Integrating Machine Learning with Flow-Imaging Microscopy for Automated Monitoring of Algal Blooms
Notice bibliographique
Résumé
Real-time monitoring of phytoplankton in freshwater systems is critical for early detection of harmful algal blooms (HABs) to enable efficient response by water management agencies. This manuscript presents an image processing pipeline developed to adapt ARTiMiS, a low-cost automated flow-imaging device, for real-time algal monitoring in natural freshwater systems. This pipeline addresses several challenges associated with autonomous imaging of aquatic samples, such as flow-imaging artifacts (i.e., out-of-focus and background objects), as well as strategies to efficiently identify novel objects that are not represented in the training data set; the latter is a common challenge with the application of deep learning approaches for image classification in environmental systems. The pipeline leverages a random forest model to identify out-of-focus particles with an accuracy of 89% and a custom background particle detection algorithm to identify and remove particles that erroneously appear in consecutive images with >97 ± 2.8% accuracy. Furthermore, a convolutional neural network (CNN), trained to classify taxonomical classes, achieved 95% accuracy in a closed set classification. Nonetheless, the supervised closed-set classifiers struggled with the accurate classification of objects when challenged with novel particles, which are common in complex natural environments; this limits real-time monitoring applications by requiring extensive manual oversight. To mitigate this, three methods incorporating classification with rejection were tested to improve model precision by flagging irrelevant or unknown classes. Combined, these advances present a fully integrated, end-to-end solution for real-time HAB monitoring in natural freshwater systems, which enhances the scalability of automated detection in dynamic aquatic environments.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».