Palynologie ist die wissenschaftliche Disziplin, die sich mit der Analyse von Palynomorphe beschäftigt, insbesondere Pollen. Pollen spielen eine vielfältige Rolle im Ökosystem und sind aufgrund ihrer physischen Robustheit eine wichtige Informationsquelle in unterschiedlichen Bereichen wie z.B. der Forensik, Medizin, Paläoökologie und Honigkunde. Die Analyse von Pollen in Honigprodukten zur botanischen und geographischen Herkunftsbestimmung ist ein zeit- und kostenintensiver Prozess. Von der Herstellung des Präparats bis hin zur mikroskopischen Sortenbestimmung ist ein menschlicher Experte notwendig. Die Pollenkörner müssen dabei händisch gezählt und anhand visueller Merkmale identifiziert werden.

Das Projekt beschäftigt sich mit Verfahren zur Automatisierung dieses Prozesses. Pollendaten sind oftmals nicht digitalisiert, geographisch gebunden oder ideell aufbereitet, sodass sie nicht den Zustand repräsentieren, wie sie im Honigsediment unbearbeitet vorkommen. Zusammen mit den besonderen Eigenheiten von Pollenkörnern, ist es notwendig, besondere bildbasierte Methoden aus dem Bereich der KI anzuwenden, um gezielt die Probleme zu lösen, die in einer Laboranalyse anfallen wie z.B. Methoden zur synthetischen Datenerzeugung sowie Verfahren, die nur geringe Mengen von gelabelten Daten verarbeiten können. Ziel soll es sein, die Einführung von Deep Learning-basierten Methoden zur automatisierten Klassifizierung möglich zu machen, ohne dabei auf teure und aufwendige Laborgeräte oder unrealistisch große Datenmengen angewiesen zu sein. Die Ergebnisse dieses Projekts lassen sich vielfältig nutzen und auch auf andere Palynomorphe übertragen wie z.B. Sporen oder auch Mikrofossilien.

Palynology is the scientific discipline that deals with the analysis of palynomorphs, especially pollen. Pollen plays a diverse role in the ecosystem and, due to its physical robustness, is an important source of information in various fields such as forensics, medicine, palaeoecology and honey science. Analyzing pollen in honey products to determine botanical and geographical origin is a time-consuming and costly process. A human expert is required from the preparation of the sample to the microscopic identification of the different species. The pollen grains have to be counted manually and identified on the basis of visual characteristics.

The project deals with methods for automating this process. Pollen data is often not digitized, geographically bound or ideally prepared, so that it does not represent the condition as it occurs unprocessed in the honey sediment. Together with the special characteristics of pollen grains, it is necessary to apply special image-based methods from the field of AI to specifically solve the problems that arise in a laboratory analysis, such as methods for synthetic data generation and methods that can only process small amounts of labeled data. The aim is to enable the introduction of deep learning-based methods for automated classification without having to rely on expensive and complex laboratory equipment or unrealistically large amounts of data. The results of this project can be used in a variety of ways and can also be transferred to other palynomorphs such as spores or microfossils.

Kontakt

Projektleitung

Prof. Dr.-Ing. Jan Rexilius

+49.571.8385-272

jan.rexilius@hsbi.de