Natur & Technik

Warndienste informieren über Tagesbelastung der Luft und Allergierisiko © APA
Warndienste informieren über Tagesbelastung der Luft und Allergierisiko © APA

APA

Pollenwarnung: Bilderkennung könnte Warndienst beschleunigen

02.04.2020

Erle, Hasel, Esche, Birke, Ragweed: Um zu beantworten, welche Pollen in der Luft vorhanden bzw. in den nächsten Tagen die Schleimhäute reizen werden, ist nach wie vor viel Handarbeit und mühsame Auswertung notwendig. Ein System, das die Pollen, schnell und günstig messen könnte, haben Forschende der TU Graz entwickelt. Zur weiteren Verbesserung wurden bereits Kooperationspartner gefunden.

Pollenwarndienste informieren über die Tagesbelastung der Luft durch Blütenstaub und das mögliche Allergierisiko. Kaum jemand weiß jedoch, welche Arbeit dahinter steckt: Die Pollenmessnetze sind Partikelfallen, die größtenteils manuell ausgewertet werden. Sie saugen mithilfe eines Motors eine gewisse Menge Luft pro Minute an. Diese trifft hinter dem Ansaugschlitz auf eine Trommel, die mit einem Kunststofffilm versehen ist, auf dem die in der Luft enthaltenen Mikropartikel kleben bleiben, schilderte Olga Saukh vom Grazer Institut für Technische Informatik im Gespräch mit der APA.

Dann beginnt für Pollenexperten die Arbeit: Der nach Tagesabschnitten eingeteilte Streifen wird unter 400-facher Vergrößerung auf Pollen und Sporen untersucht. Spezialisten können die von verschiedenen Pflanzen stammenden Körner unterscheiden und zählen jedes einzelne Mikropartikel. Das können dann schon einige Tausend sein, was die Auswertung sehr zeitaufwendig macht.

Maschinelles Lernen zur Pollenerkennung nutzen

Bisherige automatisierte Fallen sind wiederum sehr teuer. Ein kleines Team von Forschern rund um Saukh sowie dem Labor für Computertechnik und Netzwerke der ETH Zürich haben sich zum Ziel gesetzt eine kostengünstige automatisierte Technologie zur Erkennung von Pollen zu entwickeln. Sie haben einen Prototyp eines Messsensors entwickelt, der den gesamten Prozess - vom Einfangen der Pollen über das Erfassen bis hin zur Auswertung - erleichtern sollte. Das Ganze funktioniert mithilfe von fortschrittlichen Analysemethoden aus den Bereichen maschinelles Lernen.

"Wir verlassen uns in hohem Maße auf die Bildverarbeitung mit tiefen neuronalen Netzen. Uns interessiert die Weiterentwicklung der Technologie", betonte die Expertin für vernetzte Sensorik und Datenanalyse an der TU Graz. Langfristig plane man die Einrichtung und den Betrieb eines Netzwerks automatisierter Messstationen, um die Pollenvariabilität in städtischen Räumen zu verstehen und etwa die Korrelation mit wahrgenommenen Symptomen zu untersuchen.

Vom Staubsauger inspiriert

Das Pollenmesssystem besteht aus einem Messgerät, das eine Pollenfalle, einen Partikelkonzentrator und ein digitales Durchlichtmikroskop beinhaltet, und aus einem Cloud-Service, in dem die mikroskopisch erfassten Pollen-Bilder analysiert werden. Die Pollenfalle hat sechs Einlässe, die Pollen aus allen Flugrichtungen erfassen können. "Wir haben uns von modernen Staubsaugertechnologien inspirieren lassen und verwenden zum Sammeln der Pollenproben einen Zyklon, wie er für beutellose Staubsauger genutzt wird, die den aufgesaugten Schmutz in einem Auffangbehälter sammeln", erklärte Nam Cao, der den automatisierten Pollensensor-Prototypen im Rahmen seiner Dissertation entwickelt hat.

Der Blütenstaub landet im Inneren des Gerätes auf einer rotierenden Glasplatte, die mit einer dünnen Schicht Glycerin überzogen ist. Dieses sorgt dafür, dass die Pollenkörner am Glas haften bleiben. Die glyceringetränkten Pollen werden von einer handelsüblichen Papierschneideklinge in einer dünnen Spur auf der Glasplatte verteilt. Je schmäler diese Spur ist, desto mehr Pollen können mikroskopisch erfasst werden, und desto höher sei die Qualität der Bilder, die anschließend analysiert werden. "Das Mikroskop erfasst bis zu 50 Tiefenschichten bei jeder Pollenprobe, was die Qualität der Pollenidentifikation sichert", erläuterte die Forscherin. Bis zu 100 mikroskopische Bilder können in 30 Sekunden in die Cloud hochgeladen werden. Danach werden die Pollen automatisch abgewischt, so dass das Messsystem über lange Zeiträume ohne Wartung arbeiten kann.

Die Identifizierung und Klassifizierung der Pollenkörner übernimmt eine Objekterkennungssoftware, die die Bilder in kleinste Bestandteile auflöst und nach Mustern in den gewonnenen Daten sucht. Von Korn zu Korn optimiert sich das System mithilfe von selbstlernenden Algorithmen. Solche Algorithmen entwickeln sich fortlaufend weiter, sobald sie neue Informationen zu der ihnen gestellten Aufgabe erhalten - bis sie schließlich ihre Aufgabe schneller und genauer als Menschen erledigen. Dieses Erlernen und Erkennen von Mustern aus vorhandenen Daten wird als maschinelles Lernen bezeichnet. Im Grazer Fall hat das Pollenerkennungsmodell bereits in 90 Prozent der Fälle die Pollen richtig erkannt, berichteten die Grazer Forscher.

Pollen exakt Klassifizieren

Um das Modell mithilfe maschineller Lernalgorithmen trainieren und weiter verbessern zu können, haben die Forschenden einen Teil der erfassten Daten manuell annotiert. Nun will man die exakte Klassifizierung der Pollen weiter vorantreiben. "Das ist ein laufender Prozess, wo wir auf die Unterstützung von Pollenfachleuten angewiesen sind", schilderte Saukh. Sie verwies in diesem Zusammenhang auf zwei Open-Source-Plattformen: Der Datensatz sei über Zenodo öffentlich verfügbar. Die Hardware und der Code für die Bildverarbeitung werde im Onlinedienst GitHub bereitgestellt.

Der Prototyp der Apparatur wiege rund acht Kilogramm, misst rund 30 mal 40 Zentimeter und hat einen Stromverbrauch von sechs Watt. "Die Materialkosten belaufen sich auf maximal 1.000 Euro", schätzte die Forscherin. Vergleichbare bereits verfügbare vollautomatisierte Pollenmessgeräte würden bis zu 100.000 Euro kosten. Erste Tests wurden am Dach der TU Graz durchgeführt.

Service: http://www.olgasaukh.com/paper/cao19pollen_poster.pdf, https://github.com/osaukh/pollenpub

Nam Cao, der den Prototypen entwickelt hat

Weitere Meldungen aus Natur & Technik
APA
Partnermeldung