure 5c) et superposition des limites de séparations (figure 5d) ; et  FIGS. 5a-d illustrate the main steps of an operation of segmentation of aggregates from a starting image portion (FIG. 5a): thresholding and distance of Danielsson (FIG. 5b), watershedding (FIG. 5c) and superposition of separation limits (Figure 5d); and
- les figures 6 et 7 montrent des exemples de sorties fournies par le procédé à un utilisateur.  Figures 6 and 7 show examples of outputs provided by the method to a user.
[0027] Dans l'exemple de réalisation représenté sur la figure 1 , le système d'analyse d'échantillons sédimentaires comprend un ou plusieurs microscopes optiques 10 contrôlés chacun par un micro-ordinateur 1 1 . In the embodiment shown in Figure 1, the sediment sample analysis system comprises one or more optical microscopes 10 each controlled by a microcomputer 1 1.
[0028] Le microscope 10 est par exemple de marque Leica DM6000B avec un objectif à grossissement de 100 tel qu'un objectif de marque Leica HCX PL APO 100/1 .47. Il est équipé de deux échangeurs rotatifs contenant des polariseurs et des analyseurs, et une platine automatisable selon les trois directions (x, y, z) de l'espace. Le microscope est relié à un micro-ordinateur 1 1 par une interface d'acquisition, par exemple écrite à l'aide du logiciel de marque LabView. The microscope 10 is for example brand Leica DM6000B with a magnification lens of 100 such as a lens brand Leica HCX PL APO 100/1 .47. It is equipped with two rotary exchangers containing polarizers and analyzers, and an automatable plate in the three directions (x, y, z) of the space. The microscope is connected to a microcomputer 11 by an acquisition interface, for example written using the LabView brand software.
[0029] Les images du microscope peuvent être prises par une caméra couleur RGB sur 48 bits ou noir et blanc sur 14 bits. Le micro-ordinateur 1 1 sert à commander le microscope 10 et la caméra, mais aussi à effectuer des traitements d'image décrits ci-après, dont un traitement de segmentation. The images of the microscope can be taken by a 48-bit RGB color camera or 14-bit black and white. The microcomputer 1 1 serves to control the microscope 10 and the camera, but also to perform image processing described below, including a segmentation processing.
[0030] Le micro-ordinateur 1 1 est connecté via un réseau local à un serveur de calcul 12, qui effectue des tâches de classification des images segmentées, potentiellement très nombreuses (de l'ordre d'une à quelques centaines de milliers pour une étude biostratigraphique). Le serveur de calcul 12 est par exemple équipé d'un processeur à quatre cœurs et d'une mémoire de 32 Mo. The microcomputer 1 1 is connected via a local area network to a calculation server 12, which performs classification tasks of segmented images, potentially very numerous (of the order of one to a few hundred thousand for a biostratigraphic study). The calculation server 12 is for example equipped with a four-core processor and a memory of 32 MB.
[0031] Le réseau local peut connecter à un même serveur de calcul 12 plusieurs stations de travail comprenant chacune un micro-ordinateur 1 1 associé à un microscope 10 pour traiter un nombre élevé d'images segmentées. Il peut aussi y avoir plusieurs serveurs de calcul dans des cas où une puissance de calcul plus importante est nécessaire. The local network can connect to the same computing server 12 several workstations each comprising a microcomputer 1 1 associated with a microscope 10 to process a high number of segmented images. he can There may also be several compute servers in cases where more computing power is needed.
[0032] Les images prises au microscope et segmentées en zones d'intérêt par un micro-ordinateur 1 1 , ainsi que les résultats des classifications effectuées par le serveur de calcul 12 sont enregistrées dans une mémoire 13 pour être ensuite exploités par un opérateur. The images taken under the microscope and segmented into areas of interest by a microcomputer 1 1, and the results of the classifications performed by the calculation server 12 are stored in a memory 13 to be subsequently exploited by an operator.
[0033] Les équipements susmentionnés du système sont complétés par une base de données 14 composée d'images et de mesures qui servent à l'apprentissage des algorithmes de classification. The aforementioned equipment of the system is supplemented by a database 14 composed of images and measurements used for learning classification algorithms.
[0034] Pour une application biostratigraphique sur une échelle remontant à environ 40 millions d'années, les individus composant la base de données d'images 14 proviennent d'échantillons répartis entre l'Éocène et l'actuel sur différentes carottes provenant de plusieurs océans. Ces individus ont été identifiés par des experts nannopaléontologistes et/ou biostratigraphes. La base 14 contient ainsi l'essentiel des formes possibles de cette période. For a biostratigraphic application on a scale going back about 40 million years, the individuals composing the image database 14 come from samples distributed between the Eocene and the current on different cores from several oceans. . These individuals have been identified by nanopaleontologist and / or biostratigraphic experts. The base 14 thus contains most of the possible forms of this period.
[0035] Ces formes prises en compte dans la base de données 14 sont réparties en « morphogroupes », c'est-à-dire en groupes d'espèces de nannofossiles partageant des caractéristiques morphologiques. La propriété de biréfringence peut aussi intervenir dans la définition des morphogroupes. These forms taken into account in the database 14 are divided into "morphogroups", that is to say groups of nannofossil species sharing morphological characteristics. The property of birefringence can also intervene in the definition of the morphogroups.
[0036] Les morphogroupes sont en nombre réduit par rapport au nombre des espèces prises en considération, par exemple quelques dizaines de morphogroupes pour environ mille espèces des 40 millions d'années les plus récentes. Il ne serait pas réaliste de collecter suffisamment d'individus par espèce pour rechercher une classification automatique espèce par espèce. En outre, cela poserait des problèmes compte tenu des similitudes que présentent certaines espèces, qu'un expert peut distinguer compte tenu de connaissances qu'il peut avoir sur l'environnement d'extraction des échantillons ou des autres espèces identifiées dans ces échantillons, mais qu'une méthode automatique risquerait de mal classifier. The morphogroups are reduced in number compared to the number of species taken into consideration, for example a few tens of morphogroups for about one thousand species of the most recent 40 million years. It would not be realistic to collect enough individuals per species to search for an automatic species-by-species classification. In addition, this would be problematic given the similarities of some species, which an expert can distinguish in the light of knowledge he may have about the extraction environment of the samples or other species identified in these samples, but that an automatic method might misclassify.
[0037] Les nannofossiles très biréfringents sont visibles dans des images prises en lumière polarisée, où ils présentent des motifs en couleurs. Ils peuvent être répartis en une dizaine de morphogroupes de type « placolithe », de forme générale annulaire, et une dizaine d'autres morphogroupes. Par exemple : The very birefringent nannofossils are visible in images taken in polarized light, where they have patterns in color. They can to be divided into ten morphogroups of "placolite" type, of general annular shape, and a dozen other morphogroups. For example :
• un morphogroupe « rum » de type placolithe peut être défini comme étant composé de nannofossiles très biréfringents de forme générale elliptique de grande taille, avec de larges bordures, une grosse ouverture centrale et une luminosité moyenne à élevée. L'espèce Reticulofenestra umbilica dont un spécimen est montré sur la figure 3, appartient à ce groupe rum, qui comprend d'autres espèces comme R. Pseudoumbilica ;  • a "rum" morphogroup of the placolite type can be defined as being composed of very large double-birefringent nannofossils of elliptical shape, with large borders, a large central aperture and a medium to high brightness. The species Reticulofenestra umbilica, a specimen of which is shown in Figure 3, belongs to this rum group, which includes other species such as R. Pseudoumbilica;
