MİKROSKOBİK GÖRÜNTÜLER ÜZERİNDE DERİN ÖĞRENME KULLANARAK GERÇEK ZAMANLI PROTOZOA TESPİTİ

Abstract

ÖZET

Tatlı sulardan protozoa tespiti ve sınıflandırılması ve mikroskobik görüntüleme, çevresel izleme, parazitoloji, bilim, biyolojik süreçler ve bilimsel araştırmalarda kritik bileşenlerdir. Suyun bakteriyel ve parazitik kontaminasyonu toplum sağlığında önemli bir rol oynamaktadır. Geleneksel yöntemler genellikle manuel tanımlamaya dayanır, bu da zaman alıcı analizlere ve sınırlı ölçeklenebilirliğe neden olur. Bu çalışmada, olağanüstü hızı ve doğruluğu ile bilinen etkili bir derin öğrenme modeli olan YOLO algoritmasını kullanarak gerçek zamanlı bir protozoa tespit eden bir model önerilmektedir. Çalışmada kullanılan veri seti, tatlı sularda bulunan ve farklı şekil, boyut ve hareketlere sahip olan Bdelloid Rotifera, Sty-lonychia Pustulata, Paramecium, Hypotrich Ciliate, Colpoda, Lepocinclis Acus ve Clathrulina Elegans gibi protozoa türlerinin görüntülerinden oluşmaktadır. Çalışmamızın en önemli özelliklerinden biri, yağmur suyu ve su birikintileri gibi çeşitli su kaynaklarından farklı kültürler oluşturarak bir veri kümesi oluşturmaktır. Ağ mimarimiz, protozoanın tespitini optimize etmek için dikkatlice uyarlanmıştır ve tek hücreli canlıların hassas bir şekilde tespitini ve sınıflandırılmasını sağlar. Modelin başarısını doğrulamak için, gerçek dünya mikroskobik görüntü veri kümeleri kullanılarak kapsamlı deneyler gerçekleştirilmiştir. Sonuçlar, YOLO tabanlı modelin yüksek tespit doğruluğuna ulaştığını ve hız ve hassasiyet açısından geleneksel yöntemlerden önemli ölçüde daha iyi performans gösterdiğini ortaya koymaktadır. Modelin gerçek zamanlı çalışma yetenekleri, büyük ölçekli veri kümelerinin hızlı bir şekilde analiz edilmesini sağlayarak dinamik çalışmalar ve zamana duyarlı uygulamalar için son derece uygun hale getirmektedir. Değerlendirme parametreleri f1-skor 0.95, ortalama kesinlik 0.92, duyarlılık 0.99 ve mAP 0.983 olarak elde edilmiştir. Önerilen model %98 doğruluk oranına ulaşmıştır. Yüksek verimliliğe ulaşıldıktan sonra, modelin test edilmesini sağlamak için bir masaüstü uygulaması geliştirilmiştir. Önerilen modelin hızı ve doğruluğu, paramesiyoloji/parazitoloji çalışmaları için destekleyici bir araçtan su kalitesi değerlendirmelerine kadar çeşitli alanlar için önemli etkilere sahiptir.

ABSTRACT

Detection and classification of protozoa from freshwater and microscopic imaging are critical components in environmental monitoring, parasitology, science, biological processes and scientific research. Bacterial and parasitic contamination of water plays an important role in public health. Traditional methods often rely on manual identification, resulting in time-consuming analysis and limited scalability. In this study, we propose a real-time protozoa detection model using the YOLOv4 algorithm, a state-of-the-art deep learning model known for its exceptional speed and accuracy. The dataset used in the study consists of images of protozoa species such as Bdelloid Rotifera, Sty-lonychia Pustulata, Paramecium, Hypotrich Ciliate, Colpoda, Lepocinclis Acus and Clathrulina Elegans, which are found in freshwater and have different shapes, sizes and movements. One of the most important features of our work is to build a dataset by creating different cultures from various water sources such as rainwater and puddles. Our network architecture has been carefully adapted to optimize the detection of protozoa and enables precise detection and classification of unicellular organisms. To validate the success of the model, extensive experiments were conducted using real-world microscopic image datasets. The results reveal that the YOLOv4-based model achieves exceptional detection accuracy and significantly outperforms traditional methods in terms of speed and precision. The model's real-time operating capabilities enable large-scale datasets to be analyzed quickly, making it highly suitable for dynamic studies and time-sensitive applications. The evaluation parameters were obtained as f1-score 0.95, precision 0.92, average recall 0.99 and mAP 0.983. The proposed model achieved 98% accuracy. After achieving high efficiency, a desktop application was developed to test the model. The speed and accuracy of the proposed model has important implications for various fields, ranging from a supporting tool for paramesiology/parasitology studies to water quality assessments.