Search

[Resumen] La correcta clasificación de las microalgas denominados diatomeas es muy importante para determinar la calidad del agua y su composición. Actualmente dicha clasificación la realizan expertos que se fijan en su forma, valvas y ornamentación, en un proceso largo y laborioso. Al recoger muestras de agua se pueden encontrar cientos de diatomeas en un mismo campo de visión (FoV del inglés Field of View), lo que requiere la aplicación de métodos de detección para poder extraerlas individualmente para su análisis. En este artículo se propone el uso de visión Artificial para automatizar los procesos mencionados de detección y clasificación de diatomeas. Para ello se van a usar métodos de Deep Learning y redes neuronales convolucionales pre-entrenadas. Además, también se propone la implementación de estos métodos en el microscopio de implementación abierta Open- Flexure. El método propuesto se ha validado en 4 bases de datos con diatomeas de río y de océano, dos de ellas empleadas únicamente en detección, con un total de 15 000 imágenes completas para detección y 19 000 imágenes de diatomeas individuales para clasificación. Obteniendo porcentajes de precisión de 88,59% en la detección y 96.34% en la subclasificación para 100 clases., [Abstract] The precise classification of microalgae known as diatoms is critical for determining the quality and composition of water. This classification is currently conducted out by professionals who examine its shape, shells, and ornamentation in a long and tedious process. Hundreds of diatoms can be detected in the same field of view (FoV) when collecting water samples, requiring the use of detection methods to isolate them individually for analysis. The use of artificial intelligence algorithms to automate the aforementioned diatom identification and categorization operations is proposed in this study. Furthermore, the implementation of these methods in the OpenFlexure microscope is proposed. The suggested method was applied to multiple databases containing river and ocean diatoms, yielding detection and classification accuracy percentages of 88% and 96% for 100 classes, respectively.

[Resumen] El propósito de este trabajo es la clasificación de tejido mamario sin tinción que permita discriminar muestras tumorales de no tumorales. Para ello se utilizan técnicas de aprendizaje profundo e imágenes multiespectrales (MSI) adquiridas con diferentes longitudes de onda, desde 425 nm hasta 700 nm y paso espectral de 4 nm. El trabajo realizado contempla un análisis para determinar si las diferentes bandas espectrales proporcionan información adicional a la que se consigue con imágenes adquiridas con cámaras comunes. Como resultado del trabajo se obtiene el modelo de clasificación con MSI que proporciona la tasa de acierto más próxima a los modelos de clasificación que emplean imágenes con tinción. Además, se han implementado varios métodos de tinción digital aplicando técnicas de aprendizaje profundo. La tinción virtual se realizaría posteriormente a la clasificación para corroborar visualmente los resultados, permitiendo avanzar en el análisis espectral a nivel celular y tisular., [Abstract] The purpose of this work is the classification of non-stained breast tissue to discriminate between tumour and non-tumour samples. This is achieved using deep learning techniques and multispectral imaging (MSI), acquired with different wavelengths, from 425 nm to 700 nm and a spectral step of 4 nm. An analysis was performed to determine whether the different spectral bands to provide additional information with respect to images acquired with ordinary cameras. As a result, it has been identified the classification model implemented with MSI that obtains the closest hit rate to the stained sample image classification model. In addition, several digital staining methods have been implemented by applying deep learning techniques. Virtual staining would be performed after classification to corroborate the results, allowing to advance in the analysis of structural interactions at the cellular and tissue levels.

[Resumen] Los microscopios son una herramienta imprescindible para diferentes aplicaciones en biología y medicina, entre otros. La automatización de estos microscopios y la integración de herramientas de análisis automático de imagen es un gran avance en microscopía, pero la mayoría de los sistemas disponibles en el mercado con estas prestaciones tienen un precio elevado. Por otro lado, en los últimos años ha habido un auge importante del desarrollo y venta de impresoras 3D a un precio muy asequible. Por ello, en este trabajo se busca ofrecer un kit modular que permita convertir una impresora 3D en un microscopio motorizado completamente funcional y automatizado. Para conseguir este objetivo, se ha seleccionado una impresora 3D, de la que se ha reaprovechado el eje de movimiento cartesiano, y se le ha acoplado un sistema óptico basado en Raspberry Pi HQ Camera, una iluminación superior e inferior y además de una base para portaobjetos nueva. Así como herramientas de procesado y métodos de clasificación automática de la imagen. Con esto se conseguirá un sistema de microscopía modular y de bajo coste, capaz de capturar muestras microscópicas de organismos y tejidos en portas 2D y en placas Petri 3D., [Abstract] Microscopes are an essential tool for different applications in biology and medicine, among others. The automation of these microscopes and the integration of automatic image analysis tools is a breakthrough in microscopy. However, most of the systems available on the market with these features have a high price, which prevents them from becoming more popular. On the other hand, in recent years there has been a significant boom in the development and sale of 3D printers at a very affordable price. Therefore, this work seeks to offer a modular kit that allows converting a 3D printer into a fully functional and automated microscope. To achieve this goal, all possible parts of a commercially available 3D printer will be used, to which all the necessary optical and lighting elements will be attached. This will result in a modular and cost-effective microscopy system.