• un morphogroupe « bra » peut être défini comme étant composé de nannofossiles très biréfringents de forme générale pentagonale à symétries axiale et centrale et à luminosité basse à élevée. L'espèce Braadurosphaera bigelowi dont un spécimen est montré sur la figure 3, appartient à ce groupe bra, qui comprend d'autres espèces comme Pemma sp. ou Micrantholithus sp. ;  • a morphogroup "bra" can be defined as being composed of very birefringent nannofossils of pentagonal general shape with axial and central symmetries and with low to high brightness. The species Braadurosphaera bigelowi, a specimen of which is shown in Figure 3, belongs to this group bra, which includes other species such as Pemma sp. or Micrantholithus sp. ;
• etc.  • etc.
[Q038] Les nannofossiles peu biréfringents sont visibles dans des images prises en lumière polarisée, où ils présentent des motifs en niveaux de gris. Ils peuvent être répartis en une vingtaine de morphogroupes de type « placolithe », de forme générale annulaire, et une quinzaine d'autres morphogroupes. Par exemple : [Q038] Non-birefringent nannofossils are visible in images taken in polarized light, where they have grayscale patterns. They can be divided into twenty morphogroups of the "placolite" type, of general annular shape, and about fifteen other morphogroups. For example :
• un morphogroupe « emi » de type placolithe peut être défini comme étant composé de nannofossiles peu biréfringents de forme générale elliptique de taille inférieure à 3 μιτι, avec une zone centrale ouverte et une faible luminosité. L'espèce Emiliania huxleyi dont un spécimen est montré sur la figure 3, appartient à ce groupe emi, qui comprend d'autres espèces comme Reticulofenestra minuta ;  • A morphology "emi" placolite type can be defined as being composed of naked birefringent nannofossils generally elliptical shape of size less than 3 μιτι, with an open central area and low light. The species Emiliania huxleyi, a specimen of which is shown in Figure 3, belongs to this group emi, which includes other species such as Reticulofenestra minuta;
• un morphogroupe « sca » peut être défini comme étant composé de nannofossiles peu biréfringents en forme générale de losange allongé, à symétrie axiale et à luminosité basse. L'espèce Scapholithus fossilis dont un spécimen est montré sur la figure 3, appartient à ce groupe sca, qui comprend d'autres espèces comme Calciosolenia brasiliensis ;  • a morphogroup "sca" can be defined as consisting of nano-rich birefringent nannofossils in the general shape of elongated rhombus, with axial symmetry and low luminosity. The species Scapholithus fossilis, a specimen of which is shown in Figure 3, belongs to this sca group, which includes other species such as Calciosolenia brasiliensis;
• etc. [0039] Les nannofossiles non biréfringents sont visibles dans des images prises en lumière naturelle. Ils peuvent être répartis en trois morphogroupes: • etc. [0039] Non-birefringent nannofossils are visible in images taken in natural light. They can be divided into three morphogroups:
• Amaurolithes + Ceratholithes (« amau ») en forme générale de fer à cheval ou de crochet, quasiment axisymétriques (spécimens en figure 4a) ;  • Amauroliths + Ceratholiths ("amau") generally horseshoe or hook-shaped, almost axisymmetric (specimens in Figure 4a);
• Discoasters (« dis ») de forme générale en étoile (spécimens en figure 4b) • Discoasters ("dis") of general star shape (specimens in Figure 4b)
• Isthmolithus (« /si ») de forme générale en échelle, quasiment axisymétriques (spécimens en figure 4c). • Isthmolithus ("/ si") of a general scale shape, almost axisymmetric (specimens in Figure 4c).
[0040] La base de données 14 contient en outre des « non-nannofossiles », c'est-à-dire des images d'objets très biréfringents, peu biréfringents ou non biréfringents, vus au microscope dans des échantillons de sédiments mais qui n'ont pas été répertoriés en tant que nannofossiles. Ces « non-nannofossiles » de la base 14 permettent aux algorithmes de classification de réaliser leur apprentissage pour une classe de « riens », c'est-à-dire d'objets non classifiés en tant que nannofossiles. The database 14 also contains "non-nannofossils", that is to say images of very birefringent objects, little birefringent or non-birefringent, seen under the microscope in sediment samples but which have not been listed as nannofossils. These "non-nannofossiles" of the base 14 allow the classification algorithms to realize their learning for a class of "nothings", that is to say objects not classified as nannofossils.
[0041] Le fonctionnement du système d'analyse d'échantillons sédimentaires représenté sur la figure 1 est illustré par le diagramme de la figure 2. Dans ce diagramme, la référence 20 désigne les opérations incombant au micro-ordinateur 1 1 associé au microscope 10, tandis que la référence 30 désigne les opérations incombant au serveur de calcul 12. The operation of the sediment sample analysis system shown in FIG. 1 is illustrated by the diagram of FIG. 2. In this diagram, the reference 20 denotes the operations incumbent on the microcomputer 11 associated with the microscope 10. , whereas the reference 30 denotes the operations incumbent on the calculation server 12.
[0042] La première étape du procédé consiste à acquérir des images au microscope d'échantillons sédimentaires. The first step of the method consists in acquiring microscopic images of sedimentary samples.
[0043] Les échantillons sont préparés sur des lames de microscope pouvant comporter chacune 8 lamelles. Sous chaque lamelle, un échantillon est déposé par décantation ou par frottis. La prise d'image est pilotée par le micro-ordinateur 1 1 associé au microscope 10. Un minimum de cinq millimètres carré sur chaque lamelle (soit 240 champs) sont numérisés par la caméra et pour chacun d'eux, quatre images 15-18 sont prises, trois en lumière polarisée et une en lumière non polarisée. Le micro-ordinateur 1 1 pilote également les échangeurs rotatifs du microscope afin d'amener séquentiellement les polariseurs et analyseurs sur le chemin optique, ou de les escamoter pour les images en lumière naturelle. The samples are prepared on microscope slides which may each comprise 8 slats. Under each coverslip, a sample is deposited by decantation or smear. The imaging is controlled by the microcomputer 1 1 associated with the microscope 10. A minimum of five millimeters squared on each slat (ie 240 fields) are scanned by the camera and for each of them, four images 15-18 three are taken in polarized light and one in unpolarized light. The microcomputer 1 1 also controls the rotary exchangers of the microscope to sequentially bring the polarizers and analyzers to the optical path, or to retract them for images in natural light.
[0044] La première image 15 est prise en lumière polarisée à 0° par rapport à un axe de référence du plan de la lamelle. La seconde image 16 est prise, par exemple, avec une lumière polarisée à 35° par rapport à la direction précédente. La troisième image 17 est prise, par exemple, avec lumière polarisée à 45°. La quatrième image 18 est prise en lumière naturelle. L'utilisation de la polarisation circulaire est une autre méthode permettant d'obtenir des résultats similaires. The first image 15 is taken in polarized light at 0 ° with respect to a reference axis of the plane of the lamella. The second image 16 is taken, for example, with light polarized at 35 ° with respect to the previous direction. The third image 17 is taken, for example, with light polarized at 45 °. The fourth image 18 is taken in natural light. The use of circular polarization is another method for obtaining similar results.
