基于深度学习推断未培养水样显微图像的水质安全检测新方法
其他计算机科学
2026-03-10 v1 计算机视觉与模式识别
计算机与社会
机器学习
摘要
粪便污染的水源会引发疾病甚至死亡。当前细菌水质检测需进行病原体培养，耗时24-72小时，单次检测成本为20-50美元。本文提出的DeepScope方案超越了UNICEF制定的理想目标产品概况（Target Product Profile）要求，实现存在/不存在检测，估计单次检测成本仅为0.44美元。通过消除病原体培养需求，DeepScope将检测时间缩短至98%以上。在DeepScope中，组建了来自细菌和水样显微图像的数据集。开发了一种创新的数据增强技术，可从单张显微图像生成最高达21万亿张图像。随后采用迁移学习和正则化技术开发了四个卷积神经网络模型，并在由10万张来自14个不同水源（位于萨马纳什，华盛顿州）的真实水样组成的现场测试数据集上进行评估。精确率-召回率分析表明，DeepScope模型达到93%的准确率，精确率为90%，召回率超过94%。该模型部署于Web服务器上，并开发了面向Android和iOS的移动应用，实现基于互联网或智能手机的水质安全检测，可在秒级获取结果。
引用
@article{arxiv.2603.06611,
title = {A Novel Approach for Testing Water Safety Using Deep Learning Inference of Microscopic Images of Unincubated Water Samples},
author = {Sanjay Srinivasan},
journal= {arXiv preprint arXiv:2603.06611},
year = {2026}
}