Visual process monitoring of biomass conversion reactors using transfer learning and generative AI
Notice bibliographique
Résumé
Thermochemical reaction system, particularly in the form of small-scale, low-cost bioreactor, offers a promising solution for efficient biomass-to-bioproduct conversion. The bioreactor potentially revolutionizes biomass conversion and keep rural communities into the loop of biomass-based circular economy. However, its continuous operation remains a significant concern. A primary concern arises from the unexpected reaction condition, which is typically indicated by smoke emanating from the bioreactor. This expected issue can be resolved by minor adjustments to ensure proper reaction environment. In this regard, an automated visual process monitoring for smoke detection is crucial. This can be achieved by developing a convolutional neural network (CNN)-based smoke classifier. However, shuffled video-based smoke classification, where a model trained on video recordings from field experiments is applied to monitor new biomass reaction processes with unseen scenarios, poses great challenges due to limited number of field experiments, particularly given the diversity of field backgrounds. Considering the limited diversity issue, this study explore the potential of generative artificial intelligence (GenAI) to generate virtual training images with smoke and without smoke. With augmented training data, a tailored transfer learning strategy is applied to fine tune the CNN model for smoke detection. To assist field operators in understanding classifier decisions and correcting erroneous predictions, an explainable visual representation is provided by smoke localization heatmaps. The results show that the proposed method significantly improve smoke detection accuracy and prediction reliability, which is essential for the continuous operation of biomass conversion reactors and the success of decarbonization within biomass-based circular economy.
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 ».