Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

HydroVision: Dự đoán các thông số quang học hoạt động trong nước mặt bằng công nghệ thị giác máy tính

Created by
  • Haebom

Tác giả

Shubham Laxmikant Deshmukh, Matthew Wilchek, Feras A. Batarseh

Phác thảo

HydroVision là một khung phân loại cảnh dựa trên học sâu, ước tính các thông số chất lượng nước hoạt động quang học, chẳng hạn như diệp lục alpha, diệp lục, chất hữu cơ hòa tan có sắc tố (CDOM), phycocyanin, trầm tích lơ lửng và độ đục, bằng cách sử dụng hình ảnh RGB của nước mặt. Được đào tạo bằng hơn 500.000 hình ảnh theo mùa được thu thập từ năm 2022 đến năm 2024 từ Hệ thống Thông tin và Hình ảnh Thủy văn của Cục Khảo sát Địa chất Hoa Kỳ, HydroVision chứng minh tiềm năng giám sát chất lượng nước trong thế giới thực trong nhiều điều kiện khác nhau. Hệ thống này tận dụng hình ảnh RGB như một giải pháp thay thế có khả năng mở rộng và tiết kiệm chi phí cho viễn thám đa phổ và siêu phổ truyền thống. Trong quá trình đánh giá VGG-16, ResNet50, MobileNetV2, DenseNet121 và mạng Vision Transformer, DenseNet121 đạt hiệu suất tốt nhất với điểm R2 là 0,89 cho dự đoán CDOM. Trong khi mô hình hiện tại được tối ưu hóa cho hình ảnh có ánh sáng tốt, các công việc trong tương lai được lên kế hoạch để cải thiện độ bền của nó trong điều kiện thiếu sáng và bị cản trở nhằm mở rộng tiện ích hoạt động của nó.

Takeaways, Limitations

Takeaways:
Góp phần ứng phó thảm họa và bảo vệ sức khỏe cộng đồng bằng cách trình bày phương pháp giám sát chất lượng nước không tiếp xúc sử dụng công nghệ học sâu.
Hình ảnh RGB cho phép xây dựng các hệ thống giám sát chất lượng nước có khả năng mở rộng và tiết kiệm chi phí hơn so với các phương pháp cảm biến từ xa đa phổ và siêu phổ thông thường.
Việc dự đoán chính xác các thông số chất lượng nước khác nhau góp phần phát hiện sớm xu hướng ô nhiễm và tăng cường giám sát của các cơ quan quản lý.
Độ Chính xác cao (điểm R2 là 0,89 trong dự đoán CDOM) đạt được khi sử dụng kiến ​​trúc DenseNet121.
Limitations:
Mẫu máy hiện tại được tối ưu hóa cho hình ảnh có ánh sáng tốt, do đó hiệu suất có thể giảm trong điều kiện thiếu sáng và nhiều chướng ngại vật.
Cần cải thiện hiệu suất tổng quát cho nhiều điều kiện môi trường khác nhau.
Cần phải phân tích sự không chắc chắn và đánh giá độ tin cậy của kết quả dự đoán của mô hình.
👍