SavedAdd your journal

Journals / Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi / 2023 / Cilt: 31 Sayı: 1

A NEW MODEL ON BENTHIC FORAMINIFER IMAGE CLASSIFICATION AND DEFINITIONS BASED ON CONVENTIONAL NEURAL NETWORK (CNN)

BENTİK FORAMİNİFER GÖRÜNTÜ SINIFLAMASI VE TANIMLAMALARINDA EVRİŞİMLİ SİNİR AĞI (CNN) TABANLI YENİ BİR MODEL

Kübra YAYAN
Uğur YAYAN
Pages
481–490
Publication Date
2023-04-29
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

This study, which reached high accuracy rates with a new method, has created a successful development for the branch of paleontology in the use of artificial intelligence in microfossil identification.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Fossil studies are of great importance in order to observe the change of living species over the years, to make inferences by using the information provided by the observed species, and to understand the developing and changing structure of the world we live in over the years.
📊
Key Findings & Data:To achieve this, 9 benthic foraminiferal species and non-foraminiferal sample photographs from a selected dataset were used.
💡
Conclusion & Impact:This study, which reached high accuracy rates with a new method, has created a successful development for the branch of paleontology in the use of artificial intelligence in microfossil identification.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Jeoloji · Bentik Foraminifer · Sınıflandırma

Abstract

Fossil studies are of great importance in order to observe the change of living species over the years, to make inferences by using the information provided by the observed species, and to understand the developing and changing structure of the world we live in over the years. However, the examination and interpretation of fossil specimens is a complex and long process. Artificial intelligence studies have begun to be applied to this field in order to facilitate the working methods of paleontologists. The detection and classification of fossil specimens with the aid of computers simplifies this process as much as possible compared to manual classification processes and reduces foreign dependency for fossil assemblages for which paleontologists are not experts. To achieve this, 9 benthic foraminiferal species and non-foraminiferal sample photographs from a selected dataset were used. In this study, a new method developed for the classification of benthic foraminifera using deep convolutional neural networks, reaching higher accuracy than the results in the literature, is presented. With this method, at least 70% accuracy rates were achieved in the test results of the trained system. This study, which reached high accuracy rates with a new method, has created a successful development for the branch of paleontology in the use of artificial intelligence in microfossil identification.

Özet

Canlı türlerinin yıllar içindeki değişimini gözlemlemek, gözlemlenen türlerin sağladığı bilgilerden yararlanarak çıkarımlarda bulunmak ve içinde yaşadığımız dünyanın yıllar içinde gelişen ve değişen yapısını anlamak için fosil çalışmaları büyük önem taşımaktadır. Ancak fosil örneklerinin incelenmesi ve yorumlanması karmaşık ve uzun bir süreçtir. Paleontologların çalışma yöntemlerini kolaylaştırmak için yapay zeka çalışmaları bu alana uygulanmaya başlandı. Fosil örneklerinin bilgisayar yardımıyla tespiti ve sınıflandırılması, bu işlemi manuel sınıflandırma işlemlerine kıyasla mümkün olduğunca basitleştirir ve paleontologların uzman olmadığı fosil toplulukları için dışa bağımlılığı azaltır. Bunu başarmak için, seçilen bir veri setinden 9 bentik foraminifer türü ve foraminifer olmayan örnek fotoğrafları kullanıldı. Bu çalışmada, derin evrişimli sinir ağları kullanılarak bentik foraminiferlerin sınıflandırılması için geliştirilen ve literatürdeki sonuçlardan daha yüksek doğruluğa ulaşan yeni bir yöntem sunulmaktadır. Bu yöntemle eğitilen sistemin test sonuçlarında en az %70 doğruluk oranlarına ulaşılmıştır. Yeni bir yöntemle yüksek doğruluk oranlarına ulaşan bu çalışma, mikrofosil tanımlamada yapay zeka kullanımında paleontoloji dalı için başarılı bir gelişme oluşturmuştur.

🔖

Cite This Article

YAYAN, K., YAYAN, U. (2023). A NEW MODEL ON BENTHIC FORAMINIFER IMAGE CLASSIFICATION AND DEFINITIONS BASED ON CONVENTIONAL NEURAL NETWORK (CNN). Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, Cilt: 31 Sayı: 1, 481–490. https://ajindex.com/articles/937518

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (2)

  1. Referans1: Carvalho, L. E., Fauth, G., Fauth, S. B., Krahl, G., Moreira, A. C., Fernandes, C. P., & Von Wangenheim, A. (2020). Automated microfossil identification and segmentation using a deep learning approach. Marine Micropaleontology, 158, 101890. doi:https://doi.org/10.1016/j.marmicro.2020.101890 Referans2: Ge, Q., Zhong, B., Kanakiya, B., Mitra, R., Marchitto, T., & Lobaton, E. (2017, November). Coarse-to-fine foraminifera image segmentation through 3D and deep features. In 2017 IEEE Symposium series on computational intelligence (SSCI) (pp. 1-8). IEEE. doi: 10.1109/SSCI.2017.8280982 Referans3: Gutiérrez Lira, E., Nouboud, F., Chalifour, A., & Voisin, Y. (2018, July). Image Segmentation and Object Extraction for Automatic Diatoms Classification. In International Conference on Image and Signal Processing (pp. 55-62).
  2. Springer, Cham. doi: https://doi.org/10.1007/978-3-319-94211-7_7 Referans4: Hu, Y., Limaye, A., & Lu, J. (2020). Three-dimensional segmentation of computed tomography data using Drishti Paint: new tools and developments. Royal Society open science, 7(12), 201033. doi: https://doi.org/10.1098/rsos.201033 Referans5:Johansen, T. H., & Sørensen, S. A. (2020). Towards detection and classification of microscopic foraminifera using transfer learning. arXiv preprint arXiv:2001.04782. doi: https://doi.org/10.48550/arXiv.2001.04782 Referans6: Marchant, R., Tetard, M., Pratiwi, A., Adebayo, M., & de Garidel-Thoron, T. (2020). Automated analysis of foraminifera fossil records by image classification using a convolutional neural network. Journal of Micropalaeontology, 39(2), 183-202. doi: https://doi.org/10.5194/jm-39-183-2020 Referans7: Mitra, R., Marchitto, T. M., Ge, Q., Zhong, B., Kanakiya, B., Cook, M. S.,. & Lobaton, E. (2019). Automated species-level identification of planktic foraminifera using convolutional neural networks, with comparison to human performance. Marine Micropaleontology, 147, 16-24. doi: https://doi.org/10.1016/j.marmicro.2019.01.005 Referans8: Pawlowski, J., Esling, P., Lejzerowicz, F., Cedhagen, T., & Wilding, T. A. (2014). Environmental monitoring through protist next‐generation sequencing metabarcoding: Assessing the impact of fish farming on benthic foraminifera communities. Molecular ecology resources, 14(6), 1129-1140. doi: https://doi.org/10.1111/1755-0998.12261 Referans9: Platon, E., & Gupta, B. K. S. 2001. Benthic Foraminiferal Communities in Oxygen‐Depleted Environments of the Louisiana Continental Shelf. Coastal