Mie de pain

Acquisition et analyse d'images

Acquisition et analyse d'images : détermination de la texture de la mie et la croûte du pain

Caractérisation de la texture visuelle de mies de produits céréaliers par analyse d'images : granulométrie par morphologie mathématique

Des tranches sont prélevées dans la zone centrale des produits, posées sur le scanner et recouvertes d’une boîte à fond noir mat. L'acquisition se fait au format TIFF non-compressé, ici avec une résolution de 300 dpi (1 pixel = 0.08 mm):

tranche de pain

 
La mie des produits se présente comme un objet texturé, c'est un arrangement de la mie avec des alvéoles.

Les images sont converties en niveaux de gris. Comme le fond est nettement plus sombre que la mie, un seuil en niveau de gris permet d'isoler un masque de la tranche. Le traitement suivant élimine l'épaisseur de la croûte.

Cette région de l'image est analysée par Morphologie Mathématique, cette méthode consiste à transformer l'image de manière irréversible selon le niveau de gris de ses pixels. Un masque, l'élément structurant, ici de forme carrée, est déplacé sur toute l'image :

traitement de l'image par dilatation

Le niveau de gris du pixel central est modifié selon les niveaux de gris de ses voisins recouverts par l'élément structurant. L'opération de base "érosion" attribue au pixel central la valeur minimale en niveau de gris atteinte sur la zone recouverte par l'élément structurant et l'opération duale, "dilatation", attribue la valeur maximale.

La dilatation éclaircit une image :

traitement de l'image par dilatation

Ici, au bout de 15 étapes il ne reste presque plus d'alvéoles, la trace d'une seule en haut à droite. Les alvéoles qui ont disparu lors des transformations précédentes, ont une de leurs dimensions inférieure à (2 X nombre étapes + 1) = 31 pixels.

Les érosions assombrissent l'image : la mie, les parois des alvéoles sont atténuées :

traitement d'image par erosion

   

A chaque ième transformation la sommes des niveaux de gris V(i) évolue, ici selon la courbe :

evolution des niveuax de gris

 
Les plus fortes variations ont lieu aux 1ères étapes, celles qui affectent essentiellement les petits objets, cette courbe est typique d'une texture fine. Cependant ce type de courbe obtenue sur une image en niveau de gris ne donne pas le nombre d'objets inférieurs à une dimension donnée.  En effet l'importance de la variation de la courbe n'est pas due uniquement à la surface des objets disparus mais aussi à leur niveau de gris initial. La disparition d'une petite alvéole, moins sombre que les grosses, contribue moins à l'augmentation des niveaux de gris que la disparition de la même portion de surface d'une grosse alvéole. Le calcul des variations des sommes des niveaux de gris est normalisé (ajouter formule), permettant l'obtention de courbes appelées de texture granulométrique en niveau de gris :

courbes de texture granulométrique en niveau de gris

 

Ici, les variations sur les premières étapes de dilatation sont plus importantes pour le produit '8' que pour le '30', par exemple : la mie 8 est plus fine que la 30.

 

La comparaison de ces courbes est faite par analyse en composantes principales. Des cartes de ressemblances des courbes sont tracées à partir des coefficients des composantes. Sur cette carte, deux courbes (2 textures) qui se ressemblent sont proches.

analyse en composantes principales

Les produits sont discriminés. Les profils ACP peuvent être interprétés comme une courbe de texture granulométrique, leurs formes permet d'interpréter cette carte. Ici, le 1er profil est essentiellement lié à la hauteur du pic des 1ères étapes, il décrit donc la finesse. Sur la carte, les structures se placent effectivement de la plus fine à droite à la plus aérée à gauche. Le 2ème prend en compte les variations sur les étapes suivantes. La 2ème composante est donc liée à la présence de gros éléments, c'est à dire à l'hétérogénéité de la texture.

Cette méthode a été appliquée à des produits observés en tomographie par rayons X avec une résolution de 15µm, à l'ESRF (www.esrf.fr). L'analyse des images 3D ainsi obtenues a permis de caractériser précisément la structure alvéolaire des produits et d'obtenir des classements selon leur finesse ou leur hétérogénéité. Ces classements sont cohérents avec ceux obtenus selon la méthode écrite ici.

   

    

Voir aussi

Evaluation de l’épaisseur de la croûte du pain par imagerie

Nous avons développé un outil permettant d’évaluer l’épaisseur de la croûte à partir d’images de tranches obtenues selon la méthode décrite dans la page« Acquisition et analyse d'images ».

tranche de pain

Les images sont acquises en couleurs RVB (Rouge, Vert, Bleu) puis converties dans le système colorimétrique HSI (Teinte, Saturation, Intensité). La composante Saturation montre des valeurs différentes dans la croûte que dans la mie.

images acquises en couleurs RVB (Rouge, Vert, Bleu)
images converties dans le système colorimétrique HSI

Une Analyse en Composantes Principales est effectuée sur les quatre composantes rouge, vert, bleu et saturation d’un panel de pixels. Les vecteurs propres obtenus servent à calculer de nouvelles images qui mettent en évidence les constituants de la tranche, dont la croûte. Une image binaire de la croûte est ainsi obtenue :

image binaire de la croûte

Nous avons ainsi pu caractériser la croûte pour des pains ayant subi différentes durées de cuisson.

pains ayant subi différentes durées de cuisson.
caractérisation de la croûte à différentes durées de cuisson.

Cette méthode est détaillée dans l’article du Cahier des Techniques de l’INRA de décembre 2011 et dans « Kinetics of crust formation during conventional french bread baking » Della Valle Journal of Cereal Science,In Press, Accepted Manuscript, Available online 20 June 2012.

Date de modification : 11 septembre 2023 | Date de création : 06 septembre 2017 | Rédaction : Guy Della Valle