Данная работа посвящена анализу способов автоматической обработки снимков микроколоний бактерий, полученных с помощью оптического микроскопа. Задачи, которые решались в ходе исследования: 1. Изучение особенностей микроколоний бактерий, выращенных на твёрдой подложке. 2. Сбор и разметка необходимого для тренировки и тестирования нейронных сетей набора снимков. 3. Исследование и поиск подходящих методик машинного обучения свёрточных нейронных сетей. 4. Обучение и анализ результатов тестирования выбранных архитектур нейронных сетей. В работе произведён анализ и сравнение двух архитектур свёрточных нейронных сетей Faster R-CNN и Mask R-CNN. Произведено обучение с подбором оптимальных параметров моделей. Рассмотрен результат работы двух моделей на основе этих архитектур в условиях конкретной задачи. произведено сравнение точности сегментирования и определения класса бактерий на подготовленном наборе снимков с использованием стандартных метрик. Сделаны выводы о целесообразности использования свёрточных нейронных сетей при обработке изображений в описанной задаче.

This work is devoted to the analysis of methods for automatic processing of images of bacterial microcolonies obtained using an optical microscope. Tasks that were solved during the study: 1. The study of the characteristics of microcolonies of bacteria grown on a solid substrate. 2. Collection and marking of the set of images necessary for training and testing neural networks. 3. Research and search for suitable machine learning techniques for convolutional neural networks. 4. Training and analysis of the test results of selected architects of neural networks. The paper analyzes and compares two architectures of convolutional neural networks Faster R-CNN and Mask R-CNN. Training was conducted with the selection of optimal model parameters. The result of the work of two models based on these architectures in the context of a specific task is considered. the accuracy of segmentation and determination of the class of bacteria on the prepared set of images using standard metrics is compared. Conclusions are drawn on the appropriateness of using convolutional neural networks when processing images in the described task.