Master thesis Computer science: Deep learning-based approach for water crystal classification

Deep Learning-Based Approach for Water Crystal Classification

Tác giả: DOAN THI HIEN

Lĩnh vực: Computer Science

Nội dung tài liệu:

Nghiên cứu này tập trung vào việc phát triển một phương pháp dựa trên học sâu để phân loại các tinh thể nước. Tầm quan trọng của việc giám sát chất lượng nước được nhấn mạnh, liên kết với cấu trúc tinh thể nước. Một bộ dữ liệu mới về tinh thể nước, 5K EPP Dataset, đã được tạo ra. Nghiên cứu giải quyết những hạn chế cố hữu khi áp dụng các mô hình học máy cho bộ dữ liệu này, đặc biệt là kích thước nhỏ và tính không cân bằng. Một kết quả chính là việc phân loại các tinh thể nước và cách chia nhỏ bộ dữ liệu thành các nhóm có liên quan. Một bộ nhãn trực quan đơn giản đã được cung cấp để đặt tên cho các hình dạng tinh thể nước, với 12 danh mục. Một phương pháp học sâu đã được sử dụng để tự động hóa tác vụ phân loại trên một tập con của bộ dữ liệu đã được gán nhãn. Mô hình ResNet được tinh chỉnh đã đạt được độ chính xác cao trong việc phân loại.

Mục lục chi tiết:

• Abstract
• Acknowledgements
• Declaration
• Table of Contents
• Acronyms
• List of Figures
• List of Tables
• Chapter 1: Introduction
  • 1.1 Motivation
  • 1.2 Problem Statement
  • 1.3 Difficulties and Challenges
  • 1.4 Common Approaches
  • 1.5 Contributions and Structure of the Thesis
• Chapter 2: Related Work
  • 2.1 Manually Approaches
  • 2.2 Deep Learning-Based Approaches
• Chapter 3: The 5K EPP dataset
  • 3.1 Data collection
  • 3.2 Water crystal definition
• Chapter 4: Materials and Methods
  • 4.1 Theoretical Basis
    • 4.1.1 Convolutional Neural Network
    • 4.1.2 Convolutional Autoencoder
    • 4.1.3 Residual Connection
  • 4.2 Overview of Proposed System
  • 4.3 Unsupervised Learning
    • 4.3.1 Residual Autoencoder Model
    • 4.3.2 K-means algorithm
  • 4.4 Supervised Learning
  • 4.5 Data processing
    • 4.5.1 Background removing
    • 4.5.2 Dataset diversity
    • 4.5.3 Imbalanced data
• Chapter 5: Experiments and Results
  • 5.1 Implementation and Configurations
    • 5.1.1 Model Implementation
    • 5.1.2 Training and Testing Environment
  • 5.2 Datasets and Evaluation methods
    • 5.2.1 Dataset
    • 5.2.2 Metrics and Evaluation
  • 5.3 Performance of Proposed model
    • 5.3.1 Residual Autoencoder model (RAE)
    • 5.3.2 K-means for Clustering
    • 5.3.3 Training Classification Model
• Conclusions
• References