Binarisierte_Bilder_Holographie

Partikel-Morphologie aus holographischen Bildern

Dieser Artikel erklärt Ihnen die Grundlagen für die automatische Identifikation von Aerosol-Partikel. Wir erklären Ihnen wie unsere Messsysteme Informationen zur Partikel-Morphologie aus holographischen Bildern gewinnen und wie Sie damit verschiedene Aerosol-Partikel von einander unterscheiden können.

Bestimmung der Partikel-Morphologie

Aerosol-Partikel werden häufig aufgrund ihrer Grössenverteilung von verschiedenen analytischen Instrumenten charakterisiert. Bei der Echtzeit-Messung und Überwachung von Bioaerosolen, Mikroben und weiteren Feinstaub-Partikel ist die Bestimmung morphologischer Eigenschaften besonders wichtig um deren Ursprung, Art oder Klasse zu bestimmen. Einfach gesagt wollen wir wissen, was für Partikel in der Luft enthalten sind. Dieses Wissen gibt uns neue Erkenntnisse und Hinweise in vielerlei Anwendungen. Die automatische Pollenüberwachung ist eine davon. Um die Vielzahl der Pollen voneinander zu unterscheiden und gleichzeitig noch in Echtzeit zu messen, brauchen wir bei weitem mehr Informationen über die Partikel als nur deren Grösse.

Mikroskopie vs. Echtzeit-Messung

Für die Echtzeit-Messung von Aerosol-Partikel gibt es verschiedene Technologien zur Bestimmung der Partikel-Morphologie. Entscheidend dabei ist die Art und Weise wie die Partikel gemessen werden. Für die Messung und Identifikation von Bioaerosolen führt die mikroskopische Analyse vermutlich zu den besten Resultaten. Denn in den hochauflösenden Bildern lassen sich sowohl die Grösse als auch die Form und die Oberflächenstruktur sehr gut erkennen. Die mikroskopische Analyse hat aber einen grossen Nachteil. Das Verfahren lässt keine Messung von Partikel in Echtzeit, weil aufwändige Laboranalysen notwendig sind.

Welche Technologie setzen wir bei Swisens ein und weshalb?

SwisensPoleno Mars und SwisensPoleno Jupiter verwenden beide die digitale Holographie für die Bestimmung der Partikel-Morphologie. Diese Technologie ermöglicht, dass die Systeme hochauflösende Bilder von vorbei fliegenden Partikel im angesaugten Luftstrom generieren. In den nächsten Abschnitten erklären wir, welche Informationen unsere Messsysteme aus den holographischen Bildern gewinnen. Ausserdem erfahren Sie wie Sie diese Informationen zur Unterscheidung von Partikel und für eine effiziente Datenanalyse verwenden können.

 

Beispiel_Bilder_Holographie_SwisensPoleno_DE
Abbildung 1: Intensitäts Holographie-Bilder (90° versetzt pro Partikel) von einem Wassertropfen
(a)/(d), eines Pinus nigra Pollen Korns (b)/(e) und einer Fusarium graminearum Ascospore (c)/(f),
gemessen mit dem SwisensPoleno.

Analyse der Partikel-Morphologie aus holographischen Bildern

SwisensPoleno Mars und SwisensPoleno Jupiter benutzen die digitale Holographie zur Charakterisierung von Aerosol-Partikel. Die holographischen Bilder geben eine Reihe an Informationen zur Partikel-Morphologie. Damit lassen sich die Partikel klassifizieren und identifizieren. Im nächsten Abschnitt zeigen wir, wie diese Kennwerte zur Unterscheidung eingesetzt werden können.

Digitale Holographie und Partikel-Eigenschaften

Beginnen wir mit der Bilderzeugung. Von jedem Partikel, dass durch das Messsystem fliegt, werden zwei Hologramme aufgenommen. Diese Wellenfelder werden im Anschluss zu fokussierten Intensitäts-Bilder rekonstruiert.

binarisierte Holographie_Bilder mit eingezeichneter Eigenschaften
Abbildung 2: (a), (b) und (c) zeigen die binarisierten Holographie-Bilder mit eingezeichneter
Bounding-Box (B-Box) in Orange, dem geometrischen Schwerpunkt in Grün und dem Kreis mit
derselben Fläche wie das Partikel in Blau, woraus der äquivalente Durchmesser berechnet wird. Die
unteren Bilder (d), (e) und (f) zeigen die anhand der B-Box ausgeschnittenen Partikel mit dem
geometrischen Schwerpunkt und der Minor- und Major-Axis in Blau.

