論文の概要: Vision meets algae: A novel way for microalgae recognization and health monitor
- arxiv url: http://arxiv.org/abs/2211.07546v2
- Date: Mon, 26 Aug 2024 09:01:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-28 01:37:08.523062
- Title: Vision meets algae: A novel way for microalgae recognization and health monitor
- Title(参考訳): Vision meets algae:マイクロ藻の認識と健康モニタリングのための新しい方法
- Authors: Shizheng Zhou, Juntao Jiang, Xiaohan Hong, Yan Hong, Pengcheng Fu,
- Abstract要約: このデータセットは、異なる状態の藻属と同じ属の異なる状態の画像を含む。
このデータセット上で、TOOD、YOLOv5、YOLOv8およびRCNNアルゴリズムの変種をトレーニング、検証、テストしました。
その結果,1段階と2段階の物体検出モデルの両方で平均精度が向上した。
- 参考スコア(独自算出の注目度): 6.731844884087066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Marine microalgae are widespread in the ocean and play a crucial role in the ecosystem. Automatic identification and location of marine microalgae in microscopy images would help establish marine ecological environment monitoring and water quality evaluation system. We proposed a new dataset for the detection of marine microalgae and a range of detection methods, the dataset including images of different genus of algae and the same genus in different states. We set the number of unbalanced classes in the data set and added images of mixed water samples in the test set to simulate the actual situation in the field. Then we trained, validated and tested the, TOOD, YOLOv5, YOLOv8 and variants of RCNN algorithms on this dataset. The results showed both one-stage and two-stage object detection models can achieve high mean average precision, which proves the ability of computer vision in multi-object detection of microalgae, and provides basic data and models for real-time detection of microalgal cells.
- Abstract(参考訳): 海洋性藻類は海洋に広く分布し、生態系において重要な役割を担っている。
顕微鏡画像中の海藻の自動識別と位置は、海洋環境モニタリングと水質評価システムを確立するのに役立つだろう。
本研究では,海藻の検出のための新しいデータセットと,異なる状態の藻類と同一属の画像を含む様々な検出方法を提案する。
我々は,データセット内の不均衡なクラス数を設定し,テストセットに混合水サンプルの画像を加え,フィールドの実際の状況をシミュレートした。
そして、このデータセット上で、TOOD、YOLOv5、YOLOv8、RCNNアルゴリズムの亜種をトレーニング、検証、テストしました。
その結果,1段階と2段階の物体検出モデルの両方で平均精度が向上し,マイクロ藻類のマルチオブジェクト検出におけるコンピュータビジョンの能力が証明され,マイクロ藻類のリアルタイム検出のための基本データとモデルが提供されることがわかった。
関連論文リスト
- The FathomNet2023 Competition Dataset [0.8180522890142969]
海洋科学者は、何十年にもわたって海洋生物を研究するために、視覚データを収集してきた。
これらのデータを自動的に処理するツールもあるが、サンプル集団の極端な変動を処理できるツールは存在しない。
画像やビデオのシーケンスが新しい生物、珍しい動物のコレクションを含むことを認識できるモデルや、そうでなければ海中の視覚データを完全に活用することが重要である。
論文 参考訳(メタデータ) (2023-07-17T18:50:53Z) - Deep-learning assisted detection and quantification of (oo)cysts of
Giardia and Cryptosporidium on smartphone microscopy images [0.1349100458364391]
我々は,ジアルディアおよびクリプトスポリジウムの(o)嚢胞を検出する3つの最先端物体検出器の性能評価を行った。
深層学習モデルは、その有効性と限界を探求するために用いられた。
以上の結果から, 深層学習モデルでは, 明視野顕微鏡画像データセットの方が精度がよいが, スマートフォンの顕微鏡による予測は, 非専門家の予測性能に匹敵することがわかった。
論文 参考訳(メタデータ) (2023-04-11T16:58:59Z) - Application of the YOLOv5 Model for the Detection of Microobjects in the
Marine Environment [101.18253437732933]
海洋環境における微小物体の自動検出と認識の問題を解決するためのYOLOV5機械学習モデルの有効性について検討した。
論文 参考訳(メタデータ) (2022-11-28T10:58:50Z) - Towards Generating Large Synthetic Phytoplankton Datasets for Efficient
Monitoring of Harmful Algal Blooms [77.25251419910205]
有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。
現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。
合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
論文 参考訳(メタデータ) (2022-08-03T20:15:55Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳(メタデータ) (2022-05-24T00:00:07Z) - AGAR a microbial colony dataset for deep learning detection [0.0]
Annotated Germs for Automated Recognition データセットは、寒天のプレート上に培養された微生物コロニーの画像データベースである。
本研究では,データセット自体とその開発過程について述べる。
第2部では、AGARデータセット上で、オブジェクト検出のための選択されたディープニューラルネットワークアーキテクチャの性能を評価した。
論文 参考訳(メタデータ) (2021-08-03T01:26:41Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳(メタデータ) (2020-07-30T19:14:00Z) - Pollen13K: A Large Scale Microscope Pollen Grain Image Dataset [63.05335933454068]
この研究は、1万3千以上の天体を含む最初の大規模花粉画像データセットを提示する。
本稿では, エアロバイオロジカルサンプリング, 顕微鏡画像取得, 物体検出, セグメンテーション, ラベル付けなど, 採用データ取得のステップに注目した。
論文 参考訳(メタデータ) (2020-07-09T10:33:31Z) - FathomNet: An underwater image training database for ocean exploration
and discovery [0.0]
FathomNetは、最新のインテリジェントで自動化された水中画像解析の開発を加速するために最適化された、新しいベースラインイメージトレーニングセットである。
現在までに8万枚以上の画像と10万6000枚以上の局所化が233のクラスで行われており、その中には中層生物やベント生物が含まれる。
この新たなデータセットの予測による品質結果が得られたが、我々の結果は最終的に、海洋探査のためにより大きなデータセットが必要であることを示唆している。
論文 参考訳(メタデータ) (2020-06-30T21:23:06Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳(メタデータ) (2020-02-05T21:38:57Z) - Towards detection and classification of microscopic foraminifera using
transfer learning [0.0]
ミクロ化石の分類と数え方は海洋学と気候学において重要なツールである。
微視的フォアミニフェラの検出と分類が可能な深層学習モデルの開発に向けた第一歩が提案されている。
バレンツ海地域の微視的フォアミニフェラと堆積物からなる新しい画像データセットが導入された。
論文 参考訳(メタデータ) (2020-01-14T13:57:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。