训练样本大小,图像分辨率和时代对使用机器学习进行细菌分类的影响
Sama Al-Ani1, Hui Guo2, Sheila Fyfe2
1Department of Civil Engineering, McMaster University, Hamilton, ON, L8S 4L8, Canada.
Journal of environmental management
|March 8, 2025
概括
优化废水处理的人工智能 (AI) 模型是关键. 这项研究发现,大型多样化的培训数据集对于准确检测丝状细菌和污泥积聚风险至关重要.
科学领域:
- 环境微生物学环境微生物学
- 计算机视觉 计算机视觉 计算机视觉
- 污水处理 污水处理 污水处理
背景情况:
- 检测废水处理中的细菌生长的传统方法耗时.
- 计算机视觉和人工智能为更快,更准确的检测提供了潜力.
- 目前正在开发细分算法,以识别有线细菌过度生长和污泥积聚风险.
研究的目的:
- 优化人工智能 (AI) 分段模型,用于检测废水中的细菌生长.
- 评估训练样本大小,图像分辨率和训练时代对模型准确性和计算要求的影响.
- 确定人工智能模型性能和实际应用的计算需求之间的最佳平衡.
主要方法:
- 研究了一种AI细分模型的优化.
- 测试了三个变量:训练样本大小,图像分辨率和训练时代的数量.
- 分析了准确度指标和计算要求.
主要成果:
- 较大的训练样本大小 (最多300张图像) 提高了准确性;超出此,收益减少.
- 高图像分辨率增强了细节,但增加了计算负载.
- 增加的训练时代带来了微小的精度改进,特别是在细菌结构方面.
- 高分辨率和时代对大样本大小 (300-500图像) 的影响有限.
结论:
- 优先考虑具有足够大小的多样化的训练样本对于AI模型优化至关重要.
- 在模型准确性和计算资源之间可以实现最佳平衡.
- 这种由人工智能驱动的方法可以及时预测废水处理问题 (如污泥积聚) 的早期警告.
