Sistema de microscopía de bajo coste para detección de diatomeas de ríos y océanos

Abstract

[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.