À ce jour, en raison du changement climatique, les allergies aux pollens et les maladies respiratoires associées constituent un problème majeur de santé publique. Dans un avenir proche, il est attendu que les concentrations de pollen soient plus élevées avec une saison pollinique plus longue, ce qui augmentera la gravité des symptômes. Cela sera particulièrement vrai en raison de l'invasion de plantes du sud vers le nord de l'Europe comme par exemple le pollen d'Ambrosia artemisiifolia communément appelé Ambroisie. Dans ce contexte, il existe un réel besoin d'identifier quotidiennement les grains de pollens en suspension dans l'air en utilisant des méthodes temps réel pour prévenir les symptômes de polypose et évaluer la propagation d'espèces invasives. Pour répondre à ce besoin, la méthode standardisée actuelle est la collecte de grains de pollen présents dans l'air par impaction à l'aide d'un piège à spores muni d'un ruban adhésif. L'échantillon récolté subit un traitement chimique pour être ensuite analysé par microscopie optique par un palynologue. Cependant, l'analyse palynologique pour détecter et quantifier les grains de pollen sur des lames de microscope colorées est un processus lent et laborieux. Dans ce contexte, nous avons cherché à développer une chaine analytique complète et automatisée et entraînable pour la reconnaissance et le comptage des grains de pollen en s'inspirant de la norme actuelle. Pour cela nous avons utilisé une nouvelle approche qui combine plusieurs outils comme la digitalisation et l'apprentissage profond. Ce dispositif a été conçu pour éviter le temps passé par les palynologues au microscope afin d'augmenter le nombre de sites d'observations. Nos résultats ont montré qu'après la numérisation de lames écoles concernant 16 pollens différents, notre processus peut identifier les différents pollens sur 100% de la surface de la lame avec une erreur maximale sur l'espèce de 3% en moins de 2 heures.

Climate change, pollen allergy and associated respiratory diseases are major public health issues. In the future, higher pollen concentrations and a longer pollen season are expected and this will increase the severity of allergy symptoms. Equally, the spread of invasive species such as d'Ambrosia artemisiifolia (commonly named ragweed) from the south to Northern Europe is of concern, as it will disperse highly allergic pollen to new susceptible populations. In this context, there is a real need to identify airborne pollen grains on a daily basis using off-line and on-line methods to mitigate pollinosis symptoms. The current standardized method used is the collection of airborne pollen grains using a Hirst type trap which impacts pollen (and other particles) onto an adhesive tape, which is subsequently analyzed by a chemical treatment and manual microscopy by a palynologist. However, to detect and quantify pollen grains (palynological analysis), on standard colored glass microscope slides is a slow and a laborious process. In this context, the aim is to develop an automated trainable system for the recognition and the counting of pollen grains. This new approach utilizes several deep learning tools on digitalized slides. The system has been designed to avoid the time spent by palynologists on the microscope, to considerably increase the number of observations sites. The results showed that after the model was trained on test slides for 16 separate pollen taxa it can recognize pollens on 100% of the surface of the slide with a maximum error of 3% on the species in less than 2 hours.