Automated starch granule classification using high-throughput microscopy and machine learning
Notice bibliographique
Résumé
Starch analysis is widely used in archaeology to investigate the processing of wild plants for food and medicine, as well as the domestication and spread of cultigens. Starch analyses are dependent on the development and use of identification keys. To date, all published methods to identify starch granules are either time-consuming to produce and apply, or difficult to statistically validate for their accuracy. The method outlined in this paper mitigates two major production bottlenecks experienced by current methods. First, the necessary task of collecting reference images of starch granules is accelerated using a multispectral imaging flow cytometry (MIFC), a high throughput microscope that collects thousands of images per second. Second, the traditional step of collecting measurements of individual granules by hand is eliminated. Processed image sets are used directly to train image recognition (machine learning) algorithms for species identification. This method produces identification accuracies that are comparable to, or better than, other published methods. When this method is applied using 15,000 images of starch granules from 15 plants occurring in North America, validation accuracies were observed to be as high as 100 %. This method promises to provide a feasible, cost-effective, and accurate means to identify starch granules recovered from archaeological materials. • Deep learning algorithms can be used to classify images of modern starch granules with a high degree of accuracy. • Multispectral imaging flow cytometry can be used to collect image datasets large enough to train deep learning algorithms. • This methodology promises a feasible alternative to other published statistical starch grain classification methods.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».