Effect of training sample size, image resolution and epochs on filamentous and floc-forming bacteria classification using machine learning
Notice bibliographique
Résumé
Computer vision techniques can expedite the detection of bacterial growth in wastewater treatment plants and alleviate some of the shortcomings associated with traditional detection methods. In recent years, researchers capitalized on this potential by developing segmentation algorithms that were specifically tailored to identify the overgrowth of filamentous bacteria and the risk of sludge bulking. This study investigated the optimization of an artificial intelligence (AI) segmentation model in terms of accuracy metrics and computational requirements. Specifically, three model variables were tested, including training sample size, image resolution, and number of training epochs. The results indicated that larger sample sizes resulted in higher output accuracy up to a certain limit (300 images), beyond which no significant improvements were observed. High image resolution (788 × 530) provided more details for the deep learning model to detect the fine edges between bacteria albeit with significant additional computational requirements. The addition of more training epochs resulted in a minor increase in segmentation accuracy, particularly for thin interconnected filamentous bacteria. Overall, high resolution and epochs did not have a major effect when the sample size was large (300 and 500 images). The findings highlight the optimal balance between model accuracy and computational demands, emphasizing the importance of prioritizing diverse training samples with sufficient sample size. This approach is critical for large-scale implementation, as it enhances the potential of AI to deliver timely and accurate predictions, leading to early warnings of wastewater treatment issues such as sludge bulking. • A deep learning image classification model was trained and optimized on image data. • Three parameters were tested: sample size, image resolution, and training epochs. • Larger sample sizes improved accuracy up to 300 images, beyond which gains plateaued. • High image resolution improved edge detection with significant computation requirements. • More training epochs slightly enhanced accuracy, especially for filamentous bacteria.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».