[0045] Chaque image prise par le microscope 10 est transmise au microordinateur associé 1 1 , pour que celui-ci effectue certains prétraitements 20, et stockée dans la mémoire 13 du système pour pouvoir être examinée plus tard si nécessaire. Each image taken by the microscope 10 is transmitted to the associated microcomputer 1 1, so that it performs some pretreatments 20, and stored in the memory 13 of the system to be examined later if necessary.
[0046] Le micro-ordinateur 1 1 peut notamment exécuter les prétraitements suivants sur les images prises de chaque échantillon : The microcomputer 1 1 may in particular perform the following pretreatments on the images taken from each sample:
- une combinaison des images prises avec différentes polarisations ;  - a combination of images taken with different polarizations;
- une segmentation en zones d'intérêt des images en lumière polarisée ; - segmentation into zones of interest of images in polarized light;
- un tri des objets biréfringents ; - a sorting of birefringent objects;
- une segmentation des images en lumière naturelle ;  - a segmentation of images in natural light;
- une correction gamma ;  a gamma correction;
- une normalisation.  - a standardization.
[0047] La combinaison des images prises avec différentes polarisations permet de distinguer au mieux les objets biréfringents dans les images. Pour chaque pixel ayant une position (x, y) donnée dans les images 15-17 d'un échantillon, le micro-ordinateur 1 1 sélectionne la valeur de plus grande intensité parmi les trois valeurs du pixel dans les images prises avec les trois polarisations différentes. Ces valeurs maximales sont assemblées pixel par pixel pour former l'image combinée dans laquelle la croix noire typiquement observée pour une polarisation donnée sur l'image d'un objet biréfringent disparaît. The combination of images taken with different polarizations makes it possible to distinguish at best the birefringent objects in the images. For each pixel having a position (x, y) given in the images 15-17 of a sample, the microcomputer 1 1 selects the value of greater intensity among the three values of the pixel in the images taken with the three polarizations different. These maximum values are assembled pixel by pixel to form the combined image in which the black cross typically observed for a given polarization on the image of a birefringent object disappears.
[0048] La figure 3 illustre ce processus de combinaison en montrant dans les colonnes « 0° », « 35° » et « 45° » des portions d'images 15-17 montrant quatre nannofossiles biréfringents. La colonne « MAX » montre le résultat de la combinaison selon le maximum. Les zones d'ombre des images individuelles 15- 17 y ont sensiblement disparu, et il reste une image relativement régulière et bien définie du nannofossile observé. [0049] Les images ainsi combinées sont soumises au traitement de segmentation. FIG. 3 illustrates this combination process by showing in the "0 °", "35 °" and "45 °" columns portions of images 15-17 showing four birefringent nannofossils. The column "MAX" shows the result of the combination according to the maximum. The shaded areas of the 15-17 individual images have largely disappeared, and there remains a relatively regular and well-defined image of the observed nannofossil. The images thus combined are subject to segmentation processing.
[0050] La segmentation consiste à séparer les objets du fond de l'image afin de les étudier individuellement. Elle utilise une méthode de seuillage qui conserve la forme et le contour des objets. Toute méthode de segmentation connue peut être utilisée et adaptée pour les besoins de l'application au procédé décrit ici. Segmentation consists in separating the objects from the bottom of the image in order to study them individually. It uses a thresholding method that preserves the shape and outline of objects. Any known segmentation method can be used and adapted for the purposes of application to the method described herein.
[0051] Une segmentation à fenêtres multiples permet de découper une image principale en plusieurs sous-fenêtres afin d'ajuster le calcul de la valeur du fond localement. La carte des valeurs du fond est alors soustraite de l'image pour faire apparaître les objets. On utilise par exemple neuf fenêtres pour que le traitement soit relativement rapide. Il est cependant possible de d'augmenter le nombre de sous-fenêtres. La segmentation à fenêtres multiples permet d'isoler un certain nombre d'objets dans chaque image de départ. Ces objets incluent des nannofossiles isolés et des agrégats de nannofossiles qui, pour la plupart d'entre eux, peuvent être séparés en conservant au mieux la forme initiale des individus. Multiple window segmentation makes it possible to split a main image into several sub-windows in order to adjust the calculation of the value of the background locally. The map of the values of the bottom is then subtracted from the image to make the objects appear. For example, nine windows are used for the treatment to be relatively fast. However, it is possible to increase the number of sub-windows. Multiple window segmentation allows you to isolate a number of objects in each starting image. These objects include isolated nannofossils and aggregates of nannofossils, most of which can be separated by retaining the original shape of the individuals.
[0052] La méthode de séparation peut utiliser une succession d'érosions des images binaires et de séparation de particules afin de réaliser un découpage simple lorsque les objets sont peu en contact. Dans certains cas, cela ne suffit pas et on peut alors avoir recours à seconde méthode consistant à mesurer les distances de Danielsson (Danielsson, P.-E., 1980, « Euclidean distance mapping », Computer Graphics and Image Processing, Vol. 14, pp. 227-248). Cette méthode associe à chaque pixel de l'image (figure 5a) la distance au point obstacle le plus proche tel que le contour d'une forme, croissant du bord vers l'intérieur (figure 5b), ce qui définit des centroïdes. Une fois cette carte de distances obtenue, on applique un algorithme de lignes de partage des eaux, ou watershedding (Meyer, F., 1994, « Topographie distance and watershed lines », Signal Processing, Vol. 38, pp. 1 13-125), en réinterprétant les distances de façon topographique pour que les distances les plus faibles définissent les limites de séparation (figure 5c-d). The separation method can use a succession of erosions of binary images and particle separation in order to achieve a simple cutting when the objects are little in contact. In some cases, this is not enough and one can then resort to a second method of measuring Danielsson's distances (Danielsson, P.E., 1980, "Euclidean distance mapping," Computer Graphics and Image Processing, Vol 14 , pp. 227-248). This method associates with each pixel of the image (Figure 5a) the distance to the nearest obstacle point such as the contour of a shape, increasing from the edge to the inside (Figure 5b), which defines centroids. Once this distance map is obtained, a watershedding algorithm is used (Meyer, F., 1994, "Topography distance and watershed lines," Signal Processing, Vol 38, pp. 13-125. ), by reinterpreting the distances topographically so that the smallest distances define the boundaries of separation (Figure 5c-d).
[0053] Cette méthode peut être complétée par une reconnaissance de quelques formes prédéfinies afin de ne pas découper des formes ressemblantes, comme par exemple celle du coccolithe de Rhabdosphaera sp. qui est en forme générale de T. This method can be completed by a recognition of some predefined forms so as not to cut out similar shapes, such as that of the coccolite Rhabdosphaera sp. who is fit general of T.
[0054] Le résultat de la segmentation des images en lumière polarisée combinées est un ensemble de zones d'intérêt, ou vignettes, incluant chacune un objet détecté. The result of the segmentation of the combined polarized light images is a set of areas of interest, or vignettes, each including a detected object.
