Reconnaissance des plots

Comme toutes les procédures décrites dans cette partie sur l’automatisation, celle-ci a été améliorée au fur et à mesure des besoins qui se dégageaient au cours des diverses expériences réalisées. Pour positionner les plots, nous pouvons utiliser les valeurs issue d’une expérience précédente sur le même capteur ou reconnaître les plots selon trois options différentes : grille, manuelle ou semi-automatique. Sur la page suivante est représenté un algorithme simplifié de la procédure utilisée pour reconnaître les plots déposés.

Nous allons maintenant illustrer l’algorithme de reconnaissance des plots décrit dans la Figure 78 par un exemple : son application sur une image (Figure 79) issue d’une expérience réelle. Les nombres entre parenthèses sous chaque image correspondent aux nombres représentés sur l’organigramme de la Figure 78 et permettent d’illustrer la fonction des principales étapes de ce traitement.

Figure 79 : Image non traitée acquise à l'angle de travail et en polarisation TM (1).

L’image ci-dessus, rectangulaire à cause du grandissement latéral du prisme différent selon la largeur et la hauteur, se décompose en plusieurs parties. Les quatre coins de l’image sont sombres car non éclairés. L’anneau noir marque la position de la cuve en téflon. A l’intérieur de cette cuve, la lame d’or est recouverte de liquide tandis qu’à l’extérieur, la lame d’or est au contact de l’air. A l’angle de travail en cinétique pour les plots, nous sommes très proche de l’angle de résonance des plasmons de surface pour l’interface or/liquide, ce qui explique le bon contraste entre les zones fonctionnalisées et l’or nu. Enfin, en dehors de la cuve, dans les parties éclairées, nous sommes très éloignés des conditions de résonance donc la réflectivité est totale.

Figure 80 : Recouvrement de la cuve par une ellipse effectué par l’utilisateur (2) amenant à la désanamorphose de l’image grâce à la transformation de l’ellipse en cercle (3).

Puisque nous connaissons précisément les dimensions de la cellule d’interactions en téflon que nous utilisons sur le montage, le programme va utiliser le rapport entre les dimensions réelles et les dimensions sur l’image de la paroi intérieure de la cuve pour compenser les déformations dues au prisme. L’utilisateur va positionner et dimensionner une ellipse qui doit recouvrir le périmètre intérieur de la cuve et le programme désanamorphose l’image (Figure 80).

Cette opération préparatoire (et esthétique) étant terminée, nous allons maintenant passer à la reconnaissance des plots proprement-dite. Le logiciel développé propose trois possibilités nommées « grille », « manuel » et « semi-automatique » que nous allons maintenant détailler.

Avant de commencer la reconnaissance des plots, l’utilisateur entre dans le programme le nombre de plots par lignes (N1) ainsi que le nombre de plots par colonnes (N2)

qu’il est censé retrouver sur l’image. Dans notre exemple, nous avons 17 plots et l’utilisateur a rentré les valeurs N1 = 4 et N2 = 5. Sur la première ligne, il n’y a physiquement qu’un seul

plot, ce qui signifie qu’il y aura sur cette ligne trois zones de calcul de réflectivité sur la surface non fonctionnalisée, à savoir sur l’or.

Figure 81 : De gauche à droite, découpage de l’image en grille (4) et positionnement par l’utilisateur des centres de chaque plot (5) amenant à l’image de droite (6).

L’option « grille » va tout simplement diviser l’image en 4 x 5 parties égales. Nous voyons sur la Figure 81 que cette opération est inappropriée pour notre exemple (inadéquation entre la position des zones d’intégration et celle des plots). Cette option est plutôt destinée à

l’étude d’un transducteur fonctionnalisé uniformément sur toute la surface. La localisation des zones d’intégration peut alors être choisie librement.

L’option « manuel », comme son nom l’indique, laisse l’utilisateur reconnaître lui- même les différents plots. Après avoir cliqué à la souris les extrémités horizontales d’un plot, puis ses extrémités verticales, l’utilisateur va cliquer chaque centre des plots présents sur la surface. Chaque clic va positionner sur l’image une ellipse (un quasi-cercle car les plots déposés sont censés être circulaires) en blanc (Figure 81). Cette option a l’énorme avantage de fonctionner quelle que soit la qualité de l’image et reste la solution préférentielle dans le cas de la reconnaissance d’un petit nombre de plots (inférieur à quelques dizaines). Par contre, la qualité du résultat dépend fortement de l’habileté de l’utilisateur et cette procédure devient vite rébarbative lorsque l’utilisateur doit positionner plusieurs centaines de plots. Nous nous sommes donc vus contraints de développer une reconnaissance automatisée des plots.

7

10

9

8

Figure 82 : Reconnaissance semi-automatique des plots consistant en une reconnaissance automatique des motifs décrits par l’utilisateur (7) suivie d’une élimination manuelle éventuelle des faux positifs (8), d’un positionnement approximatif des plots manquants à la

souris (9) et d’une correction de la position de ces plots en fonction de celle des plots reconnus (6).

Après de nombreux essais infructueux de développement d’une reconnaissance totalement automatique des plots, nous nous sommes tournés vers une reconnaissance semi- automatique, c’est-à-dire que chaque étape du procédé de reconnaissance peut être contrôlée par l’utilisateur qui va corriger les erreurs survenant au cours des étapes automatiques. L’option « semi-automatique » permet donc à l’utilisateur de guider la reconnaissance des différents plots. La première étape consiste à définir à la souris un rectangle centré sur un plot et incluant ce plot, le programme va alors tenter de reconnaître sur l’image les motifs correspondant à la zone sélectionnée. Chaque zone reconnue est alors matérialisée par un rectangle rouge sur l’image comme sur la Figure 82-7. Cette première étape va permettre la reconnaissance d’un plus ou moins grand nombre de plots suivant l’homogénéité de la forme des plots. Cette première étape peut ensuite être répétée plusieurs fois pour reconnaître de nouveaux motifs et, par voie de conséquence, de nouveaux plots. Nous obtenons alors la Figure 82-7. Certains plots peuvent ne pas avoir été reconnus (ce n’est pas le cas dans notre exemple) tandis que d’autres plots peuvent être reconnus plusieurs fois comme les plots 1, 3 et 4 de la deuxième colonne de la Figure 82-7. Le programme, après avoir calculé la position moyenne des plots reconnus plusieurs fois, remplace les précédents rectangles rouges par des disques blancs matérialisant les plots (comme dans les deux options décrites précédemment). L’utilisateur peut alors modifier ce diamètre pour le faire correspondre au diamètre réel des plots (comme dans le cas de la reconnaissance manuelle, tous les disques ont le même diamètre). Ensuite, la deuxième étape consiste à cliquer avec la souris les zones reconnues par le programme ne correspondant pas à un plot afin de les éliminer. Nous obtenons alors la Figure 82-8. Pour finir, l’utilisateur clique approximativement à l’endroit où devrait se trouver un plot (Figure 82-9) et le programme va alors placer chaque plot manquant en l’alignant sur les autres plots de la même ligne et de la même colonne. L’image finale représentant la matrice des plots reconnus est représentée sur la Figure 82-10.

7

8

10

9

Quelque soit l’option choisie de reconnaissance des plots, cette procédure crée une image binarisée qui va définir la zone de calcul des signaux mesurés pour chaque plot. Nous allons donc maintenant décrire l’automatisation des différentes étapes d’une expérience type.