#  PlanarianScanner
> Système d'imagerie automatisé pour le suivi comportemental de planaires
> (C) dd@linuxtarn.org pour le Laboratoire de Biologie, Université Champollion, Albi
---
## Présentation
**PlanarianScanner** est une application web développée pour le suivi de l'activité
et des mouvements de **planaires** (*Platyhelminthes*) dans le cadre de leur étude
en laboratoire.
Le système pilote un scanner multi-puits motorisé composé d'un bras CNC (GRBL) et
d'une caméra haute définition ArduCam montée sur Raspberry Pi 4. Il permet
l'acquisition automatisée d'images sur une grille de **6×4 puits × 4 plaques**,
le stockage haute performance des captures, et leur export vers des machines
d'analyse distantes.
---
## Matériel
| Composant | Détail |
|---|---|
| Carte | Raspberry Pi 4 |
| Caméra | ArduCam haute définition |
| Motorisation | Bras CNC (L2544) piloté en GRBL |
| Grille de puits | 6×4 × 4 plaques multi-puits |
| Réseau | LAN local — export Samba/rsync |
---
## Stack technique
| Couche | Technologie |
|---|---|
| Backend | Django + Django Channels |
| Temps réel | Redis (broker + channel layer) |
| Acquisition | OpenCV + Picamera2 |
| Stockage | ReductStore (time series haute performance) |
| Tâches asynchrones | Celery + django-celery-beat |
| Export | Samba (CIFS), rsync/SSH |
| Plateforme | Raspberry Pi 4 — Debian Linux |
---
## Fonctionnalités
### Application 1: Scanner de tube à essais
- Pilotage du bras CNC en GRBL — déplacement automatique puits par puits
- Calibration des multi-puits avec synchro base de données
- Trois modes de capture :
- **ArduCam** (Picamera2) — caméra haute définition montée sur le bras
- **Webcam** — via OpenCV (développement / test)
- **Vidéo plaque** (`VideoPlateCapture`) — crop dynamique dans une vidéo plaque entière rejouée en boucle ; adapté aux scans sans caméra embarquée
- Calibration assistée :
- Détection automatique du centre du puit (Hough + CLAHE, plage rayon adaptable selon le mode)
- Overlay Canny vert pour visualiser les bords en conditions d'éclairage difficile
- Contrôles temps réel : Debug, Overlay annotations, Contours, Recadrage
- Stockage des frames en base time série ReductStore
- Sessions de scan paramétrables (grille complète ou sélection de puits)
- Export asynchrone (Celery) :
- Archive ZIP d'images JPEG par session
- Vidéo MP4 générée depuis les frames capturées
- Transfert automatique des exports vers machines distantes (Linux / Windows)
- Planification nocturne des exports via django-celery-beat
- Interface web temps réel (Django Channels / WebSocket)
- Interface administration Django (sqlite3 ou mariadb ou postgresql)
- Suivi de progression des tâches longues par polling
### Application 2: Détection de planaires et suivi multi-individus dans un tube.
[🎬 Vidéo Simulation planaires](https://youtu.be/pkzClmBp_KM)
- Supporte plusieurs planaires avec paramètres configurables via django ou csv.
- Stratégie :
- Soustraction de fond MOG2 (léger sur Raspberry Pi 4)
- Détection de tous les contours valides (surface >= min_area_px)
- Association frame-à-frame par distance euclidienne minimale
via algorithme hongrois (scipy.optimize.linear_sum_assignment)
- Un état inter-frame indépendant par individu (PlanarianState)
- Retourne une liste de résultats, un par individu suivi
- Export CSV par planaire compatible EthoVision XT.