Grape yield forecasting is a valuable economic and quality issue for the grape and wine industry. The number of flowers at bloom could be used as an early indicator towards crop forecast in viticulture. The purpose of this work was to develop a non-invasive method for grapevine flower counting by on-the-go image acquisition, using a combination of deep learning and computer vision technology. A mobile sensing platform was used at 5 km/h to automatically capture Red Green Blue (RGB) images of vineyard canopy at night using artificial illumination under field conditions. For the image data set, 96 vines from six grapevine varieties were selected. For ground-truthing, the number of flowers per inflorescence was counted on a set of clusters before flowering, while yield per vine was weighted at harvest. The developed algorithm comprised two general steps: inflorescences’ segmentation, and individual flower detection. In both steps, the best results were obtained using the deep fully convolutional neural network SegNet architecture with a VGG19 network as the encoder, with F1 score values of 0.93 and 0.73 in the inflorescences segmentation and the individual flower detection steps, respectively. These values showed the high accuracy of the network. A determination coefficient (R) of 0.91 between the detected number of flowers and the actual number of flowers per vine was obtained. In addition, a linear regression model was trained to estimate the actual number of flowers from the number of detected flowers. A root mean squared error (RMSE) of 590 flowers per vine and a normalized root mean squared error (NRMSE) of 23.7% was obtained. An R above 0.70 was achieved between the estimated number of actual flowers and the final yield, per vine. These results show that the number of flowers per vine can be estimated using machine vision and deep learning. The developed imaging platform can be used by the wine industry in commercial vineyards for a satisfactory early crop yield

Currently, microalgae (i.e., diatoms) constitute a generally accepted bioindicator of water quality and therefore provide an index of the status of biological ecosystems. Diatom detection for specimen counting and sample classification are two difficult time-consuming tasks for the few existing expert diatomists. To mitigate this challenge, in this work, we propose a fully operative low-cost automated microscope, integrating algorithms for: (1) stage and focus control, (2) image acquisition (slide scanning, stitching, contrast enhancement), and (3) diatom detection and a prospective specimen classification (among 80 taxa). Deep learning algorithms have been applied to overcome the difficult selection of image descriptors imposed by classical machine learning strategies. With respect to the mentioned strategies, the best results were obtained by deep neural networks with a maximum precision of 86% (with the YOLO network) for detection and 99.51% for classification, among 80 different species (with the AlexNet network). All the developed operational modules are integrated and controlled by the user from the developed graphical user interface running in the main controller. With the developed operative platform, it is noteworthy that this work provides a quite useful toolbox for phycologists in their daily challenging tasks to identify and classify diatoms.

Diatom identification is a crucial process to estimate water quality, which is essential in biological studies. This process can be auto- mated with machine learning algorithms. For this purpose, a dataset with 10 common taxa is collected, with annotations provided by an expert diatomist. In this work, a comparison of the classical state-of-the-art gen- eral purpose methods along with two different deep learning approaches is carried out. The classical methods are based on Viola-Jones and scale and curvature invariant ridge object detectors. The deep learning based methods are Semantic Segmentation and YOLO. This is the first time that Viola-Jones and Semantic Segmentation techniques are applied and compared for diatom segmentation in microscopic images containing sev- eral taxon shells. While all methods provide relatively good results in specific species, the deep learning approaches are consistently better in terms of sensitivity and specificity (up to 0.99 for some taxa) and up to 0.86 precision.

