CLASIFICACIÓN DE MICROORGANISMOS EN MUESTRAS DE AGUA APLICANDO DEEP LEARNING EN IMÁGENES DE MICROSCOPIA
Resumen
Texto completo:
PDFReferencias
X. Xu, C. Wu and D. Ning, "Detection Analysis of Pathogenic Organisms in Municipal Sewage with PCR-Based 16S rDNA Technique," 2010 4th International Conference on Bioinformatics and Biomedical Engineering, Chengdu, 2010, pp. 1-4. doi: 10.1109/ICBBE.2010.5518027.
G. J. Tortora, B. R. Funke y C. L. Case, Introducción a la Microbiologia, vol. 9a, Argentina: Médica Panamericana, 2007, p. 959.[3] D. L. Heymann, Ed., El Control de las enfermedades transmisibles, 18a ed., Pan American Health Org,, 2005, p. 807.
J. p. w, «Microbiologia quimica y enfermedades infecciosas,» pp. 17-21, 2009.
J. E. M. Tobar, «Evaluación de la aplicación de tardigrados para reducir el desarrollo de bacterias fitopatogenas cultivadas in vitro,» Universidad técnica de ambato, Ecuador, 2016.
«Organización mundial de la salud,» OMS, 14 junio 2019. [En línea]. Available: https://www.who.int/es/news-room/fact-sheets/detail/drinking-water. [Último acceso: 25 Junio 2019].
J. Uribe, M. Ospina y E. Martinez, «Carga de enfermedad ambiental en Colombia,» ISSN: 2346-3325, Bogotá, 2018.
«Más de 30.000 casos de diarrea aguda en Norte de Santander,» La opinion, pp. 1-2, 6 julio 2017.
I. Correa, P. Drews, S. Botelho, M. S. de Souza and V. M. Tavano, "Deep Learning for Microalgae Classification," 2017 16th IEEE International Conference on Machine Learning and Applications (ICMLA), Cancun, 2017, pp. 20-25. doi: 10.1109/ICMLA.2017.0-183.
S. Kosov, K. S. hirahama, C. Li y M. Grzegorzek, «Clasificación de microorganismosambientales utilizando campos aleatorios condicionales y redes neuronales convolucionales profundas,» ScienceDirect, vol. 77, pp. 248-261, 2018.
L. á. Silva y S. Lizcano, «Evaluación del estado de maduración de la piña en su variedad perolera mediante técnicas de visión artificial,» ITECKNE, vol. 9, pp. 31-41, Julio 2012.
P. Nevavuori, N. Narra y T. Lipping, «Predicción del rendimiento de los cultivos con redes neuronales convolucionales profundas,» ScienDirect, vol. 163, 2019.doi: 10.1016/j.compag.2019.104859.
M. Kozłowski, P. Górecki y P. M. Szczypiński, «Clasificación varietal de cebada por redes neuronales convolucionales,» ScienceDirect, vol. 184, pp. 155-165, 2019.
J. Zhou, D. Xiao and M. Zhang, "Feature Correlation Loss in Convolutional Neural Networks for Image Classification," 2019 IEEE 3rd Information Technology, Networking, Electronic and Automation Control Conference (ITNEC), Chengdu, China, 2019, pp. 219-223. doi: 10.1109/ITNEC.2019.8729534.
G. Colmenares, «MÁQUINA DE VECTORES DE SOPORTE,» de Inteligencia Artificial Maquinas de vectores de soporte, pp. 1-11.
G. Betancour, «Las maquinas de soporte vectorial (SVMs),» Scientia et Technica, pp. 67-72, Abril 2005.
. Mendoza, L. E., Peña, J., & Valencia, J. L. R. (2015). Electro-myographic patterns of sub-vocal Speech: Records and classification. Revista de Tecnología, 12(2).
Enlaces refback
- No hay ningún enlace refback.