- Métriques par frame :
- Mobilité : velocity, distance, moving, mobility_state
- Thigmo : dist_to_wall_mm, near_wall
- Photo : dist_to_light_mm, heading_to_light_deg, fleeing_light
- Chemo : dist_to_food_mm, heading_to_food_deg, approaching_food, in_food_zone
- Social : nearest_neighbour_mm, in_avoid_zone, in_aggreg_zone, chem_repulsion_level
- Métriques résumé (summary) :
- Mobilité : movedCenter_pointTotal_mm, velocity_mean_mm_s, durations par état
- Thigmo : thigmotaxis_pct_time_near_wall
- Photo : photo_pct_time_fleeing, photo_mean_dist_mm, photo_latency_s
- Chemo : chemo_pct_time_approaching, chemo_pct_time_in_zone,
chemo_latency_s, chemo_mean_dist_mm
- Social : social_pct_time_avoiding, social_pct_time_aggregating,
social_mean_nn_mm, social_contact_events
- Seuils EthoVision par défaut (configurables via django ou csv)
- **Immobile** : déplacement < 0.2 mm/s
- **Mobile** : 0.2 à 1.5 mm/s
- **Très mobile** : > 1.5 mm/s
| EthoVision | CSV frames | CSV summary |
|---|---|---|
| movedCenter-pointTotalmm | total_distance_mm | movedCenter_pointTotal_mm |
| VelocityCenter-pointMeanmm/s | velocity_mm_s | velocity_mean_mm_s |
| MovementMoving | moving, duration_moving_s | movement_moving_duration_s |
| MovementNot Moving | duration_stopped_s | movement_not_moving_duration_s |
| ImmobileFrequency / Duration | mobility_state | mobility_immobile_frequency/duration_s |
| MobileFrequency / Duration | mobility_state | mobility_mobile_frequency/duration_s |
| Highly mobileFrequency / Duration | mobility_state | mobility_highly_mobile_frequency/duration_s |
- Comportements
- **Thigmotactisme** : attraction vers la paroi (--thigmotaxis)
- **Phototactisme** : fuite de la lumière (--photo-mode, --photo-strength)
- **Chimiotactisme** : attraction vers une source de nourriture (--chemo-strength)
- **Inter-individus** : évitement de contact, agrégation, répulsion chimique
### Application 4: Simulation de planaires
- planarian_sim.py
Espace circulaire de 16mm de diamètre, 500x500px
Supporte plusieurs planaires avec paramètres configurables via arguments CLI.
Export CSV par planaire compatible EthoVision XT.
Comportements simulés :
- Thigmotactisme : attraction vers la paroi (--thigmotaxis)
- Phototactisme : fuite de la lumière (--photo-mode, --photo-strength)
- Chimiotactisme : attraction vers une source de nourriture (--chemo-strength)
- Inter-individus : évitement de contact, agrégation, répulsion chimique
Usage:
python3 planarian_sim.py [options]
Exemples:
python3 planarian_sim.py --count 5 --thigmotaxis 0.4
python3 planaire_sim.py --count 5 --photo-mode fixed --photo-x 0.2 --photo-y 0.2 --photo-strength 0.6
python3 planarian_sim.py --count 5 --chemo-x 0.7 --chemo-y 0.5 --chemo-strength 0.5
python3 planarian_sim.py --count 5 --avoid-strength 0.6 --aggreg-strength 0.2
- make_videos.sh
- Générateur de vidéos paramétrables
Usage:
- ./make_video.sh (génère le fichier par défaut)
- ./make_video.sh all (génère 24 vidéos pour 24 tubes à essais)
---
## Architecture
```
Raspberry Pi 4
├── Django (interface web + API)
│ ├── Django Channels ←→ Redis (WebSocket temps réel)
│ └── Celery workers
│ ├── scanning(session_id) — parcours des puits
│ ├── export_images_zip() — génération ZIP JPEG
│ ├── export_video_mp4() — génération MP4 (OpenCV)
│ └── transfer → /mnt/exports — partage Samba
│
├── ArduCam ← Picamera2 / OpenCV — capture HD
├── CNC GRBL ← Serial — déplacement XY
└── ReductStore — stockage time série frames
```
---
## Installation
> Documentation complète à venir.
Avec piImager installez PI OS 64-bits Trixie sur le raspberry pi4.
Personnalisez votre raspberry avec au moins ssh (sshkey ou password)