Um numerische Charakteristiken zu den Partikeln zu erhalten, werden jeweils auf beiden holographischen Bildern Algorithmen zur Bildverarbeitung angewandt. Zuerst werden die Bilder binarisiert. Das Binarisieren erfolgt mit Hilfe eines variablen Schwellwertes. Dabei wird aus einem Graustufen-Bild (Abbildung 1) ein binäres Bild erzeugt, dass wie in Abbildung 2 (a) oben ersichtlich ist. Als nächstes wird die grösste im Binärbild gefundene Region, mit gleichen Pixel-Werten mit den von skimage.measure.regionprops zur Verfügung gestellten Algorithmen analysiert. Mit diesem Verfahren werden für die holographischen Bilder die Partikel-Eigenschaften ermittelt. In der nachfolgenden Tabelle (Tabelle 1) sind die wichtigsten Eigenschaften aufgelistet. Ein schönes Beispiel dazu ist Pinus in Abbildung 1 (b). Es zeigt, dass beide SwisensPoleno Systeme Partikel mit komplexerer Morphologie sehr gut abbilden. Folglich lassen sich Partikel sehr gut erkennen beziehungsweise unterscheiden.

Feature Beschreibung Partikeleigenschaft
area Number of pixels of the region. Partikelquerschnittsfläche
bbox_area Number of pixels of the region. Fläche der max. horizontalen
und vertikalen Ausdehnung
convex_area Number of pixels of convex hull image,
which is the smalles convex polygon
that encloses the region.
Fläche der konvexen Hüllkurve
eccentricity Eccentricity of the ellipse* that has
the same second-moments
(Flächenträgheitsmoment) as the
region. The eccentricity is the ratio
of the focal distance over the major
axis length.
Partikelexzentrizität
(Abweichung der Ellipse*
von einem Kreis)
equivalent_diameter The diameter of a circle with the
same area as the region.
Äquivalenter Kreisdurchmesser
der Partikelfläche
feret_diameter_max Maxiumum Feret’s diameter computed
as the longest distance between points
around a region’s convex hull countour.
Maximaler Partikeldurchmesser
major_axis_length The length of the major axis of the ellipse*. Partikellänge (Ellipse)
minor_axis_length The length of the minor axis of the ellipse*. Partikelbreite (Ellipse)
max_intensity Value with the greatest intensity in the
region.
Maximale Partikelhelligkeit
(Pixel)
mean_intensity Value with the mean intensity in the
region
Mittlere Partikelhelligkeit
(Pixel)
min_intensity Value with the least intensity in the
region.
Minimale Partikelhelligkeit
(Pixel)
orientation Angle between the vertical and the
major axis of the ellipse*.
Partikelorientierung
perimeter Perimeter of the object which
approximates the contour as a line
through the centers of border pixels
using a 4-connectivity.
Partikelumfang
perimeter_crofton Perimeter of object approximated by
Crofton formula in 4 directions.
Partikelumfang
solidity Ratio of pixels in the region to pixels
of the convex hull image.
Beschaffenheit der
Partikekontour

Tabelle 1: Die vom SwisensPoleno ermittelten Partikel-Eigenschaften aufgrund der Holographie-Bilder. Die Region ist jeweils die grösste zusammenhängende Fläche von Pixeln des binarisierten Holographie-Bildes, welches die 2D-Projektion des Partikels abbildet. Ellipse*: Die Ellipse mit dem gleichen Flächenträgheitsmoment wie die abgebildete Region. (scikit-image, 2022)

Unterscheidung von Partikel-Arten

Bereits mit dem äquivalenten Durchmesser und der Exzentrizität lassen sich viele Partikel voneinander unterscheiden. In Abbildung 1, lässt sich erahnen, dass diese drei Partikel-Arten aufgrund ihrer Form einfach zu unterscheiden sind.

Der Konturplot in Abbildung 3 zeigt die Gegenüberstellung des äquivalenten Durchmessers und der Exzentrizität der drei Datensätze mit Wassertropfen, Pinus nigra Pollen und F. graminearum Ascosporen. Die Konturlinien veranschaulichen die Form der zweidimensionalen Verteilung der Partikel-Eigenschaften. Wie zu erwarten ist, bilden sich eindeutige Cluster für die verschiedenen Partikelarten, wobei es zu leichten Überschneidungen kommt. Die länglichen F. graminearum Sporen weisen ähnliche Durchmesser auf wie die Wassertropfen, heben sich jedoch auf Grund ihrer Form von den runden Tropfen ab. Bei den Pinus nigra Pollen ist die Grösse das entscheidende Unterscheidungsmerkmal, während die Exzentrizität mit beiden anderen Partikel-Arten überlappt.

Abbildung 3: Konturplot des äquivalenten Durchmessers und der Exzentrizität mit den Partikelarten in verschiedenen Farben. Die einzelnen gemessenen Partikel sind als Punkte eingezeichnet.

Daten-Analysen

Mit dem SwisensDataExplorer ermöglichen wir umfangreiche Analysen von gemessenen Aerosol-Partikeln. Die morphologischen Eigenschaften der Partikel sind ein Pfeiler dieser Analysen und erlauben es verschiedene Partikel-Klassen zu unterschieden, Verschmutzungen in Datensätzen zu finden und Partikel-Arten zu identifizieren. Im folgenden Video zeigen wir wie eine umfangreichen Analyse mit dem SwisensDataExplorer anhand der gewonnenen Partikel-Charakteristiken möglich ist:

Sind Sie an einer Demonstration interessiert?

Gerne geben wir Ihnen die Möglichkeit dazu.

 

Newsletter abonnieren

*Pflichtfelder

Anfrage

*Pflichtfelder