[0055] Ces objets sont alors triés en deux catégories, l'une regroupant des objets épais, c'est-à-dire apparaissant colorés dans les images prises en lumière polarisée, et l'autre regroupant des objets peu épais qui apparaissent gris dans ces mêmes images. Les objets épais (colorés) seront ensuite classifiés en référence aux morphogroupes composés de nannofossiles très biréfringents. Quant aux objets peu épais (gris), ils sont considérés comme pouvant représenter des nannofossiles peu biréfringents, et ils seront traités séparément en faisant référence aux morphogroupes de nannofossiles peu biréfringents. These objects are then sorted into two categories, one grouping thick objects, that is to say appearing colored in images taken in polarized light, and the other grouping thin objects that appear gray in these same images. Thick (colored) objects will then be classified with reference to morphogroups composed of very birefringent nannofossils. Thin (gray) objects are considered to be non-birefringent nannofossils and will be treated separately with reference to morphobroups of non-birefringent nannofossils.
[0058] Dans les images 18 prises en lumière naturelle, on ignore les régions occupées par les objets biréfringents segmentés dans les images 15-17 prises en lumière polarisée. Dans le reste de l'image, une recherche d'objets non biréfringents est effectuée. Une première méthode utilisable pour cette recherche consiste à utiliser de la reconnaissance de forme directement sur les images à partir de modèles correspondant aux quelques espèces connues de nannofossiles non biréfringents (Discoasters, Amaurolithes, Isthmolithus, ...). D'autres méthodes peuvent être utilisées, par exemple inspirées de la détection de contours du filtrage Prewitt ou de Sobel par exemple. In the images 18 taken in natural light, we ignore the regions occupied by the segmented birefringent objects in the images 15-17 taken in polarized light. In the rest of the image, a search for non-birefringent objects is performed. A first method that can be used for this research is to use shape recognition directly on the images from models corresponding to the few known species of non-birefringent nannofossils (Discoasters, Amauroliths, Isthmolithus, ...). Other methods can be used, for example inspired by the detection of contours of filtering Prewitt or Sobel for example.
[0057] À la fin de l'étape de segmentation, on obtient un ensemble de zones d'intérêt, certaines par rapport à des objets très biréfringents, d'autres par rapport à des objets peu biréfringents, et d'autres encore par rapport à des objets non biréfringents. At the end of the segmentation step, a set of areas of interest is obtained, some with respect to very birefringent objects, others with respect to objects that are not very birefringent, and others with respect to to non-birefringent objects.
[0058] Le contenu de ces zones d'intérêt peut être soumis à d'autres prétraitements, comme une correction gamma qui est une manipulation mathématique non-linéaire pour modifier la valeur des pixels, permettant de rehausser ou de diminuer la luminosité pour les objets faiblement lumineux ou contrastés. Cette opération correspond par exemple à l'équation suivante : intensité Corrigée = MAX XThe content of these areas of interest may be subject to other pretreatments, such as a gamma correction which is a nonlinear mathematical manipulation to modify the value of the pixels, to enhance or reduce the brightness for objects faintly bright or contrasted. This operation corresponds for example to the following equation: Corrected intensity = MAX X
Figure imgf000015_0001
soit, dans le cas d'images dont les pixels sont codés sur 14 bits avec γ = 1 /2,2 = 0,45 :
Figure imgf000015_0002
Figure imgf000015_0001
or, in the case of images whose pixels are coded on 14 bits with γ = 1 / 2,2 = 0,45:
Figure imgf000015_0002
[0059] Enfin, une opération de normalisation peut être effectuée pour les images en lumière naturelle. Finally, a normalization operation can be performed for images in natural light.
[0080] Cette opération change l'intensité des pixels d'une image pour augmenter le contraste. Elle est par exemple appliquée de manière linéaire aux images en lumière naturelle dans lesquelles l'intensité des pixels n'a pas une signification intrinsèque (l'épaisseur). Par exemple, si la gamme d'intensité des pixels est entre 50 et 180, le calcul ajuste la gamme entre 0 et 255. This operation changes the intensity of the pixels of an image to increase the contrast. For example, it is linearly applied to natural light images in which pixel intensity does not have intrinsic significance (thickness). For example, if the pixel intensity range is between 50 and 180, the calculation adjusts the range from 0 to 255.
[0081] Suite aux prétraitements 20, les zones d'intérêt segmentées et traitées sont enregistrées dans la mémoire 13 en relation avec l'identification de l'image dont elles sont extraites et avec leurs coordonnées (x, y) dans cette image. Elles sont également transmises au serveur de calcul 12 pour qu'il exécute les travaux d'analyse schématisés par la référence 30 sur la figure 2. Following pretreatments 20, the segmented and processed areas of interest are recorded in the memory 13 in relation to the identification of the image from which they are extracted and with their coordinates (x, y) in this image. They are also transmitted to the calculation server 12 so that it performs the analysis work shown schematically by the reference 30 in FIG.
[0082] Des analyses de deux types sont effectuées sur les nombreuses zones d'intérêt segmentées qu'il reçoit du ou des micro-ordinateurs 1 1 : Analyzes of two types are performed on the many segmented areas of interest that it receives from the microcomputer (s) 1 1:
• une analyse au moyen de réseaux de neurones artificiels ; et  • analysis using artificial neural networks; and
• une analyse par une ou plusieurs méthodes de reconnaissance morphostatistique.  • an analysis by one or more morphostatistic recognition methods.
[0063] Il est donc effectué deux types de classification en référence aux morphogroupes qui ont été définis, l'une à base de réseaux de neurones. It is therefore performed two types of classification with reference to morphogroups that have been defined, one based on neural networks.
[0084] L'utilisation de réseaux de neurones artificiels pour la reconnaissance de coccolithes a déjà été proposée, notamment dans les articles précités de D. Dollfus et L. Beaufort. Une technique similaire est utilisée ici, en référence à des classes correspondant à des morphogroupes d'espèces de nannofossiles et non plus à des espèces [0085] Pour l'apprentissage du réseau de neurones, il est utilisé un jeu d'apprentissage comprenant au moins 100 spécimens par morphogroupe d'espèces de nannofossiles et, en outre, plusieurs milliers de spécimens qui ne sont pas des nannofossiles. Les images du jeu d'apprentissage sont converties en niveaux de gris codés sur 8 bits, et les objets relativement grands sont réduits pour rentrer dans une fenêtre de 65 χ 65 pixels. À partir de ce jeu d'apprentissage, trois niveaux de classification ont été produits. Une première classification permet de trier les objets entre les nannofossiles et les non- nannofossiles à la fois dans les ensembles d'objets gris et d'objets colorés. Ceci est effectué par un réseau de neurones primaire. Un réseau de neurones secondaire a été entraîné pour différencier entre les objets par leur forme générale. Finalement, un réseau de neurones tertiaire classifie les catégories de forme en plusieurs groupes taxonomiques. The use of artificial neural networks for the recognition of coccoliths has already been proposed, especially in the aforementioned articles by D. Dollfus and L. Beaufort. A similar technique is used here, with reference to classes corresponding to morphogroups of nannofossil species and no longer to species For learning the neural network, it is used a learning game comprising at least 100 specimens by morphogroup of nannofossil species and, in addition, several thousand specimens that are not nannofossils. Images in the training set are converted to 8-bit grayscale, and relatively large objects are reduced to fit in a 65- to 65-pixel window. From this learning game, three classification levels were produced. A first classification makes it possible to sort the objects between the nannofossils and non-nannofossils in both sets of gray objects and colored objects. This is done by a primary neural network. A secondary neural network has been trained to differentiate between objects by their general form. Finally, a tertiary neural network classifies form categories into several taxonomic groups.
