Данная работа посвящена различным методом автофокусировки цифровых микроскопов, а также разработке и реализации нового подхода к этой задаче с применением нейронных сетей и глубокого обучения. В результате был разработан алгоритм автофокусировки цифрового микроскопа, который не зависит от конкретного оборудования и не требует интеграции в программное обеспечение микроскопа или камеры. Алгоритм основан на архитектуре сверточной нейронной сети MobileNetV3. Сеть обучалась на наборе данных из открытого источника, состоящем из снимков с микроскопа, сделанных при 20-кратном увеличении, и целых чисел, обозначающих расстояние до фокальной плоскости с учетом направления. По результатам тестирования был сделан следующий вывод: представленный алгоритм можно активно применять на практике, так как он имеет высокую скорость работы и отличное качество, не уступающее классическим методам, а также более устойчив к шуму и прост во внедрении.

This work is devoted to various methods of autofocus of digital microscopes, as well as the development and implementation of a new approach to this task using neural networks and deep learning. As a result, a digital microscope autofocus algorithm has been developed that does not depend on specific hardware and does not require integration into the microscope or camera software. The algorithm is based on the architecture of the convolutional neural network Mobile Net V3. The network was trained on an open source dataset consisting of microscope images taken at 20x magnification and integers indicating the distance to the focal plane, taking into account the direction. Based on the test results, the following conclusion was made: the presented algorithm can be actively applied in practice, since it has a high speed and excellent quality, not inferior to classical methods, as well as more resistant to noise and easy to implement.

• Нейросетевые и классические методы для задачи автофокуса цифрового микроскопа
  • Введение
  • 1. Постановка задачи и обзор решений
  • 2. Разработка нового нейросетевого подхода
  • 3. Обучение нейросети
  • Заключение
  • Список использованных источников