The interference of optical zoom in human and machine classification of pollen grain images
Resumo
Palynology can be applied to different areas, such as archeology and allergy, where it is constantly growing. However, no publication comparing human classifications with machine learning classifications at different optical scales has been found in the literature. An image dataset with 17 pollen species that occur in Brazil was created, and machine learning algorithms were used for their automatic classification and subsequent comparison with humans. The experiments presented here show how machine and human classification behave according to different optical image scales. Satisfactory results were achieved, with 98.88% average accuracy for the machine and 45.72% for human classification. The results impact a single scale pattern for capturing pollen grain images for both future computer vision experiments and for a faster advance in palynology science.
Palavras-chave:
Machine Learning, Computer Vision, Microscopy, Palynology, Pollen Grains
Referências
O. V. D., O. W., P. L., P. M. L., M. M., and P. M., “Harmonized methods of melissopalynology,” Apidologie, vol. 35, no. Suppl. 1, pp. S18-S25, 2004.
S. A.P, P. M. C., P. J. C., and S. T. D. M., “A utilização da ciência forense e da investigação criminal como estratégia didática na compreensão de conceitos científicos,” Educación Química, vol. 24, no. 1, pp. 49 - 56, 2013. [Online]. Available: http://www.sciencedirect.com/science/article/pii/S0187893X13731951
B. T. NUNES, D. J.; CAMPOLINA, “A importância da botânica forense na resolução de crimes,” 64º Congresso Nacional de Botânica, 2013.
J. S. T. and W. J. W., Modern analogs in Quaternary paleoecology: here today, gone yesterday, gone tomorrow?, 2004, vol. 32.
G. Allen, R. M. Hodgson, S. Marsland, G. Arnold, R. Flemmer, and J. Flenley, “Automatic Recognition of Light-Microscope Pollen Images,” 2019.
A. B. GONCALVES, J. S. SOUZA, G. G. d. SILVA, M. P. CEREDA, A. POTT, M. H. NAKA, and H. PISTORI, “Feature extraction and machine learning for the classification of brazilian savannah pollen grains,” Plos One, 2016.
A. B. Gonçalves, J. S. Souza, G. G. d. Silva, M. P. Cereda, A. Pott, M. H. Naka, and H. Pistori, “Feature extraction and machine learning for the classification of brazilian savannah pollen grains,” PLOS ONE, vol. 11, pp. 1-20, 06 2016. [Online]. Available: https://doi.org/10.1371/journal.pone.0157044
C. M. H. C. M. P. H. QUINTA L. N. B, AMORIM W. P., “Floresta de caminhos Ótimos na classificação de pólen,” WVC 2012 - Workshop de Visão Computacional, 2012.
G. A. B. C. M. P. H. QUINTA L. N. B., ANDRADE W. T., “Segmentação baseada em textura e watershed aplicada a imagens de pólen,” SIBGRAPI 2012 - Workshop of Undergraduate Work - WUW-, 2012.
M. Rodriguez-Damian, E. Cernadas, A. Formella, M. Fernández-Delgado, and P. De Sa-Otero, “Automatic detection and classification of grains of pollen based on shape and texture,” IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol. 36, no. 4, pp. 531-542, 2006.
C. N. M. C. M. P. H. GONÇALVES, A. B.; RODRIGUES, “Identificação computadorizada de tipos polínicos através de “bag of words”,” WVC 2016 - Workshop de Visão Computacional, 2016.
G. Lozano-Vega, Y. Benezeth, F. Marzani, and F. Boochs, “Classification of pollen apertures using bag of words,” in International Conference on Image Analysis and Processing. Springer, 2013, pp. 712-721.
G. A. B. P. H. B. M. QUINTA L. N. B., SILVA D. S., “Application of wavelet transform in the classification of pollen grains,” Academic Journals, African Journal of Agricultural Research, 2014.
V. Sevillano and J. L. Aznarte, “Improving classification of pollen grain images of the polen23e dataset through three different applications of deep learning convolutional neural networks,” PLOS ONE, vol. 13, no. 9, pp. 1-18, 09 2018. [Online]. Available: https://doi.org/10.1371/journal.pone.0201807
F. A. S. R, “Redes neurais convolucionais profundas na detecção de plantas daninhas em lavoura de soja,” Tese (Doutorado), 2017.
M. A. M. and CARVALHO. (2015) Palinologia forense. [Online]. Available: http://apcforenses.org/?pageid=502
B. J. MONARD M.C., Conceitos de aprendizado de máquina, 2003. [18] A. N. G., Machine Learning Yearning: Technical Strategy for AI Engineers, In the Era of Deep Learning. deeplearning.ai, 2018.
Q. L.N.B, “Visão computacional aplicada na classificação de grãos de pólen,” Dissertação (mestrado em Biotecnologia) - Universidade Católica Dom Bosco - UCDB, 2013.
M. MARENGONI and D. STRINGHINI, “Tutorial: Introdução à visão computacional usando opencv,” 06 2018.
P. H. (2017) Pecuária de precisão o como fator de desenvolvimento local da região do alto taquari. [Online]. Available: http://www.gpec.ucdb.br/pistori/orientacoes/planos/gilberto2016.pdf
G. M. TOMMASELLI A.M.G., HASEGAWA J. K., “Modernas tecnologias de aquisição de imagens em fotogrametria,” Boletim de Ciências, 2000.
J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “Imagenet: A large-scale hierarchical image database,” pp. 248-255, 2009.