[0086] En complément des réseaux de neurones artificiels appliqués directement sur les images, des algorithmes statistiques de reconnaissance de formes peuvent être utilisés pour la classification. Un apprentissage est effectué pour ces algorithmes sur des variables numériques descriptives mesurées sur les objets. Différentes variables descriptives sont mesurées, par exemple : In addition to the artificial neural networks applied directly to the images, statistical algorithms for pattern recognition can be used for the classification. Learning is performed for these algorithms on descriptive numerical variables measured on the objects. Different descriptive variables are measured, for example:
- la longueur ;  - the length ;
- la largeur ;  - the width ;
- la luminosité ;  - the luminosity ;
- la circularité ;  - circularity;
- l'excentricité ;  - eccentricity;
- la présence ou absence d'une zone centrale ;  - the presence or absence of a central area;
- la présence ou absence d'un pont ;  - the presence or absence of a bridge;
- les paramètres d'une équation polynomiale du profil ;  - the parameters of a polynomial equation of the profile;
- des caractéristiques de texture et de contours, etc.  - texture and contour characteristics, etc.
[0087] On cite ci-après plusieurs méthodes de reconnaissance morphostatistiques pouvant être appliquées à partir de ces variables descriptives pour opérer la classification dans l'application présentée ici. Several morphostatistic recognition methods that can be applied from these descriptive variables are described below in order to operate the classification in the application presented here.
A) Arbres de classification ou régression standard [0088] Les arbres sont des algorithmes de partitionnement binaire qui divisent l'espace descriptif en sous-ensembles homogènes selon les classes (nœuds) en fonction de valeurs seuils des variables descriptives. Chaque nœud de l'arbre est fractionné en utilisant la meilleure valeur parmi les variables. A) Classification trees or standard regression Trees are binary partitioning algorithms that divide the descriptive space in homogeneous subsets according to the classes (nodes) as a function of threshold values of the descriptive variables. Each node of the tree is split using the best value among the variables.
B) Adaptive boosting (« adaboost ») B) Adaptive boosting ("adaboost")
[0069] L'adaboost est un algorithme itératif basé schématiquement sur les arbres à régression (voir par exemple : Freund, Y., Schapire, R.E., 1997, « A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting », Journal of Computer and System Sciences, Vol. 55, pp. 1 19-139). Au cours de l'apprentissage, l'algorithme cherche à chaque itération un classifieur optimal (= classifieur faible) en fonction de la distribution de la pondération des données d'apprentissage. Cette pondération est plus ou moins importante si le nouveau classifieur faible trie correctement les observations, ce qui influe sur le calcul d'un nouveau classifieur faible à la prochaine itération, etc. The adaboost is an iterative algorithm based schematically on regression trees (see for example: Freund, Y., Schapire, RE, 1997, "A Decision-Theoretic Generalization of On-Line Learning and Application to Boosting"). , Journal of Computer and System Sciences, Vol 55, pp. 1 19-139). During the learning, the algorithm searches at each iteration for an optimal classifier (= weak classifier) according to the distribution of the weighting of the learning data. This weighting is more or less important if the new weak classifier sorts the observations correctly, which influences the calculation of a new weak classifier at the next iteration, etc.
C) Les « Support Vector Machines » (SVM) C) Support Vector Machines (SVM)
[0070] Les SVM utilisent un algorithme qui calcule des hyperplans optimaux qui séparent les classes selon les N dimensions des données d'apprentissages (voir par exemple : Cortes, C, Vapnik, V., 1995, « Support-vector networks », Machine Learning, Vol. 20, pp. 273-297). Les hyperplans sont définis par des « vecteurs supports » qui représentent les observations à la limite entre deux classes. Afin d'optimiser leur calcul et maximiser la séparation des classes, la distribution des points est modifiée par des fonctions, appelées « kernels », qui sont linéaires, polynomiales, gaussiennes ou encore sigmoïdes. Cela permet d'adapter le calcul à différentes configurations de l'espace descriptif des classes. The SVMs use an algorithm that calculates optimal hyperplanes which separate the classes according to the N dimensions of the learning data (see for example: Cortes, C, Vapnik, V., 1995, "Support-vector networks", Machine Learning, Vol 20, pp. 273-297). Hyperplanes are defined by "support vectors" that represent observations at the boundary between two classes. In order to optimize their calculation and maximize the separation of classes, the distribution of points is modified by functions, called "kernels", which are linear, polynomial, Gaussian or even sigmoidal. This makes it possible to adapt the calculation to different configurations of the descriptive space of the classes.
D) Les forêts de décisions aléatoires, ou « Random forest » D) random decision forests, or "Random forest"
[0071] Le random forest (voir par exemple : Breiman, L., 2001 ; « Random forests », Machine Learning, Vol. 45, pp. 5-32) est une méthode qui reprend schématiquement les algorithmes de l'adaboost et des arbres de régressions. L'algorithme effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles aléatoires de données légèrement différents. Pour chaque nœud des sous-arbres, il considère un m nombre de variables sélectionnées aléatoirement. Par défaut, la méthode calcule 500 arbres sur autant de sous-ensembles, chacun représentant 63% des données. Les prédictions de chaque arbre sont ensuite combinées pour former le modèle. La classe prédite est la classe qui a la majorité des votes sur l'ensemble des arbres. Un avantage de cet algorithme est qu'un test de validation supplémentaire n'est pas nécessaire car il génère une estimation de l'erreur de généralisation non-biaisée. The random forest (see for example: Breiman, L., 2001, "Random forests", Machine Learning, Vol 45, pp. 5-32) is a method that schematically shows the algorithms of adaboost and regression trees. The algorithm performs training on multiple decision trees driven on random subsets of slightly different data. For each node of the subtrees, it considers a m number of variables selected randomly. By default, the method calculates 500 trees out of as many subsets, each representing 63% of the data. The predictions of each tree are then combined to form the model. The predicted class is the class that has the majority of votes on all trees. An advantage of this algorithm is that an additional validation test is not necessary because it generates an estimate of the unbiased biasing error.
E) L'analyse discriminante linéaire (LDA) E) Linear discriminant analysis (LDA)
[0072] L'analyse discriminante linéaire, ou analyse canonique, est une méthode qui consiste à extraire les combinaisons linéaires des variables descriptives qui séparent plusieurs classes (voir par exemple : Martinez, A.M., Kak, A.C., 2001 , « PCA versus LDA », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 23, pp. 228-233). L'algorithme permet de réduire le nombre de dimensions tout en préservant les informations discrimantes. Les combinaisons minimisent la variance entre les classes (minimum de chevauchement, CP1 ) et maximisent la variance dans les classes (CP2). L'analyse discriminante quadratique est une variante qui recherche les combinaisons quadratiques. Ces méthodes peuvent être utilisées quand le nombre d'échantillons par classe est supérieur au nombre de variables. Linear discriminant analysis, or canonical analysis, is a method that consists in extracting the linear combinations of the descriptive variables that separate several classes (see for example: Martinez, AM, Kak, AC, 2001, "PCA versus LDA" , IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 23, pp. 228-233). The algorithm makes it possible to reduce the number of dimensions while preserving the discriminating information. The combinations minimize the variance between classes (minimum overlap, CP1) and maximize the variance in classes (CP2). Quadratic discriminant analysis is a variant that looks for quadratic combinations. These methods can be used when the number of samples per class is greater than the number of variables.