Plus tard, par commodité vous installerez VNC server
```bash
ssh rpi4@ip.du.raspi
git clone https://github.com/votre-repo/planarianscanner.git
git@github.com:deunix-educ/PlanarianScanner.git
# modifier les variables d'environnement si besoin
cp .env.example .env
# Éditer .env : SECRET_KEY, REDIS_URL, REDUCTSTORE_URL, ...
cd PlanarianScanner/etc
chmod +x *.sh
# installation des librairies systèmes
./1-install-sys.sh
# compilation reductstore 15 mn sur le raspberry pi4
./2-cargo-reductstore-install.sh
# installation samba client
./3-install-samba-client.sh
# installation de mariadb
./4-install_mariadb.sh
# installation de adminer
./5-install_adminer.sh
# Configuration des applications Django
./6-install_django_app.sh
# tester
sudo supervisorctl stop test_tube:*
./manage.py runserver 0.0.0.0:8000
# tester en local
# http://127.0.0.1:8000
# tester en distant
# http://ip.du.raspi:8000
# fin du test
sudo supervisorctl restart test_tube:*
```
Démarrage des services :
```bash
Tous les services sont accessibles depuis supervisor
http://root:toor@ip-du-raspi:9001
ou
sudo supervisorctl start|stop|restart reductstore
sudo supervisorctl start|stop|restart test_tube:*
```
## Organisation du dépôt
```bash
PlanarianScanner/
├── assets
│ ├── calibration-auto.png
│ └── logo.png
├── browser.py
├── etc
│ ├── 1-install-sys.sh
│ ├── 2-cargo-reductstore-install.sh
│ ├── 3-install-samba-client.sh
│ ├── 4-install_mariadb.sh
│ ├── 5-install_adminer.sh
│ ├── 6-install_django_app.sh
│ ├── db
│ │ ├── configuration.json
│ │ ├── multiwell.json
│ │ └── well.json
│ ├── install-linux-samba-server.sh
│ ├── nginx_service.conf
│ ├── reductstore_service.conf
│ ├── requirements.txt
│ ├── scanner_service.conf
│ └── supervisor-inet_http.conf
├── LICENSE
├── README.md
└── test_tube_scanner
├── home
│ ├── apps.py
│ ├── asgi.py
│ ├── celerymodule.py
│ ├── context_processors.py
│ ├── __init__.py
│ ├── locale
│ ├── management
│ ├── middleware.py
│ ├── __pycache__
│ ├── settings.py
│ ├── static
│ ├── templates
│ ├── templatetags
│ ├── urls.py
│ ├── views.py
│ └── wsgi.py
├── logs
│ ├── celery.log
│ └── test_tube.log
├── manage.py
├── media
│ ├── images
│ └── simulation
├── modules
│ ├── capture_interface.py
│ ├── circular_crop.py
│ ├── grbl.py
│ ├── __init__.py
│ ├── picamera2_capture_basic.py
│ ├── picamera2_capture.py
│ ├── planarian_metrics.py
│ ├── planarian_tracker.py
│ ├── __pycache__
│ ├── reductstore.py
│ ├── system_stats.py
│ ├── tube_aligner.py
│ ├── utils.py
│ ├── videofile_capture.py
│ └── webcam_capture.py
├── planarian
│ ├── admin.py
│ ├── apps.py
│ ├── forms.py
│ ├── __init__.py
│ ├── migrations
│ ├── models.py
│ ├── __pycache__
│ ├── templates
│ ├── tests.py
│ ├── urls.py
│ └── views.py
├── run-workers.sh
├── scanner
│ ├── admin.py
│ ├── apps.py
│ ├── constants.py
│ ├── consumers.py
│ ├── export_tasks.py
│ ├── __init__.py
│ ├── migrations
│ ├── models.py
│ ├── multiwell.py
│ ├── process.py
│ ├── __pycache__
│ ├── routing.py
│ ├── static
│ ├── tasks.py
│ ├── templates
│ ├── templatetags
│ ├── tests.py
│ ├── urls.py
│ └── views.py
├── staticfiles
│ ├── admin
│ ├── css
│ ├── img
│ ├── js
│ ├── scanner
│ └── webfonts
└── templates
└── admin
```
---
## Procédure de calibration
### Mode caméra (ArduCam / Webcam)
1. **Debug** → active la détection HoughCircles en continu (cercle + zones affiché)
2. **Overlay** → affiche/masque les annotations sans couper la détection
3. **Recadrer** → isole le puit et navigue vers la position Base
4. **Calibrage auto** → centrage automatique puit par puit avec sauvegarde
### Mode vidéo plaque
> **Note** : ce mode permet de piloter le scanner sans caméra embarquée sur le bras CNC.
> Une vidéo de la plaque entière est enregistrée une seule fois puis rejouée en boucle ;
> chaque déplacement GRBL extrait dynamiquement la zone du puit courant dans cette vidéo.
> Idéal pour les tests sans matériel ou les laboratoires ne disposant pas de caméra ArduCam.
1. Créer un enregistrement `VideoPlate` dans l'admin (upload vidéo, `px_per_mm`, `x_origin_mm`, `y_origin_mm`)
2. **Contours** → overlay Canny vert pour repérer les bords des puits selon l'éclairage
3. **Debug** → détection Hough adaptée (plage rayon élargie pour puit plein cadre)
4. **Recadrer** → active le crop + déplace vers la Base
5. Naviguer puit par puit, sauvegarder les positions
[🎬 Vidéo Calibration auto](https://youtu.be/6RueJ3onUoY)
## Contexte scientifique
Les **planaires** sont des vers plats dotés de remarquables capacités de
régénération et d'un système nerveux primitif faisant l'objet de nombreuses
recherches en neurobiologie et biologie du développement.
Ce système d'imagerie automatisé permet d'observer et d'enregistrer leur
comportement (déplacements, réponses à des stimuli) sur de longues périodes,
pour un grand nombre d'individus en parallèle, sans intervention humaine.
---
## Laboratoire
Développé par dd@linuxtarn.org pour le **Laboratoire de Biologie de l'Université Champollion**, Albi.
---
## Statut
> Documentation détaillée et guides d'installation complets à venir prochainement.
---
## Licence
GPL-3.0 — Projet opensource, développé pour le partage et la reproductibilité scientifique.