Applications Micropaléontologie automatisée
SYRACO
SYRACO (SYstème de Reconnaissance Automatique de COccolithes) est en développement depuis 1994. Les premiers réseaux de neurones utilisant la rétropropagation du gradient de l’erreur (Backpropagation) ont été écrits en C++ par Denis Dollfus (thèse CEREGE en 1997) dans une version originale (Dollfus et Beaufort, Fat neural network for recognition of position-normalised objects, Neural Networks, 1998).
Un prototype de microscope a été automatisé au CEREGE 1996 puis remplacé par un microscope automatisé par Leica en 1997.
SYRACO permit la première publication de résultats scientifiques provenant de l’intelligence artificielle (Beaufort et al., ENSO-like forcing on Oceanic Primary Production during the late Pleistocene, Science 2001).
SYRACO a ensuite évolué en suivant les avancées technologiques des ordinateurs (rapidité), des réseaux de neurones (ex.: augmentation du nombre de couches), des caméras, de l’optique (passage successivement de la polarisation linéaire, rotative, circulaire à bidirectionnal circular polarization (Beaufort et al., A universal method for measuring the thickness of microscopic calcite crystals, based on bidirectional circular polarization, Biogeosc., 2021)).
La première étude de microcharbons détectés automatiquement a été publiée en 2003 (Beaufort et al., Continental Biomass Burning and Oceanic Primary Production Estimates in the Sulu Sea Over the Last 380 kyr and the East Asian Monsoon Dynamics, Mar. Geol. 2003)
La détection de coccosphères non fossiles dans des échantillons d’eau marine a été publiée en 2008: Beaufort et a. Calcite production by Coccolithophores in the South East Pacific Ocean, BioGeosc. 2008.
Grâce à l’ANR FIRST nous avons développé un Système d’imagerie et de tri automatique de foraminifères (contact Thibault de Garidel-Thoron : garidel@cerege.fr)avec un développement d’un robot de tri (MISO) par la société ATG. (Marchant et al., Automated analysis of foraminifera fossil records by image classification using a convolutional neural network. J. Micropalaeontol. 2020.
La classification automatique des radiolaires a débuté en 2020 (Tetard, et al., A new automated radiolarian image acquisition, stacking, processing, segmentation and identification workflow. Climate of the Past 2020) en même temps que celle des pollens (Bourel, et al., Automated recognition by multiple convolutional neural networks of modern, fossil, intact and damaged pollen grains, Computers & Geosciences 2020)
Un système de suivi de culture automatisée avec prise de vue diurne et « nocturne » acceptant jusqu’à 48 cultures simultanées de souches distinctes de coccolithophores dans une atmosphère