F) Classification des plus proches voisins, ou « K-nearest neighbour classification » F) Closest Neighbor Classification, or "K-nearest neighbor classification"
[0073] La classification des plus proches voisins est une méthode simple de clustering pour classer les objets à partir de la recherche des données d'apprentissage les plus proches des nouvelles observations (voir par exemple : Cover, T., Hart, P., 1967, « Nearest neighbor pattern classification », IEEE Transactions on Information Theory, Vol. 13, pp. 21 -27). Pour chaque classe des données d'apprentissage, l'algorithme réalise une recherche de clusters, c'est-à- dire de regroupements de données, en mesurant les distances Euclidiennes des points (voir par exemple : Cunningham, P., Delany, S.J. , 2007, « k-Nearest Neighbour Classifiers », Technical Report UCD-CSI-2007-4). Lors de la classification, les données de la nouvelle observation sont comparées aux clusters appris et la classe déterminée correspond au cluster le plus proche avec l'indice de confiance le plus haut. [0074] Dans le contexte de la reconnaissance de nannofossiles, il est avantageux de combiner les classifications opérées par des outils différents. En général, des classifieurs différents font des erreurs différentes sur une nouvelle observation : ils ne conviennent pas à toutes les situations. Les prédictions de chaque classifieur sont combinées pour classer les nouvelles observations. The nearest neighbors classification is a simple clustering method for classifying the objects from the search for the closest learning data of the new observations (see for example: Cover, T., Hart, P., 1967, "Nearest Neighbor Pattern Classification," IEEE Transactions on Information Theory, Vol 13, pp. 21-27). For each class of learning data, the algorithm performs a search for clusters, that is to say groupings of data, by measuring the Euclidean distances of the points (see for example: Cunningham, P., Delany, SJ , 2007, "k-Nearest Neighbor Classifiers", Technical Report UCD-CSI-2007-4). During the classification, the data of the new observation are compared with the learned clusters and the determined class corresponds to the closest cluster with the highest confidence index. In the context of nannofossil recognition, it is advantageous to combine the classifications operated by different tools. In general, different classifiers make different errors on a new observation: they are not suitable for all situations. The predictions of each classifier are combined to rank the new observations.
[0075] Selon les cas, différentes méthodes peuvent être combinées, et le type de combinaison peut aussi varier. Par exemple, une combinaison par un ET logique peut convenir lorsque l'utilisateur cherche à être assez spécifique dans sa recherche, tandis que s'il cherche surtout à éviter de manquer certains spécimens, il pourra préférer combiner les classifications offertes par différentes méthodes selon un OU logique. Depending on the case, different methods can be combined, and the type of combination can also vary. For example, a combination of a logical AND may be appropriate when the user seeks to be specific enough in his search, whereas if he is especially interested in avoiding missing some specimens, he may prefer to combine the classifications offered by different methods according to a OR logical.
[0076] En proposant une classification par réseaux de neurones artificiels et une ou plusieurs classifications par des méthodes morpho-statistiques, le procédé selon l'invention offre une grande souplesse et une grande commodité au biostratigraphe. Celui-ci peut définir une diversité de critères adaptés à ce qu'il recherche et, s'il le souhaite, affecter des pondérations à ces critères. By proposing a classification by artificial neural networks and one or more classifications by morpho-statistical methods, the method according to the invention offers great flexibility and great convenience to the biostratigraph. He can define a variety of criteria adapted to what he is looking for and, if he wishes, assign weights to these criteria.
[0077] Les analyses opérées par le serveur de calcul 12 conduisent à attacher à chaque zone d'intérêt qui a été enregistrée dans la mémoire 13 les classifications obtenues pour cette zone d'intérêt par les différentes méthodes appliquées. The analyzes performed by the calculation server 12 lead to attaching to each area of interest that has been recorded in the memory 13 the classifications obtained for this area of interest by the different methods applied.
[0078] Pour chaque étude biostratigraphique, la mémoire 13 contient finalement, pour chaque position étudiée (typiquement chaque profondeur le long d'une carotte extraite d'un puits), une liste complète des objets observés avec l'identification de l'image où ils ont été observés, leur position dans cette image, les classifications qui ont été réalisées par les différentes méthodes et une représentation de la zone d'intérêt. For each biostratigraphic study, the memory 13 finally contains, for each position studied (typically each depth along a core extracted from a well), a complete list of the objects observed with the identification of the image where they were observed, their position in this image, the classifications that were made by the different methods and a representation of the area of interest.
[0079] À partir de là, l'utilisateur peut indiquer les critères de sélection qui lui conviennent, et faire afficher sur un écran des planches du genre de celles montrées sur les figures 6 et 7. Une telle visualisation lui permet de trier très rapidement les objets, d'éliminer d'éventuels faux positifs et d'affecter les objets aux différentes espèces de nannofossiles pour finalement obtenir de l'information sur l'âge des sédiments. From there, the user can indicate the selection criteria that suit him, and display on a screen boards of the kind shown in Figures 6 and 7. Such a visualization allows him to sort very quickly objects, to eliminate possible false positives and to affect the objects to different species of nannofossils to finally obtain information on the age of the sediments.
[0080] Le repérage des espèces de nannofossiles peut être effectué très rapidement, en dispensant l'utilisateur des tâches délicates de segmentation et en lui livrant déjà une grande partie du travail de classification, ainsi qu'un moyen très commode de réaliser son travail. The identification of the nannofossil species can be carried out very quickly, dispensing the user with delicate segmentation tasks and by already delivering a large part of the classification work, as well as a very convenient way to carry out his work.
[0081] Compte tenu du nombre d'espèces de nannofossiles qui peuvent être prises en compte (jusqu'à mille et plus), une classification directe en espèces par un processus automatique ne serait pas fiable. Ici, le procédé recherche surtout une classification en grands groupes morphologiques et laisse le travail plus fin de détection des espèces à l'expert biostratigraphe. Given the number of species of nannofossils that can be taken into account (up to a thousand and more), a direct classification in cash by an automatic process would not be reliable. Here, the process mainly seeks a classification in large morphological groups and leaves the work of finer detection of species to the expert biostratigraph.
[0082] Les modes de réalisation décrits ci-dessus sont des illustrations de la présente invention. Diverses modifications peuvent leur être apportées sans sortir du cadre de l'invention qui ressort des revendications annexées. The embodiments described above are illustrations of the present invention. Various modifications can be made without departing from the scope of the invention which emerges from the appended claims.

