The study advances microorganism image classification through a hybrid approach that integrates a Convolutional Neural Network (CNN), modified from the VGG19 architecture, with an ensemble model powered by H2O AutoML. Employing data augmentation and feature extraction, the approach enhances performance on a dataset encapsulating a broad spectrum of microorganism classes. The CNN model shows significant accuracy enhancements in complex bacteria classes, as depicted by the confusion matrix. Concurrently, the AutoML ensemble delivers comparable accuracy, notably in some classes where CNNs struggles. This research highlights the complementary strengths of deep learning and AutoML, demonstrating their impact in achieving high-precision microorganism recognition. Such advancements promise to significantly benefit bioinformatics and diagnostic applications, addressing the complexity of multi-class image classification tasks. The results indicate a successful combination of CNN and AutoML methodologies, setting a benchmark in automated microorganism classification, and also showcase the unique contributions and nuances of each method.

This paper presents a hybrid study of convolutional neural networks (CNNs), machine learning (ML), and transfer learning (TL) in the context of brain magnetic resonance imaging (MRI). The anatomy of the brain is very complex; inside the skull, a brain tumour can form in any part. With MRI technology, cross-sectional images are generated, and radiologists can detect the abnormalities. When the size of the tumour is very small, it is undetectable to the human visual system, necessitating alternative analysis using AI tools. As is widely known, CNNs explore the structure of an image and provide features on the SoftMax fully connected (SFC) layer, and the classification of the items that belong to the input classes is established. Two comparison studies for the classification of meningioma tumours and healthy brains are presented in this paper: (i) classifying MRI images using an original CNN and two pre-trained CNNs, DenseNet169 and EfficientNetV2B0; (ii) determining which CNN and ML combination yields the most accurate classification when SoftMax is replaced with three ML models; in this context, Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM) were proposed. In a binary classification of tumours and healthy brains, the EfficientNetB0-SVM combination shows an accuracy of 99.5% on the test dataset. A generalisation of the results was performed, and overfitting was prevented by using the bagging ensemble method.

Visual inspection of dual-energy X-ray radiographic images of cabin baggage requires high performance, but is hindered by various challenges such as low target prevalence, variability in target visibility, possible presence of multiple targets, and security personnel fatigue and inattention. Artificial intelligence (AI) techniques, particularly deep convolutional neural networks (CNNs), have shown promise in improving the automatic detection of explosives, even with low-resolution radiographic images, especially in high baggage throughput scenarios. In this paper, we focus on the detection of detonators as components of improvised explosive devices. The proposed approach involves comparing two experiments implemented in a deep CNN architecture using TensorFlow and Keras libraries. In the first experiment, raw dual-energy radiographic images without any enhancement were used. The second experiment includes three methods for contrast enhancement and feature extraction: the Contrast Limited Adaptive Histogram Equalization (CLAHE) method, the wavelet transform-based method, and the mixed CLAHE RGB-Wavelet method. In the latter two methods, Haar, Db2, Coif2, and Sym2 mother wavelet functions at two levels (HH and HL) were employed. The analysis of results focuses on a comparative study of performance measures such as accuracy, precision, recall, and F1 score. It was found that the preprocessing methods used in experiment 2, for the two evaluated classes (detonator and no detonator), achieved higher accuracy compared to the raw radiographic images used in experiment 1 (98.08%). The highest accuracies in experiment 2, with a value of 100%, were obtained with the CLAHE method (green channel in grayscale, blue channel in grayscale, and RGB channels) and the wavelet transform method with Haar mother wavelet at two levels HL