[论文解读] AquaSight: Automatic Water Impurity Detection Utilizing Convolutional Neural Networks

Ankit Gupta, Elliott Ruebush|arXiv (Cornell University)|Jul 17, 2019

Water Quality Monitoring Technologies被引用 6

一句话总结

AquaSight 提出了一款移动应用程序，利用卷积神经网络（CNN）通过智能手机拍摄的图像检测水质杂质，基于浊度和透明度，对污染程度的分类准确率达到96.2%。该系统无需化学检测即可实现快速、低成本的水质评估，为用户和相关机构提供实时污染警报。

ABSTRACT

According to the United Nations World Water Assessment Programme, every day, 2 million tons of sewage and industrial and agricultural waste are discharged into the worlds water. In order to address this pervasive issue of increasing water pollution, while ensuring that the global population has an efficient, accurate, and low cost method to assess whether the water they drink is contaminated, we propose AquaSight, a novel mobile application that utilizes deep learning methods, specifically Convolutional Neural Networks, for automated water impurity detection. After comprehensive training with a dataset of 105 images representing varying magnitudes of contamination, the deep learning algorithm achieved a 96 percent accuracy and loss of 0.108. Furthermore, the machine learning model uses efficient analysis of the turbidity and transparency levels of water to estimate a particular sample of waters level of contamination. When deployed, the AquaSight system will provide an efficient way for individuals to secure an estimation of water quality, alerting local and national government to take action and potentially saving millions of lives worldwide.

研究动机与目标

• 开发一种适用于缺乏化学检测手段地区的可及、低成本的水质安全评估方法。
• 利用深度学习与计算机视觉技术，仅通过图像数据自动分类水质。
• 开发一款移动应用程序，提供实时污染检测并通知地方及国家相关部门。
• 通过实现快速、可扩展且用户友好的水质估算，提升水质监测能力。
• 为未来集成显微图像分析以检测有害细菌奠定基础。

提出的方法

• 该系统使用自建的 105 张水样图像数据集，涵盖清水及由沙子、盐、胡椒和油彩引起的不同程度污染。
• 卷积神经网络（CNN）在 78 张图像（75%）上进行训练，并在 27 张图像（25%）上进行验证，以分类污染程度。
• 该模型通过分析浊度和透明度等视觉特征来估算污染严重程度。
• 使用 GPU 训练 CNN，以加速学习过程并提高效率。
• 该系统设计为可部署于 Android 移动应用程序，可直接与训练好的模型对接。
• 未来版本将通过集中式数据库自动收集用户提交的图像，实现模型的定期再训练，以长期保持准确性。

实验结果

研究问题

• RQ1 仅通过智能手机拍摄的图像，深度学习模型能否准确分类水质污染程度？
• RQ2 与传统浊度测量方法相比，基于 CNN 的系统在速度和准确性方面表现如何？
• RQ3 集成 CNN 图像分析的移动应用程序能否有效向用户和相关机构发出潜在水质污染警报？
• RQ4 通过扩大并多样化训练数据，模型准确率可提升到何种程度？
• RQ5 该系统能否通过图像分析扩展以检测有害细菌等微观污染物？

主要发现

• CNN 在测试中达到 96.2% 的准确率，损失值为 0.108，表明在该数据集上具有出色的分类性能。
• 该模型每张图像的处理时间仅为 4 毫秒，显示出极高的计算效率。
• 模型的精确率为 0.982，灵敏度为 0.949，证实其在识别受污染水体方面具有高度可靠性。
• F-beta 得分较高，表明在精确率与召回率之间实现了良好平衡，污染检测性能优异。
• 系统为每次预测提供置信度评分，可输出污染程度的连续谱，而非二元结果。
• 该模型可通过定期使用新收集的用户图像进行再训练，实现持续改进。