Обзор применения алгоритмов машинного обучения к задаче классификации пыльцевых зерен

  • Юлия Борисовна Камалова Финансовый университет при Правительстве Российской Федерации https://orcid.org/0000-0003-0822-2161
Ключевые слова: машинное обучение, сверточные нейронные сети, задачи распознавания пыльцевых зерен, пыльцевые зерна, классификация

Аннотация

В статье приводится аналитический обзор мирового опыта применения алгоритмов машинного обучения к задаче классификации пыльцевых зёрен, за последние несколько лет. Кратко описаны, какие характеристики используются для моделей машинного обучения относительно данной задачи. Введено понятие «Вычислительно мотивированной биологии» — области, в которой изучается биология для моделирования биологических систем с использованием компьютерных наук. Для этого исследователи анализируют поведение биологической системы, а затем создают задачи в качестве искусственной модели, чтобы облегчить задачу людям. В настоящее время автоматическая классификация для идентификации пыльцы становится очень активной областью исследований. В статье обоснована задача автоматизации классификации пыльцевых зерен. В работе в основном проанализированы последние исследования по применению нейронных сетей различных конфигураций для классификации пыльцевых зерен (LeNet, AlexNet, DenseNet, DenseNet-201, ResNet-50). Проанализированы методы на основе сверточных нейронных сетей (CNN) для идентификации пыльцы на предметных стеклах микроскопа, которые дали многообещающие результаты даже при наличии грибковых спор, пузырьков, мусора и пыли. Приведены сверточные нейронные сети, которые обрабатывали сигналы рассеяния и флюорисценции от пыльцевых зерен. Флюорисцентный спектр обрабатывался с помощью многослойного перцептрона. Рассмотрен метод автоматизированной кластеризации пыльцевых зерен, который дал многообещающие результаты. Произведен сравнительный анализ существующих на сегодняшний день баз данных пыльцевых зерен (Duller’s Pollen Dataset, Pollen 23E, Pollen73S, Pollen 13K). Приведены и проанализированы результаты конкурса по автоматизации процесса классификации пыльцевых зерен Pollen Grain Classification Challenge.

Скачивания

Данные скачивания пока не доступны.

Биография автора

Юлия Борисовна Камалова, Финансовый университет при Правительстве Российской Федерации

старший преподаватель Департамента анализа данных и машинного обучения Факультета информационных технологий и анализа больших данных Финансового университета при Правительстве Российской Федерации

