TEXTURAL CHARACTERISTICS OF FIVE MICROORGANISMS FOR RAPID DETECTION USING IMAGE PROCESSING
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT A rapid and cost‐effective technique for identification and classification of microorganisms was explored using fluorescence microscopy and image analysis. After staining the microorganisms with fluorescent dyes (diamidino‐2‐phenyl‐indole [DAPI] and acridine orange [AO], images of the microorganisms were captured using a charge‐coupled device camera attached to a light microscope. Textural features were extracted from the images. Fluorescence emission from Bacillus thuringiensis is the highest compared with other microbes, and the emission from Lactobacillus brevis is the lowest. Various microorganisms can be differentiated using various textural features from images using AO or DAPI dye. Many textural features of the images obtained from the two dyes were different. PRACTICAL APPLICATIONS Conventional microbial detection methods take considerable time and are laborious. Rapid methods are required so that pathogens and spoilage microorganisms in foods and water can be identified and counted in a much shorter time. This work investigates image processing techniques particularly based on textural properties of the images of microorganisms. Images of microorganisms in samples can be captured using light microscopes after concentrating using centrifuge or membrane separation devices. This work will assist in developing a commercial method for rapid detection of microbes in food samples.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle