Image processing methods for morphological characterization of biomass smoke particles
Notice bibliographique
Résumé
Image processing methods have found wide use in interpretation of microscopic micro/nanoscale data. For the special case of soot, they are typically used along with Transmission Electron Microscopy (TEM) to study different morphological properties such as aggregate size, primary particle size, number of primaries, and fractal properties. Recently, fast automated image segmentation and primary particle detection algorithms have mostly replaced the time and effort taking user-adjusted analyses of soot image data. The automated approaches include both the more classic methods that involve filtering, transformation, and morphological operations calibrated for certain applications, and the newer unsupervised and supervised machine learning methods that self-tune the operations discussed. While the previous studies showed that these methods are more-or-less robust for fresh soot, they have not been explored so much for the scenarios where the emissions age post-combustion and produce quite diverse particle populations. Here, we investigate an example of such cases where the brown haze images from a forest fire near Kamloops, BC in July 2021 were examined using a machine learning method that implements k-means clustering to decide on the segmentation of particles from their backgrounds and prepares them for further higher-level analyses. The particles segmented from the images are evaluated by their size and three other less-studied parameters, i.e., circularity, optical depth, and acutance- that account for the shape and radiative properties. Manual classification of particles is also performed to find possible relations between the quantities studied and the real structure of the particles. It is shown that k-means interestingly performs well enough to capture the particle boundaries. Morphological distributions are also fairly distinguished using the introduced morphological quantities. The acutance particularly shows promising performance in separation of day-time and night-time particles.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,004 |
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 ».