Research on Computer Vision Based Micropositioning System
Dzedzickis, Andrius | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Kompiuterinis matymas ir mašininis mokymasis yra dirbtinio intelekto sritis, kuria siekiama automatizuoti tam tikrus užduotis inžinerijos ir įvairiose kitose srityse. Šio tyrimo projekto tikslas - nustatyti ir sukurti galimą mielių ląstelių mėginių objektų aptikimo ir skenuojančio elektrocheminio mikroskopo sistemos su padėties nustatymo ašimi manipuliavimo algoritmą. Kitas šio darbo tikslas yra suteikti įžvalgų apie specializuotus galimus mašininio mokymosi programų sprendimus ir panašių sistemų automatizavimo apribojimus. Šiame projekte buvo naudojami kaip antriniai, taip ir pirminiai duomenys, kuriems buvo atliktos kelios išankstinio apdorojimo operacijos, po to rankiniu būdu išvestos jų funkcijos ir, galiausiai įvedami į neuroninio tinklo architektūrą, skirtą konkrečiam mėginiui aptikti. Tada gauti modeliai ir algoritmai buvo išbandyti su mėginiais, siekiant klasifikuoti, lokalizuoti ir nustatyti mėginių aptikimo tikslumą ir greitį. Tyrimas parodė pakankamą atskirų ląstelių aptikimą (virš 80 % klasifikavimui ir daugiau nei 50 % IoU aptikimui) ir priimtiną +/-5 pikselių lokalizavimo tikslumą. Tačiau eksperimento metu sunku buvo aptikti būtent ląstelių grupes, todėl buvo reikalingas papildomas išankstinis vaizdo apdorojimas, kuris sumažino bendrą aptikimo laiką ir kadrų gavimą. Šios išvados rodo, kad sėkmingas elektrocheminės mikroskopijos mikro padėties nustatymo įrenginių derinys yra įmanomas naudojant integruotus mašininio mokymosi algoritmus, kad būtų galima supaprastinti aptikimo atvejus, kuriems nereikia dinaminių vaizdo transliacijų.
Computer vision and machine learning is an area of artificial intelligence which aims to automate certain purposes in engineering and various other fields. This research project aims to determine and develop a possible algorithm for object detection of yeast cell samples and manipulation of a scanning electro-chemical microscope system with positioning axis. Additionally the purpose of this work is to give insights into specialized possible machine learning application solutions and limitations for automation of similar systems. Both secondary and primary data was used in this project that were subjected to several pre-processing operations then manual feature extraction and eventually being fed into a neural network architecture made for specific sample detection. The resulting models and algorithms were then tested on samples for classification and localization to determine the precision and speed of detection of the samples. The research has shown a sufficient detection (above 80% for classification and more than 50% IoU for detection) of individual cells and acceptable accuracy for localization of +/-5 pixels. However the detection struggles with the detection of clusters of cells where additional opening and closing pre-processing of the image were required which reduced the overall detection time and frame acquisition. These findings indicate that a successful combination of micro-positioning devices for electro-chemical microscopy is possible with integrated machine learning algorithms for simplified cases of detection which do not require dynamic video streaming capabilities.