MétaCan
Menu
Retour à la cohorte
Enregistrement W2897286657 · doi:10.15353/jcvis.v4i1.324

SAMSON: Spectral Absorption-fluorescence Microscopy System for ON-site-imaging of algae

2018· preprint· en· W2897286657 sur OpenAlexvenueno aff
Jason Deglint, Yitian Wang, Chao Jin, Alexander Wong

Notice bibliographique

RevueJournal of Computational Vision and Imaging Systems · 2018
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueWater Quality Monitoring and Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAlgaeAbsorption (acoustics)FluorescenceMultispectral imageSample (material)OpticsChlorophytaMaterials scienceFluorescence microscopeMicroscopyComputer scienceOptoelectronicsBiological systemRemote sensingArtificial intelligenceChemistryBotanyPhysicsBiologyGeology

Résumé

récupéré en direct d'OpenAlex

This paper presents SAMSON, a Spectral Absorption-fluorescenceMicroscopy System for ON-site-imaging of algae within a watersample. Designed to be portable and low-cost for on-site use,the optical sub-system of SAMSON consists of a mixture of low-cost optics and electronics, designed specifically to capture bothfluorescent and absorption responses from a water sample. Thegraphical user interface (GUI) sub-system of SAMSON was de-signed to enable flexible visualisation of algae in the water samplein real-time, with the ability to perform fine-grained exposure con-trol and illumination wavelength selection. We demonstrate SAM-SON’s capabilities by equipping the system with two fluorescentillumination sources and seven absorption illumination sources toenable the capture of multispectral data from six different algaespecies (three from the Cyanophyta phylum (blue-green algae) andthree from the Chlorophyta phylum (green algae)). The key benefitof SAMSON is the ability to perform rapid acquisition of fluores-cence and absorption data at different wavelengths and magnifica-tion levels, thus opening the door for machine learning methods toautomatically identify and enumerate different algae in water sam-ples using this rich wealth of data.

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,058

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0170,004

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,296
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Computational Vision and Imaging SystemsMême sujetWater Quality Monitoring and AnalysisTravaux en français237 207