Claims

R E V E N D I C A T I O N S
1 . Procédé d'analyse d'échantillons sédimentaires, le procédé comprenant: 1. A method of analyzing sediment samples, the method comprising:
- prendre des images au microscope des échantillons, comprenant trois images de chaque échantillon en lumière polarisée, avec des polarisations différentes, et une image de chaque échantillon en lumière naturelle ;  taking microscopic images of the samples, comprising three images of each sample in polarized light, with different polarizations, and an image of each sample in natural light;
- prétraiter les images pour en extraire des zones d'intérêt ; et  - Pretreat the images to extract areas of interest; and
- analyser les zones d'intérêt au moyen de réseaux de neurones artificiels pour opérer une première classification d'objets entre des groupes d'espèces de nannofossiles,  analyzing areas of interest using artificial neural networks to perform a first classification of objects between groups of nannofossil species,
et étant caractérisé en ce qu'il comprend en outre : and being characterized in that it further comprises:
- analyser les zones d'intérêt par au moins une méthode de reconnaissance morpho-statistique pour opérer une seconde classification d'objets entre les groupes d'espèces de nannofossiles ; et  analyzing the areas of interest by at least one morpho-statistical recognition method for operating a second classification of objects between the groups of nannofossil species; and
- rassembler les résultats des première et seconde classifications en au moins un fichier indiquant les groupes d'espèces de nannofossiles respectivement affectés aux zones d'intérêt par les première et seconde classifications, les opérations d'analyse étant effectuées à partir des images en lumière polarisée pour des premiers groupes d'espèces de nannofossiles et à partir des images en lumière naturelle pour des seconds groupes d'espèces de nannofossiles moins biréfringents que les premiers nannofossiles des espèces des premiers groupes.  - collecting the results of the first and second classifications in at least one file indicating the groups of nannofossil species respectively assigned to the areas of interest by the first and second classifications, the analysis operations being performed from the images in polarized light for first groups of nannofossil species and from natural light images for second groups of less birefringent nannofossil species than the first nannofossils of the species of the first groups.
2. Procédé selon la revendication 1 , dans lequel les opérations d'analyse effectuées à partir des images en lumière polarisée comprennent une segmentation d'objets biréfringents dans les images en lumière polarisée, et dans lequel les opérations d'analyse effectuées à partir des images en lumière naturelle comprennent une recherche d'objets non biréfringents dans les images en lumière naturelle après exclusion de régions occupées par les objets biréfringents qui ont été segmentés. The method of claim 1, wherein the analysis operations performed from the polarized light images comprise a segmentation of birefringent objects in the polarized light images, and wherein the analysis operations performed from the images. in natural light include a search for non-birefringent objects in the natural light images after excluding regions occupied by the birefringent objects that have been segmented.
3. Procédé selon la revendication 1 ou la revendication 2, dans lequel le prétraitement des images comprend une combinaison des trois images en lumière polarisée d'un même échantillon pour former une image combinée dont chaque pixel a une valeur donnée par le maximum des valeurs des trois pixels de même position dans les trois images en lumière polarisée. The method of claim 1 or claim 2, wherein the preprocessing of the images comprises a combination of the three polarized light images of the same sample to form a combined image of which each pixel has a value given by the maximum of the values of the images. three pixels of the same position in the three images in polarized light.
4. Procédé selon l'une quelconque des revendications précédentes, dans lequel les réseaux de neurones artificiels sont entraînés avec des images de nannofossiles d'une base de données de plus de 10000 images de nannofossiles couvrant de l'ordre d'un millier d'espèces depuis le Cénozoïque. 4. The method as claimed in claim 1, in which the artificial neural networks are driven with nannofossil images of a database of more than 10,000 nannofossil images covering about a thousand of species since the Cenozoic.
5. Procédé selon l'une quelconque des revendications précédentes, comprenant en outre une étape d'affichage de zones d'intérêts sélectionnées par un utilisateur en combinant les indications de groupes d'espèces de nannofossiles affectés par les première et seconde classifications. The method according to any one of the preceding claims, further comprising a step of displaying areas of interest selected by a user by combining the indications of groups of nannofossil species affected by the first and second classifications.
6. Système d'analyse d'échantillons sédimentaires, le système comprenant au moins un microscope pour prendre des images des échantillons, comprenant trois images de chaque échantillon en lumière polarisée, avec des polarisations différentes, et une image de chaque échantillon en lumière naturelle, et des ressources informatiques (1 1 , 12) configurées pour mettre en œuvre les étapes suivantes : 6. System for analyzing sedimentary samples, the system comprising at least one microscope for taking images of the samples, comprising three images of each sample in polarized light, with different polarizations, and an image of each sample in natural light, and computer resources (1 1, 12) configured to implement the following steps:
- prétraiter les images pour en extraire des zones d'intérêt ;  - Pretreat the images to extract areas of interest;
- analyser les zones d'intérêt au moyen de réseaux de neurones artificiels pour opérer une première classification d'objets entre des groupes d'espèces de nannofossiles ;  - analyzing areas of interest using artificial neural networks to perform a first classification of objects between groups of nannofossil species;
- analyser les zones d'intérêt par au moins une méthode de reconnaissance morpho-statistique pour opérer une seconde classification d'objets entre les groupes d'espèces de nannofossiles ; et  analyzing the areas of interest by at least one morpho-statistical recognition method for operating a second classification of objects between the groups of nannofossil species; and
- rassembler les résultats des première et seconde classifications en au moins un fichier indiquant les groupes d'espèces de nannofossiles respectivement affectés aux zones d'intérêt par les première et seconde classifications, les opérations d'analyse étant effectuées à partir des images en lumière polarisée pour des premiers groupes d'espèces de nannofossiles et à partir des images en lumière naturelle pour des seconds groupes d'espèces de nannofossiles moins biréfringents que les premiers nannofossiles des espèces des premiers groupes. - collecting the results of the first and second classifications in at least one file indicating the groups of nannofossil species respectively assigned to the areas of interest by the first and second classifications, the analysis operations being carried out from the images in polarized light for first groups of nannofossil species and from the images in natural light for second groups of species of nannofossils less birefringent than the first nannofossils of the species of the first groups.
7. Programme d'ordinateur pour un système de traitement de données (1 1 , 12) associé à au moins un microscope, le programme comprenant des instructions pour mettre en œuvre les étapes suivantes dans l'analyse d'échantillons sédimentaires lorsqu'il est exécuté sur le système de traitement de données auquel sont présentées des images des échantillons prises au microscope, comprenant trois images de chaque échantillon en lumière polarisée, avec des polarisations différentes, et une image de chaque échantillon en lumière naturelle : 7. Computer program for a data processing system (1 1, 12) associated with at least one microscope, the program including instructions for performing the following steps in the analysis of sediment samples when it is performed on the data processing system to which images of the samples taken under the microscope are presented, comprising three images of each sample in polarized light, with different polarizations, and an image of each sample in natural light:
- prétraiter les images pour en extraire des zones d'intérêt ;  - Pretreat the images to extract areas of interest;
- analyser les zones d'intérêt au moyen de réseaux de neurones artificiels pour opérer une première classification d'objets entre des groupes d'espèces de nannofossiles ;  - analyzing areas of interest using artificial neural networks to perform a first classification of objects between groups of nannofossil species;
- analyser les zones d'intérêt par au moins une méthode de reconnaissance morpho-statistique pour opérer une seconde classification d'objets entre les groupes d'espèces de nannofossiles ; et  analyzing the areas of interest by at least one morpho-statistical recognition method for operating a second classification of objects between the groups of nannofossil species; and
- rassembler les résultats des première et seconde classifications en au moins un fichier indiquant les groupes d'espèces de nannofossiles respectivement affectés aux zones d'intérêt par les première et seconde classifications,  - collecting the results of the first and second classifications in at least one file indicating the groups of nannofossil species respectively assigned to the areas of interest by the first and second classifications,
les opérations d'analyse étant effectuées à partir des images en lumière polarisée pour des premiers groupes d'espèces de nannofossiles et à partir des images en lumière naturelle pour des seconds groupes d'espèces de nannofossiles moins biréfringents que les premiers nannofossiles des espèces des premiers groupes. the analysis operations being carried out from the images in polarized light for first groups of nannofossil species and from the images in natural light for second groups of species of nannofossils less birefringent than the first nannofossils of the species of the first groups.
8. Support d'enregistrement lisible par ordinateur, sur lequel est enregistré un programme selon la revendication 7. A computer readable recording medium on which a program according to claim 7 is recorded.
PCT/FR2015/050537 2014-03-05 2015-03-05 Method for analysing sedimentary samples with automatic recognition of nanofossils WO2015132531A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1451779A FR3018354B1 (en) 2014-03-05 2014-03-05 METHOD FOR ANALYZING SEDIMENT SAMPLES WITH AUTOMATIC RECOGNITION OF NANNOFOSSILS
FR1451779 2014-03-05

Publications (1)

Publication Number Publication Date
WO2015132531A1 true WO2015132531A1 (en) 2015-09-11

Family

ID=50780723

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2015/050537 WO2015132531A1 (en) 2014-03-05 2015-03-05 Method for analysing sedimentary samples with automatic recognition of nanofossils

Country Status (2)

Country Link
FR (1) FR3018354B1 (en)
WO (1) WO2015132531A1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3637154A4 (en) * 2017-05-10 2021-02-17 Nec Corporation Analysis device, stratum dating device, analysis method, stratum dating method, and program
FR3109635A1 (en) 2020-04-27 2021-10-29 IFP Energies Nouvelles Method of detecting at least one geological component of a rock sample
FR3113735A1 (en) 2020-09-02 2022-03-04 IFP Energies Nouvelles Method for detecting and counting at least one geological constituent of a rock sample

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3736562A1 (en) * 2019-05-06 2020-11-11 FEI Company Method of examining a sample using a charged particle microscope

Non-Patent Citations (17)

* Cited by examiner, † Cited by third party
Title
"Field Programmable Logic and Application", vol. 1451, 1998, SPRINGER BERLIN HEIDELBERG, Berlin, Heidelberg, ISBN: 978-3-54-045234-8, ISSN: 0302-9743, article SIEGFRIED BRECHNER ET AL: "Features for the classification of marine microfossils", pages: 853 - 858, XP055148548, DOI: 10.1007/BFb0033311 *
BARBARIN N ET AL: "PP31B-2021: Automatic recognition of Cenozoic calcareous nannofossils: a reliable tool for paleoceanographic studies - AGU Fall Meeting 2012", December 2012 (2012-12-01), XP055148647, Retrieved from the Internet <URL:http://fallmeeting.agu.org/2012/eposters/eposter/pp31b-2021/> [retrieved on 20141023] *
BEAUFORT L ET AL: "Automatic recognition of coccoliths by dynamical neural networks", MARINE MICROPALEONTOLOGY, vol. 51, no. 1-2, April 2004 (2004-04-01), pages 57 - 73, XP055148356, ISSN: 0377-8398, DOI: 10.1016/j.marmicro.2003.09.003 *
BEAUFORT L ET AL: "Optical measurements to determine the thickness of calcite crystals and the mass of thin carbonate particles such as coccoliths", NATURE PROTOCOLS, vol. 9, no. 3, 20 February 2014 (2014-02-20), pages 633 - 642, XP055148654, ISSN: 1754-2189, DOI: 10.1038/nprot.2014.028 *
BEAUFORT, L.; DOLLFUS, D.: "Automatic recognition of coccoliths by dynamical neural networks", MARINE MICROPALEONTOLOGY, vol. 51, 2004, pages 57 - 73
BOLLMANN J ET AL: "Automated Particle Analysis: Calcareous microfossils", IMAGE ANALYSIS, SEDIMENTS AND PALEOENVIRONMENTS, FRANCUS P (ED.), SPRINGER NETHERLANDS, vol. 7, 2004, pages 229 - 252, XP009181027, ISBN: 1-4020-2061-9 *
BREIMAN, L.: "Random forests", MACHINE LEARNING, vol. 45, 2001, pages 5 - 32
CORTES, C.; VAPNIK, V.: "Support-vector networks", MACHINE LEARNING, vol. 20, 1995, pages 273 - 297
COVER, T.; HART, P.: "Nearest neighbor pattern classification", IEEE TRANSACTIONS ON INFORMATION THEORY, vol. 13, 1967, pages 21 - 27
CUNNINGHAM, P.; DELANY, S.J.: "k-Nearest Neighbour Classifiers", TECHNICAL REPORT UCD-CSI-2007-4, 2007
DANIELSSON, P.-E.: "Eudidean distance mapping", COMPUTER GRAPHICS AND IMAGE PROCESSING, vol. 14, 1980, pages 227 - 248
DOLLFUS D AND BEAUFORT L: "Automatic pattern recognition of calcareous nannoplankton", NEURAL NETWORKS AND THEIR APPLICATIONS, CONFERENCE PROCEEDINGS, 20-22 MARCH 1996, MARSEILLE, FRANCE, 1996, pages 306 - 311, XP009180933 *
DOLLFUS, D.; BEAUFORT, L.: "Fat neural network for recognition of position-normalised objects", NEURAL NETWORKS, vol. 12, 1999, pages 553 - 560
FREUND, Y.; SCHAPIRE, R.E.: "A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting", JOURNAL OF COMPUTER AND SYSTEM SCIENCES, vol. 55, 1997, pages 119 - 139
GARRATT JANE ET AL: "Fourier transforms of image-derived data: Application to Albian coccoliths", MICROPALEONTOLOGY,, vol. 43, no. 3, 1997, pages 303 - 317, XP009180935, ISSN: 0026-2803 *
MARTINEZ, A.M.; KAK, A.C.: "PCA versus LDA", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 23, 2001, pages 228 - 233
MEYER, F.: "Topographic distance and watershed lines", SIGNAL PROCESSING, vol. 38, 1994, pages 113 - 125

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3637154A4 (en) * 2017-05-10 2021-02-17 Nec Corporation Analysis device, stratum dating device, analysis method, stratum dating method, and program
US11448634B2 (en) 2017-05-10 2022-09-20 Nec Corporation Analysis apparatus, stratum age estimation apparatus, analysis method, stratum age estimation method, and program
FR3109635A1 (en) 2020-04-27 2021-10-29 IFP Energies Nouvelles Method of detecting at least one geological component of a rock sample
WO2021219317A1 (en) 2020-04-27 2021-11-04 IFP Energies Nouvelles Method for detecting at least one geological constituent of a rock sample
FR3113735A1 (en) 2020-09-02 2022-03-04 IFP Energies Nouvelles Method for detecting and counting at least one geological constituent of a rock sample
WO2022048891A1 (en) 2020-09-02 2022-03-10 IFP Energies Nouvelles Method for detecting and counting at least one geological constituent of a rock sample

Also Published As

Publication number Publication date
FR3018354B1 (en) 2017-06-09
FR3018354A1 (en) 2015-09-11

Similar Documents

Publication Publication Date Title
US10671833B2 (en) Analyzing digital holographic microscopy data for hematology applications
Dhingra et al. Study of digital image processing techniques for leaf disease detection and classification
CN109154978B (en) System and method for detecting plant diseases
Adams et al. Plant segmentation by supervised machine learning methods
Korus et al. Multi-scale fusion for improved localization of malicious tampering in digital images
Dechesne et al. Semantic segmentation of forest stands of pure species combining airborne lidar data and very high resolution multispectral imagery
Tan et al. Color image segmentation using adaptive unsupervised clustering approach
CN109977899B (en) Training, reasoning and new variety adding method and system for article identification
WO2015132531A1 (en) Method for analysing sedimentary samples with automatic recognition of nanofossils
Trivedi et al. Automatic segmentation of plant leaves disease using min-max hue histogram and k-mean clustering
Dhiman et al. A general purpose multi-fruit system for assessing the quality of fruits with the application of recurrent neural network
Ge et al. Coarse-to-fine foraminifera image segmentation through 3D and deep features
CN108596244A (en) A kind of high spectrum image label noise detecting method based on spectrum angle density peaks
EP2803014A1 (en) Method for the supervised classification of cells included in microscopy images
KR20200071021A (en) Image analysis apparatus, image analysis method and recording medium
WO2019129985A1 (en) Method for forming a neural network for the recognition of a sequence of characters, and associated recognition method
Abishek et al. Soil Texture Prediction Using Machine Learning Approach for Sustainable Soil Health Management
Al Haque et al. A computer vision system for bangladeshi local mango breed detection using convolutional neural network (cnn) models
Chen et al. A novel adaptive ensemble learning framework for automated Beggiatoa Spp. coverage estimation
Mele Insect soup challenge: segmentation, counting, and simple classification
Patel et al. Enhanced CNN for Fruit Disease Detection and Grading Classification Using SSDAE-SVM for Postharvest Fruits
CN112287948B (en) Sketch mark-based middle-level feature extraction rapid edge detection method
Rafique et al. Automated Single Particle Growth Measurement using Segmentation
Carel et al. Multiresolution approach based on adaptive superpixels for administrative documents segmentation into color layers
Carneiro et al. Deep Learning for Automatic Grapevine Varieties Identification: A Brief Review

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15714573

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15714573

Country of ref document: EP

Kind code of ref document: A1