使用深度学习对象探测器在淡水数字显微镜图像中检测和识别浮游植物
Jorge Figueroa1,2, David Rivas-Villar1,2, José Rouco1,2
1Centro de investigacion CITIC, Universidade da Coruña, 15071 A Coruña, Spain.
Heliyon
|February 8, 2024
概括
这项研究引入了深度学习,用于在水质分析中自动检测有毒植物浮游生物. 更快的R-CNN和RetinaNet模型提高了识别有害藻类物种的可靠性和自动化.
科学领域:
- 环境科学 环境科学
- 微生物学 微生物学
- 计算机科学 计算机科学
背景情况:
- 有毒植物浮游生物对水质构成风险,毒素很难通过传统方法去除.
- 手动分析植物浮游生物是劳动密集的,主观的,不可靠的.
- 现有的自动化系统缺乏可扩展性,依赖于经典的图像处理.
研究的目的:
- 探索深度学习对象检测,用于在显微镜图像中自动识别浮游植物.
- 为了比较Faster R-CNN和RetinaNet在检测有毒植物浮游生物物种方面的性能.
- 开发一个更可靠和可扩展的自动化水质监测系统.
主要方法:
- 利用了一组数据集,用系统的协议捕获的多样本显微镜图像.
- 实施和评估了两个物体检测模型:更快的R-CNN (两阶段) 和RetinaNet (一阶段).
- 专注于端到端可训练模块,用于整合检测和识别植物浮游生物.
主要成果:
- 更快的R-CNN实现了高性能:95.35%的召回率和94.68%的精度为W. naegeliana.
- 在A. spiroides中获得了84.69%的回忆率和89.30%的精度,在D. social.中获得了79.81%的回忆率和82.61%的精度.
- 与最先进的系统相比,该系统展示了改进的自动化,抽象和工作流的简化.
结论:
- 深度学习,特别是Faster R-CNN,为自动检测有毒植物浮游生物提供了强大的解决方案.
- 开发的系统提高了水质监测的可靠性和可扩展性.
- 公开发布数据集促进了可重复性和该领域的进一步研究.
