Wyniki wyszukiwania - BazTech

1

Residual Neural Networks in Single Instance-Driven Identification of Fungal Pathogens

Wyszyński Rafał, Struniawski Karol

Machine Graphics and Vision

|

2023

|

Vol. 32, No. 3/4

45--64

EN

The rise in fungal infections, attributed to various factors including medical interventions and compromised immune systems, necessitates rapid and accurate identification methods. While traditional mycological diagnostics are time-consuming, machine learning offers a promising alternative. Nevertheless, the scarcity of well-curated datasets is a significant obstacle. To address this, a novel approach for identifying fungi in microscopic images using Residual Neural Networks and a subimage retrieval mechanism is proposed, with the final step involving the implementation of majority voting. The new method, applied to the Digital Images of Fungus Species database, surpassed the original patch-based classification using Convolutional Neural Networks, obtaining an overall classification accuracy of 94.7% compared to 82.4% with AlexNet FV SVM. The observed MCC metric exceeds 0.9, while AUC is near to one. This improvement is attributed to the optimization of hyperparameters and top layer architecture, as well as the effectiveness of the Mish activation function in ResNet-based architectures. Noteworthy, the proposed method achieved 100% accurate classification for images from 8 out of 9 classes after majority voting and is high resistant to overfitting, highlighting its potential for rapid and accurate fungal species identification in medical diagnostics and research.

2

Application of content-based image analysis to environmental microorganism classification

Li C., Shirahama K., Grzegorzek M.

Biocybernetics and Biomedical Engineering

|

2015

|

Vol. 35, no. 1

10--21

EN

Environmental microorganisms (EMs) are single-celled or multi-cellular microscopic organ-isms living in the environments. They are crucial to nutrient recycling in ecosystems as they act as decomposers. Occurrence of certain EMs and their species are very informative indicators to evaluate environmental quality. However, the manual recognition of EMs in microbiological laboratories is very time-consuming and expensive. Therefore, in this article an automatic EM classification system based on content-based image analysis (CBIA) techniques is proposed. Our approach starts with image segmentation that determines the region of interest (EM shape). Then, the EM is described by four different shape descriptors, whereas the Internal Structure Histogram (ISH), a new and original shape feature extraction technique introduced in this paper, has turned out to possess the most discriminative properties in this application domain. Afterwards, for each descriptor a support vector machine (SVM) is constructed to distinguish different classes of EMs. At last, results of SVMs trained for all four feature spaces are fused in order to obtain the final classification result. Experimental results certify the effectiveness and practicability of our automatic EM classification system.

3

Klasyfikacja mikroskopowych obrazów skał przy wykorzystaniu sieci neuronowych

Młynarczuk M., Bielecka M., Ślipek B.

Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN

|

2014

|

nr 86

27--38

PL

Klasyfikacja skał stanowi ważny aspekt w wielu zagadnieniach górnictwa i geologii inżynierskiej. Automatyzacja procesu klasyfikacji mikroskopowych obrazów skał może przyczynić się do usprawniania przetwarzania ogromnych zbiorów fotografii skał, poprzez jego przyspieszenie i wyeliminowanie wpływu subiektywnej oceny obserwatora na końcowy wynik klasyfikacji. Podczas pierwszego etapu badan opisanych w tym artykule wykorzystano zbiór 2700 mikroskopowych obrazów szlifów cienkich 9 skał, różniących się od siebie cechami petrograficznymi. Próbki skał zostały opisane 13-wymiarowym wektorem cech. Przy użyciu trzech różnych sieci neuronowych: dwuwarstwowej sieci jednokierunkowej (multi-layer feed-forward perceptron, MLP), samoorganizującej mapy Kohonena (self organizing Kohonen maps, SOM) oraz kwantyzacji wektorowej (learning vector quantization, LVQ), fotografie, po wcześniejszym treningu sieci odseparowanymi podzbiorami próbek, zostały poddane procesowi automatycznej klasyfikacji. Stukrotne powtarzanie losowania podzbiorów wykorzystywanych do treningu sieci oraz powtarzanie algorytmu uczenia sieci i rozpoznawania zdjęć pozwoliło na uzyskanie statystycznie wiarygodnych wyników, których wartość średnia wyniosła 99,4%. Następnie zbiór skał został zwiększony do łącznej wielkości 6300 zdjęć reprezentujących 21 różnych skał, a badania zostały powtórzone z zachowanie wektora cech oraz parametrów nauki sieci. Wynik średni poprawnych klasyfikacji dla powiększonego zbioru obrazów wyniósł 98,30%.

EN

Rock classification is an inherent part of numerous aspects of geology and engineering geology. Automating the classification of the microscopic images of rocks may result in improvements in analyzing vast sets of rocks' images by speeding up their recognition and eliminating the influence of the observer's subjective judgment in the final classification results. A set of 2,700 microscopic images of thin sections of 9 rocks, which differ in petrographic features, was used during the first step of the study described in the following article. Samples were displayed in a thirteen-dimensional feature space. With the use of three different neural networks multi-layer feed-forward perceptron (MLP), self-organizing Kohonen maps (SOM), and learning vector quantization (LVQ) ? images were subjected to an automated classification process preceded by the network's training with the use of isolated subset samples. Centuple repetition of subset drawings, which were used to train the network by repeating the self-learning network and images recognition algorithm, led to the achievement of statistically trustworthy results with a mean at the level of 99.4 %, and for the best drawing at 99.71%. Afterwards, the rocks set was extended to a total volume of 6,300 images of 21 different rocks, and the test was repeated preserving the feature space and self-learning network parameters. The average score of correct classifications for the extended images set was 98.30%, with the best score at 98.95%.

4

Wykorzystanie wiedzy pozyskanej z obrazów mikroskopowych do klasyfikacji cieczy roboczych

Dębska B., Dobrowolski L.

Przemysł Chemiczny

|

2003

|

T. 82, nr 8-9

1275-1278

5

Analiza procesu zgniatania pojedynczych nasion bobiku pomiędzy równoległymi płytami

Romański L., Stopa R.

Problemy Inżynierii Rolniczej

|

2002

|

R. 10, nr 3

21-27

PL

Celem pracy była analiza procesu zgniatania nasion bobiku w aspekcie wyodrębnienia poszczególnych faz tego procesu i określenia zmian w strukturze wewnętrznej nasion w każdej z tych faz. Nasiona bobiku, odmiany Tom, zgniatane osiowo przy wykorzystaniu aparatu Instrom 5566, analizowano pod kątem zmian struktury wewnętrznej w przestrzeni roboczej mikroskopu. Na podstawie obrazów mikroskopowych wyróżniono 4 fazy procesu zgniatania, charakteryzujące się typowymi zmianami struktury wewnętrznej nasion bobiku.

EN

The aim of study was to analyse the crushing process of faba bean seeds, to distinguish particular phases in this process and to determine the changes in internal structure of seeds at particular stages. Faba bean seeds, Tom cultivar, compressed axially in the Instron 5566 apparatus, were analysed for the changes in internal structure in a scanning microscope. On the basis of microscopic images four stages were distinguished in crushing process characterized by typical textural changes of faba bean seeds.