Литература

1. Battiato S., Ortis A., Trenta F., Ascari L., Politi M., Siniscalco C. (2020) Detection and classification of pollen grain microscope images. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. P. 980–981.
2. Shelekhova T. S., Slukovsky Z. I., Lavrova N. B. (2020) Methods for studying the bottom sediments of lakes in Karelia [monograph]. Institute of Geology KarRC RAS. Petrozavodsk : KarRC RAS. 112 p.
3. Chekryga G. P., Nitsievskaya K. N., Yudina O. B. (2021) Determination of the botanical origin of honey and the quality of honey plants by pollen analysis. News of higher educational institutions. Food technology. No. 1 (379). P. 94–97.
4. GOST 31769-2012 “Med. Method for determining the frequency of occurrence of pollen grains». Electronic fund of legal and normative-technical documentation [Electronic resource]. URL
5. Belykh V. V., Murav’ev V. V., Stepanov V. A. (2020) Using Information Entropy steel structure to determine the quality and resource of its functional properties. Herald IzhGTU named after M. T. Kalashnikov. V. 23, No. 3. P. 15–24.
6. Ingrida Šaulien, LauraŠukien, Gintautas Daunys,Gediminas Valiulis, Lukas Vaitkeviˇcius, Predrag Matavulj, Sanja Brdar, Marko Panic, Branko Sikoparija, Bernard Clot, Benoît Crouzy, Mikhail Sofiev. (2019) Automatic pollen recognition with the Rapid-Eparticle counter: the first-level procedure, experience and next steps. Atmos. Meas. Tech. 12. – P. 3435–3452.
7. Endrick Barnacin, Jean-Luc Henry, Jack Molinié, Jimmy Nagau, Hélène Delatte, Gérard Lebreton. (2020) Logistic Model Tree and Expectation-Maximization for Pollen Recognition and Grouping. World Academy of Science, Engineering and Technology International Journal of Computer and Information Engineering. Vol 14, No 2. P. 46–49.
8. Hanane Menad, Farah Ben-naoum, Abdelmalek Amine. (2019) Deep Convolutional Neural Network for Pollen Grains Classification. JERI 2019. The National Study Day on Research on Computer Sciences. 3rd edition of the National Study Day on Research on Computer Sciences
(JERI 2019). Saida, Algeria, April 27. P. 31–41.
9. Ororbia A. G., Mali A. (2019) Biologically Motivated Algorithms for Propagating Local Target Representations. Proceedings of the AAAI Conference on Artificial Intelligence. 33(01). P. 4651–4658. DOI
10. Guoqiang Zhong, Shoujun Yan, Kaizhu Huang, Yajuan Cai, Junyu Dong. (2018) Reducing and Stretching Deep Convolutional Activation Features for Accurate Image Classification. Cognitive Computation. V. 10. P. 179–186.
11. Sevillano V., Aznarte J. L. (2018) Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks. PloS one. 13(9). e0201807.
12. Astolfi, Gilberto, Gonçalves, Ariadne Barbosa, Menezes, Geazy Vilharva, Borges, Felipe Silveira Brito, Astolfi, Angelica Christina Melo Nunes, Matsubara, Edson Takashi, Alvarez, Marco, Pistori, Hemer. (2020) POLLEN73S: An image dataset for pollen grains classification. 11. Vol. 60. P. 1574–9541.
13. Pollen 73S. – URL
14. Khanzhina Natalia, Putin Evgeny, Andrey Filchenkov and Elena Zamyatina. (2018) Pollen Grain Recognition Using Convolutional Neural Network. ESANN 2018 proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Bruges (Belgium), 25–27 April 2018, i6doc.com publ. P. 409–414.
15. Pollen classification challenge. – URL
16. Sebastiano Battiato, Francesco Guarnera, Alessandro Ortis(B), Francesca Trenta, Lorenzo Ascari, Consolata Siniscalco,Tommaso De Gregorio, Eloy Su ́arez. (2021) Pollen Grain Classification Challenge 2020 (Challenge Report). Springer Nature Switzerland AG 2021. A. Del Bimbo et al. (Eds.): ICPR 2020 Workshops, LNCS 12668. P. 469–479.
17. Battiato S., Ortis A., Trenta F., Ascari L., Politi M., Siniscalco C. (2020) Pollen13k: a large scale microscope pollen grain image dataset. In: IEEE International Conference on Image Processing (ICIP). P. 2456–2460. IEEE
18. Sevillano V., Aznarte J. L. (2018) Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks. PLoS ONE 2018. 13. P. 1–18.DOI
19. Pollen23E. – URL
20. Astolfi G., et al. (2020) POLLEN73S: an image dataset for pollen grains classification. Ecol. Inf. 60, 101165. DOI
21. Fang J., Sun Y., Zhang Q., Li Y., Liu W., Wang X. (2020) Densely connected search space for more flexible neural architecture search. In: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. P. 10628–10637.
22. Chen Y., Bai Y., Zhang W., Mei T. (2019) Destruction and construction learning for finegrained image recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. P. 5157–5166.
23. Sevillano V., Aznarte J. L. (2018) Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks. PLoS ONE 13(9), P. 1–18. DOI
24. Korobeynikov A., Kamalova Y., Palabugin M., Basov I. (2018) The use of convolutional neural network LeNet for pollen grains classification. In: “Instrumentation Engineering, Electronics and Telecommunications” Proceedings of the IV International Forum, Izhevsk, Russia. P. 38–44. DOI
25. Gallardo-Caballero R., Garc ́ıa-Orellana C. J., Garc ́ıa-Manso A., Gonz ́alezVelasco H. M., Tormo-Molina R., Mac ́ıas-Mac ́ıas M. (2019) Precise pollen grain detection in bright field microscopy using deep learning techniques. Sensors (Switzerland). 19(16). P. 1–19. DOI
26. Ramón Gallardo-Caballero, Carlos J. García-Orellana, Antonio García-Manso, Horacio M. González-Velasco, Rafael Tormo-Molina, Miguel Macías-Macías. (2019) Precise Pollen Grain Detection in Bright Field Microscopy Using Deep Learning Techniques. Sensors 2019. 19. 3583. DOI
Опубликован
2022-11-09
Как цитировать
Камалова, Ю. Б. (2022). Обзор применения алгоритмов машинного обучения к задаче классификации пыльцевых зерен. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (3), 87-98. https://doi.org/10.17308/sait/1995-5499/2022/3/87-98
Раздел
Интеллектуальные системы, анализ данных и машинное обучение