Automated Detection of Waterborne Pathogens in Aquaculture Using an Enhanced Swin-Transformer Model
Notice bibliographique
Résumé
Waterborne pathogens in aquaculture systems pose significant threats to fish health and production, as well as potential risks to human health.To address the critical need for early and precise pathogen detection, this study introduces an enhanced Swin-Transformer model tailored for automated pathogen identification in aquaculture environments.The Swin-Transformer, a modern deep-learning architecture, excels in image recognition tasks.The proposed model integrates convolutional neural networks (CNNs) for feature extraction and Swin-Transformers for classification.CNN layers process the input images, extracting key features, which are subsequently refined by the Swin-Transformer's self-attention and feedforward network mechanisms.This dual approach captures both localized details and longrange dependencies, enhancing classification accuracy.To train the model, a dataset of water sample images representing various waterborne diseases was utilized, along with data augmentation techniques to boost generalization.The model demonstrated superior performance, achieving an F-measure (Fowlkes-Mallow's index) of 88.26%, a Critical Success Index of 84.39%, recall of 94.75%, accuracy of 94.44%, and Matthew's correlation coefficient of 0.87.Comparative analyses indicate that the proposed model surpasses existing methods, making it a robust solution for disease prevention and management in aquaculture systems.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».