Details

Title: Распознавание и определение класса бактерии на снимках с микроскопа: выпускная квалификационная работа бакалавра: направление 01.03.02 «Прикладная математика и информатика» ; образовательная программа 01.03.02_02 «Системное программирование»
Creators: Пластинин Виталий Вячеславович
Scientific adviser: Беляев Сергей Юрьевич
Other creators: Арефьева Людмила Анатольевна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт прикладной математики и механики
Imprint: Санкт-Петербург, 2020
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: машинное обучение; свёрточные нейронные сети; распознавание объектов; сегментация объектов; бактерии; machine learning; convolutional neural networks; object detection; object recognition; bacteria
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Level of education: Bachelor
Speciality code (FGOS): 01.03.02
Speciality group (FGOS): 010000 - Математика и механика
Links: Отзыв руководителя; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-1497
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Record key: ru\spstu\vkr\8261

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

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.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
External organizations N2 All Read
External organizations N1 All
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU, N2) Read
Internet Authorized users (not from SPbPU, N1)
-> Internet Anonymous

Usage statistics

stat Access count: 21
Last 30 days: 1
Detailed usage statistics