A. V. C. N. VARGAS, A. C. G.; PAES, “Um estudo sobre redes neurais convolucionais e sua aplicacão em deteccão de pedestres,” SIBGRAPI - Conference on Graphics, Patterns and Images, 2016.
S. A.P, P. M. C., P. J. C., and S. T. D. M., “A utilização da ciência forense e da investigação criminal como estratégia didática na compreensão de conceitos científicos,” Educación Química, vol. 24, no. 1, pp. 49 - 56, 2013. [Online]. Available: http://www.sciencedirect.com/science/article/pii/S0187893X13731951
B. T. NUNES, D. J.; CAMPOLINA, “A importância da botânica forense na resolução de crimes,” 64º Congresso Nacional de Botânica, 2013.
J. S. T. and W. J. W., Modern analogs in Quaternary paleoecology: here today, gone yesterday, gone tomorrow?, 2004, vol. 32.
G. Allen, R. M. Hodgson, S. Marsland, G. Arnold, R. Flemmer, and J. Flenley, “Automatic Recognition of Light-Microscope Pollen Images,” 2019.
A. B. GONCALVES, J. S. SOUZA, G. G. d. SILVA, M. P. CEREDA, A. POTT, M. H. NAKA, and H. PISTORI, “Feature extraction and machine learning for the classification of brazilian savannah pollen grains,” Plos One, 2016.
A. B. Gonçalves, J. S. Souza, G. G. d. Silva, M. P. Cereda, A. Pott, M. H. Naka, and H. Pistori, “Feature extraction and machine learning for the classification of brazilian savannah pollen grains,” PLOS ONE, vol. 11, pp. 1-20, 06 2016. [Online]. Available: https://doi.org/10.1371/journal.pone.0157044
C. M. H. C. M. P. H. QUINTA L. N. B, AMORIM W. P., “Floresta de caminhos Ótimos na classificação de pólen,” WVC 2012 - Workshop de Visão Computacional, 2012.
G. A. B. C. M. P. H. QUINTA L. N. B., ANDRADE W. T., “Segmentação baseada em textura e watershed aplicada a imagens de pólen,” SIBGRAPI 2012 - Workshop of Undergraduate Work - WUW-, 2012.
M. Rodriguez-Damian, E. Cernadas, A. Formella, M. Fernández-Delgado, and P. De Sa-Otero, “Automatic detection and classification of grains of pollen based on shape and texture,” IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), vol. 36, no. 4, pp. 531-542, 2006.
C. N. M. C. M. P. H. GONÇALVES, A. B.; RODRIGUES, “Identificação computadorizada de tipos polínicos através de “bag of words”,” WVC 2016 - Workshop de Visão Computacional, 2016.
G. Lozano-Vega, Y. Benezeth, F. Marzani, and F. Boochs, “Classification of pollen apertures using bag of words,” in International Conference on Image Analysis and Processing. Springer, 2013, pp. 712-721.
G. A. B. P. H. B. M. QUINTA L. N. B., SILVA D. S., “Application of wavelet transform in the classification of pollen grains,” Academic Journals, African Journal of Agricultural Research, 2014.
V. Sevillano and J. L. Aznarte, “Improving classification of pollen grain images of the polen23e dataset through three different applications of deep learning convolutional neural networks,” PLOS ONE, vol. 13, no. 9, pp. 1-18, 09 2018. [Online]. Available: https://doi.org/10.1371/journal.pone.0201807
F. A. S. R, “Redes neurais convolucionais profundas na detecção de plantas daninhas em lavoura de soja,” Tese (Doutorado), 2017.
M. A. M. and CARVALHO. (2015) Palinologia forense. [Online]. Available: http://apcforenses.org/?pageid=502
B. J. MONARD M.C., Conceitos de aprendizado de máquina, 2003. [18] A. N. G., Machine Learning Yearning: Technical Strategy for AI Engineers, In the Era of Deep Learning. deeplearning.ai, 2018.
Q. L.N.B, “Visão computacional aplicada na classificação de grãos de pólen,” Dissertação (mestrado em Biotecnologia) - Universidade Católica Dom Bosco - UCDB, 2013.
M. MARENGONI and D. STRINGHINI, “Tutorial: Introdução à visão computacional usando opencv,” 06 2018.
P. H. (2017) Pecuária de precisão o como fator de desenvolvimento local da região do alto taquari. [Online]. Available: http://www.gpec.ucdb.br/pistori/orientacoes/planos/gilberto2016.pdf
G. M. TOMMASELLI A.M.G., HASEGAWA J. K., “Modernas tecnologias de aquisição de imagens em fotogrametria,” Boletim de Ciências, 2000.
J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “Imagenet: A large-scale hierarchical image database,” pp. 248-255, 2009.
A. V. C. N. VARGAS, A. C. G.; PAES, “Um estudo sobre redes neurais convolucionais e sua aplicacão em deteccão de pedestres,” SIBGRAPI - Conference on Graphics, Patterns and Images, 2016.
Publicado
22/11/2021
Como Citar
BORGES, Felipe Silveira Brito; BALTA, Juliana Velasques; ROGHANIAN, Milad; GONÇALVES, Ariadne Barbosa; ALVAREZ, Marco; PISTORI, Hemerson.
The interference of optical zoom in human and machine classification of pollen grain images. In: WORKSHOP DE VISÃO COMPUTACIONAL (WVC), 17. , 2021, Online.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 100-106.
DOI: https://doi.org/10.5753/wvc.2021.18897.
