Automatic quantification and classification of microplastics in scanning electron micrographs via deep learning
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
Microplastics quantification and classification are demanding jobs to monitor microplastic pollution and evaluate the potential health risks. In this paper, microplastics from daily supplies in diverse chemical compositions and shapes are imaged by scanning electron microscopy. It offers a greater depth and finer details of microplastics at a wider range of magnification than visible light microscopy or a digital camera, and permits further chemical composition analysis. However, it is labour-intensive to manually extract microplastics from micrographs, especially for small particles and thin fibres. A deep learning approach facilitates microplastics quantification and classification with a manually annotated dataset including 237 micrographs of microplastic particles (fragments or beads) in the range of 50 μm-1 mm and fibres with diameters around 10 μm. For microplastics quantification, two deep learning models (U-Net and MultiResUNet) were implemented for semantic segmentation. Both significantly outmatched conventional computer vision techniques and achieved a high average Jaccard index over 0.75. Especially, U-Net was combined with object-aware pixel embedding to perform instance segmentation on densely packed and tangled fibres for further quantification. For shape classification, a fine-tuned VGG16 neural network classifies microplastics based on their shapes with high accuracy of 98.33%. With trained models, it takes only seconds to segment and classify a new micrograph in high accuracy, which is remarkably cheaper and faster than manual labour. The growing datasets may benefit the identification and quantification of microplastics in environmental samples in future work.
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 | 0,001 | 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 | 0,001 |
| 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