PlanarianScanner

Système d'imagerie automatisé pour le suivi comportemental de planaires — 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

• Pilotage du bras CNC en GRBL — déplacement automatique puits par puits
• calibration des multi-puits avec synchro base de données
• Acquisition image haute définition via ArduCam (OpenCV + Picamera2)
• 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

---

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

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 cliennt
./3-install-samba-client.sh

# installation de mariadb
./4-install_mariadb.sh

# installation de mariadb
./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 :

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

PlanarianScanner/
├── cameras/                  # App principale
│   ├── models.py             # ExportSession, ScanningStatus
│   ├── tasks/
│   │   ├── export_tasks.py   # export_images_zip, export_video_mp4
│   │   ├── scanning_tasks.py # scanning, on_scanning_done
│   │   └── transfer_tasks.py # copy vers Samba
│   ├── consumers.py          # WebSocket Channels
│   └── views.py
├── cnc/                      # Pilotage GRBL
├── logs/                     # Logs Celery (rotation auto)
├── media/exports/            # Fichiers exportés temporaires
└── requirements.txt

---

Procédure de calibration en 4 étapes

1. Activer "Debug détection" → voir le cercle et les zones sur le stream

2. Positionner la CNC manuellement sur un point stable → cliquer "Calib — Point A" → mpos_A et centre tube A enregistrés

3. Déplacer la CNC manuellement d'une distance connue (ex: 10mm en X) → attendre stabilisation (la pause 2s est déjà là) → cliquer "Calib — Point B"

4. Résultat affiché : "Calibration OK — 38.2000 px/mm (0.026178 mm/px) Δ=10.000mm / 382.0px" → px_per_mm sauvegardé dans TubeAligner et persisté en base

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 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.