Clasificación de microorganismos en muestras de agua aplicando deep learning en imágenes de microscopía
DOI:
https://doi.org/10.24054/sei.v2i2.717Palabras clave:
Clasificación de microorganismo, Deep Learning, Imágenes de Microscopia, Muestras de agua, Procesamiento de imágenes, Red neuronal convolucionalResumen
Los microorganismos son los seres más primitivos y numerosos de la tierra, colonizan ambientes como agua, aire y suelo; interactúan en todos los ecosistemas y se relacionan de manera continua con animales, plantas y el hombre. Estos son observados a través de microscopios los cuales basados en potentes lentes pueden magnificar su identificación. Dentro de este importante marco de referencia muchas disciplinas han contribuido de manera fundamental en su análisis y estudio, entre ellas tenemos el procesamiento digital de imágenes de microscopía. Con base en este punto de vista en el presente artículo se implementa una metodología que permite identificar y clasificar microorganismos presentes en muestras de agua, principalmente cianobacterias, tardígrado, entamoeba coli, rizópodo. La toma de las muestras de agua se efectuó en el rio pamplonita en el tramo del terminal de transporte y el puente Chichira del municipio de Pamplona. Las imágenes se obtuvieron en el laboratorio de control de calidad de la Universidad de Pamplona, se usó un microscopio óptico y una exploración en atlas de microbiología para determinar con exactitud el tipo de microorganismo encontrado en las muestras. Se aplicó una etapa de pre procesamiento para determinar la data a entrenar, aplicando un filtro paso alto, realce de contraste ventana y nivel y la data cruda, con porcentajes de clasificación de 27,08%, 42% y 52% respectivamente.
Se usó una técnica de clasificación conocida como Deep Learning y Regiones con Redes Neuronales Convolucionales. El objetivo principal de estas herramientas es apoyar la labor que realizan los especialistas diariamente en detección y clasificación de microorganismos. Los resultados obtenidos en la etapa de validación fueron revisados por el especialista alcanzando un 95.65% de eficiencia en el proceso de clasificación. Así mismo se realizó una validación con una máquina de soporte vectorial obteniendo un porcentaje de clasificación de 84%.
Citas
X. Xu, C. Wu and D. Ning, "Detection Analysis of Pathogenic Organisms in Municipal Sewage with PCR-Based 16S rDNA Technique," 2010 4th International Conference on Bioinformatics and Biomedical Engineering, Chengdu, 2010, pp. 1-4. doi: 10.1109/ICBBE.2010.5518027.
G. J. Tortora, B. R. Funke y C. L. Case, Introducción a la Microbiologia, vol. 9a, Argentina: Médica Panamericana, 2007, p. 959.[3] D. L. Heymann, Ed., El Control de las enfermedades transmisibles, 18a ed., Pan American Health Org,, 2005, p. 807.
J. p. w, «Microbiologia quimica y enfermedades infecciosas,» pp. 17-21, 2009.
J. E. M. Tobar, «Evaluación de la aplicación de tardigrados para reducir el desarrollo de bacterias fitopatogenas cultivadas in vitro» Universidad técnica de ambato, Ecuador, 2016.
«Organización mundial de la salud,» OMS, 14 junio 2019. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/drinking-water. [Último acceso: 25 Junio 2019].
J. Uribe, M. Ospina y E. Martinez, «Carga de enfermedad ambiental en Colombia,» ISSN: 2346-3325, Bogotá, 2018.
«Más de 30.000 casos de diarrea aguda en Norte de Santander,» La opinion, pp. 1-2, 6 julio 2017.
I. Correa, P. Drews, S. Botelho, M. S. de Souza and V. M. Tavano, "Deep Learning for Microalgae Classification," 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), Cancun, 2017, pp. 20-25. doi: 10.1109/ICMLA.2017.0-183.
S. Kosov, K. S. hirahama, C. Li y M. Grzegorzek, «Clasificación de microorganismosambientales utilizando campos aleatorios condicionales y redes neuronales convolucionales profundas,» ScienceDirect, vol. 77, pp. 248-261, 2018.
L. á. Silva y S. Lizcano, «Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial,» ITECKNE, vol. 9, pp. 31-41, Julio 2012.
P. Nevavuori, N. Narra y T. Lipping, «Predicción del rendimiento de los cultivos con redes neuronales convolucionales profundas,» ScienDirect, vol. 163, 2019.doi: 10.1016/j.compag.2019.104859.
M. Kozlowski, P. Górecki y P. M. Szczypinski, «Clasificación varietal de cebada por redes neuronales convolucionales,» ScienceDirect, vol. 184, pp. 155-165, 2019.
J. Zhou, D. Xiao and M. Zhang, "Feature Correlation Loss in Convolutional Neural Networks for Image Classification," 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), Chengdu, China, 2019, pp. 219-223. doi: 10.1109/ITNEC.2019.8729534.
G. Colmenares, «MÁQUINA DE VECTORES DE SOPORTE,» de Inteligencia Artificial Maquinas de vectores de soporte, pp. 1-11.
G. Betancour, «Las maquinas de soporte vectorial (SVMs),» Scientia et Technica, pp. 67-72, Abril 2005.
. Mendoza, L. E., Peña, J., & Valencia, J. L. R. (2015). Electro-myographic patterns of sub-vocal Speech: Records and classification. Revista de Tecnología, 12(2).
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2019 SEMILLEROS DE INVESTIGACIÓN
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
