Mikrodumblių rūšių atpažinimas optinės mikroskopijos vaizduose, taikant sąsūkos neuroninius tinklus
Matuzevičius, Dalius | Recenzentas / Rewiewer |
Šiame baigiamajame magistro darbe tiriamos sąsūkos neuroninių tinklų algoritmų taikymo galimybės mikrodumblių rūšims atpažinti optinės mikroskopijos vaizduose. Darbo metu, naudojant atvirojo kodo bibliotekas, sukurti du sąsūkos neuroniniai tinklai, kurie išbandyti tikrinant tris dumblių rūšių pavyzdžius. Neuroniniams tinklams apmokyti naudotas specialiai šiai užduočiai surinktas pavyzdžių rinkinys, kurį sudarė į tris klases - pagal dumblių rūšis - suskirstytos 1280x960 pikselių raiškos nuotraukos, kuriose sužymėti objektai apibraukimo būdu.Siekiant kompensuoti nedidelį tinklams apmokyti skirtą duomenų kiekį ir pagerinti neuroninių tinklų pasiekiamus rezultatus, buvo pritaikytos duomenų augmentacijos.Darbo metu, naudojant vieną iš dviejų sukurtų sąsūkos neuroninių tinklų, pasiektas 96,1 % vaizdų klasifikavimo tikslumas, kuris rodo, kad šis būdas gali būti tinkamas naudoti dumbliams atpažinti realiai, pakeičiant žmogaus darbą.Baigiamąjį magistro darbą sudaro 8 dalys: įvadas, optinės mikroskopijos problematika, vaizdų automatinės analizės algoritmų analitinė apžvalga, atrinkti sąsūkos neuroninių tinklų algoritmai ir jų taikymas analizuojant optinės mikroskopijos vaizdus automatiškai, duomenų paruošimas mikrodumblių rūšių atpažinimo algoritmų eksperimentiniam tyrimui, automatinio mikrodumblių rūšių atpažinimo tyrimo rezultatai, apibendrinimas ir išvados, literatūros sąrašas ir priedai. Darbo apimtis - 41 p. teksto be priedų, 36 iliustr., 2 lent., 31 literatūros ir duomenų šaltiniai. Atskirai pridedami darbo priedai.
This master's thesis investigates identification of microalgae species from optical microscopy images using convolutional neural networks. Using an open source library, we created 2 convolutional neural network models that are tested by examining three different microalgae cell types. A special set of examples were collected for this task. The sample set consists of 1280x960 size photos divided into three classes, that were labeled with outlining techniques.In order to compensate for the small amount of data allocated for network training and to improve the results achieved by neural networks, data augmentations are used in this work.During the work, one of the generated convolutional neural networks achieved 96.1 % classification accuracy, which indicates that this method could be used in real working conditions.Structure: introduction, analytical review of automatic microscopic image analysis algorithms, selected convolutional neural network algorithms and their application in automatic optical microscopy image analysis, data preparation for experimental study of microalgal species recognition algorithms, results of automatic microalgal species recognition research, conclusions, references, graphical part.Thesis consist of: 41 p. text without appendixes, 36 pictures, 2 tables, 31 bibliographical entries. Appendixes included.