This paper deals with automatic taxa identification based on machine learning methods. The aim is therefore to automatically classify diatoms, in terms of pattern recognition terminology. Diatoms are a kind of algae microorganism with high biodiversity at the species level, which are useful for water quality assessment. The most relevant features for diatom description and classification have been selected using an extensive dataset of 80 taxa with a minimum of 100 samples/taxon augmented to 300 samples/taxon. In addition to published morphological, statistical and textural descriptors, a new textural descriptor, Local Binary Patterns (LBP), to characterize the diatom’s valves, and a log Gabor implementation not tested before for this purpose are introduced in this paper. Results show an overall accuracy of 98.11% using bagging decision trees and combinations of descriptors. Finally, some phycological features of diatoms that are still difficult to integrate in computer systems are discussed for future work.

Descripción de los modelos arquitectónicos de los principales grupos animales.

En un estudio de cuatro años (1996-1999) se caracteriza la meiofauna asociada a una comunidad submareal del macrófito Laminaria ochroleuca, en la costa norte española. En primer lugar, se alude a la comunidad meiobentónica a nivel taxonómico alto, y posteriormente, se centra el análisis en el grupo de los copépodos harpacticoides. Además, se describe una especie nueva de copépodo harpacticoide perteneciente a la familia Ancorabolidae encontrada en los rizomas de L.ochroleuca en la isla de Mouro, Laophontodes mourois sp.n. El grueso de la meiofauna permanente asociada a L. Ochroleuca en la isla de Mouro, consistió de nematodos, copépodos, ácaros, poliquetos, tanaidáceos y ostrácodos, con los copépodos dominando en los frondes y los nematodos en los rizomas. Durante los muestreos, la meiofauna temporal consistió de juveniles de anfipodos, bivalvos y gasterópodos y larvas nauplio y cypris de cirrípedos, con las larvas nauplio dominando tanto en los frondes como los rizomas. La mayoría de la meiofauna asociada a L.ochroleuca en la isla de Mouro estuvo concentrada en los rizomas de las algas, y su distribución pareció responder a diferencias a nivel de microhábitat dentro de la planta, mientras que los factores ambientales groseros o las variaciones a nivel de mesoescala, dentro de la comunidad de L.ochroleuca, no parecieron tener una incidencia grande en la estructura de la comunidad. Después de dos años de estudio; la comunidad de L.ochroleuca experimentó un declive notable, que inicialmente afectó solo a la vitalidad de los frondes pero que culminó en una mortalidad substancial de plantas. En sólo tres años, el estatus de L.ochroleuca pasó de ser la comunidad dominante en el área de estudio a presentar sólo pies dispersos con frondes muy poco desarrollados y rizomas pequeños. Este declive incidió sobre la meiofauna aparentemente sólo en la medida en que se vio reducida la superficie de colonización disponible para los animales o se pudieron alterar las condiciones abi

En un estudio de cuatro años (1996-1999) se caracteriza la meiofauna asociada a una comunidad submareal del macrófito Laminaria ochroleuca, en la costa norte española. En primer lugar, se alude a la comunidad meiobentónica a nivel taxonómico alto, y posteriormente, se centra el análisis en el grupo de los copépodos harpacticoides. Además, se describe una especie nueva de copépodo harpacticoide perteneciente a la familia Ancorabolidae encontrada en los rizomas de L.ochroleuca en la isla de Mouro, Laophontodes mourois sp.n. El grueso de la meiofauna permanente asociada a L. Ochroleuca en la isla de Mouro, consistió de nematodos, copépodos, ácaros, poliquetos, tanaidáceos y ostrácodos, con los copépodos dominando en los frondes y los nematodos en los rizomas. Durante los muestreos, la meiofauna temporal consistió de juveniles de anfipodos, bivalvos y gasterópodos y larvas nauplio y cypris de cirrípedos, con las larvas nauplio dominando tanto en los frondes como los rizomas. La mayoría de la meiofauna asociada a L.ochroleuca en la isla de Mouro estuvo concentrada en los rizomas de las algas, y su distribución pareció responder a diferencias a nivel de microhábitat dentro de la planta, mientras que los factores ambientales groseros o las variaciones a nivel de mesoescala, dentro de la comunidad de L.ochroleuca, no parecieron tener una incidencia grande en la estructura de la comunidad. Después de dos años de estudio; la comunidad de L.ochroleuca experimentó un declive notable, que inicialmente afectó solo a la vitalidad de los frondes pero que culminó en una mortalidad substancial de plantas. En sólo tres años, el estatus de L.ochroleuca pasó de ser la comunidad dominante en el área de estudio a presentar sólo pies dispersos con frondes muy poco desarrollados y rizomas pequeños. Este declive incidió sobre la meiofauna aparentemente sólo en la medida en que se vio reducida la superficie de colonización disponible para los animales o se pudieron alterar las condiciones abi