Automatic Identification and Classification of Marine Microplastic Pollution Based on Deep Learning and Spectral Imaging Technology
Notice bibliographique
Résumé
Marine microplastics pose a significant ecological and health risk due to their widespread sources and distribution.As a result, the rapid and accurate identification and classification of microplastics have become critical for marine environmental protection.Currently, traditional visual and microscope detection methods are inefficient and subjective.Some image-based recognition methods suffer from insufficient feature extraction capabilities, resulting in limited accuracy, while spectral-based techniques fail to effectively address data redundancy and noise, leading to poor classification performance in complex environments.To address these challenges, this study focuses on the development of an automatic recognition and classification technology for marine microplastic pollution using deep learning combined with spectral images.The research includes: proposing a feature extraction method for marine microplastics from multispectral images based on the ReliefF algorithm, which effectively selects features and removes redundant information; and developing a Conv-ReliefF-based recognition method for marine microplastics, integrating the feature learning ability of Convolutional Neural Networks (CNNs) with the feature selection advantages of the ReliefF algorithm.The innovation of this study lies in precisely extracting key features from multispectral images using the ReliefF algorithm to solve the problems of redundancy and noise interference in traditional feature extraction.By combining CNNs with the ReliefF algorithm, the Conv-ReliefF method balances feature learning depth and selective screening, thereby improving the accuracy and efficiency of microplastic recognition in complex marine environments.This approach provides technical support for large-scale marine microplastic monitoring.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 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 ».