Курсовая. Курсовая_Шрайбер. Курсовой проект по дисциплине корпоративные информационные системы на тему Автоматиз

• Название: Курсовой проект по дисциплине корпоративные информационные системы на тему Автоматиз
• Анкор: Курсовая
• Дата: 12.03.2023
• Размер: 1.34 Mb.
• Имя файла: Курсовая_Шрайбер.docx
• Тип: Курсовой проект; #982314
• страница: 2 из 10

1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

В разных областях микробиологии, иммунологии и клеточной биологии, считают колонии растущих клеток.

На агаровых пластинах - это рутина. Автоматизация таких процедур подсчёта не проста, так как колонии должны быть первыми.

Однако, поскольку колонии клеток являются топологически довольно простыми объектами, можно придумать решение для их автоматизированного перечисления.

На данный момент времени уж разработаны коммерческие инструменты, но они остаются очень дорогими. Кроме того, тот факт, что программы, которые они предоставляют, являются собственностью компании, делает их очень ограничительными: редко можно узнать точный характер анализа[2].

Все эти методы утверждают, что дают результаты, очень сопоставимые с человеческими подсчётами, повышают объективность и экономят время. Однако ни один из них не был широко применён. Помимо того, что некоторые биологи не знают о существовании таких инструментов, их явная неспособность к применению может быть объяснена.

Недостатки в производительности, такие как невозможность разделения объединённых колоний или длительное время обработки. Это также очень важно, чтобы способ был надёжным и универсальным: он должен быть способен хорошо работать без изменение параметров при незначительном изменении оптимальных условий и наличии артефактов.

Другой причиной непринятия автоматических методов может быть их отсутствие.

Надёжная, точная и быстрая обработка изображений, а также современный и функциональный пользовательский интерфейс. Спасибо оптимизированной библиотеке OpenCV[3], быстрая реализация функций обработки изображений. Это упрощает анализ больших и многочисленных наборов изображений и обеспечивает интеграцию устройств захвата (например, веб-камеры). Для оценки относительной эффективности и полезности нового.

В микробиологической лаборатории интегрированный подсчёт бактерий целесообразно строить на таких принципах:

Определение важнейших параметров объекта подсчёта: позиция в пространстве, позиция, цвет в палитре RGB, оттенок, количество соседей по расположению.

Построение системы распознавания стоит производить исходя из их значимости и существенности. Важно использовать уже существующие, разработанные микробиологами простыми и понятными алгоритмами расчёта показателей.

Точность оптимальных значений коэффициентов и границ удовлетворительного их уровня.

Информативность показателей, всесторонний учёт качественных и количественных параметров.

Доступность данных для расчёта показателей, которая обеспечивается использованием информации из уст лаборатории.

Обеспечение требований для применения методов сравнения во времени и пространстве, сопоставимость показателей по периодам.

Существуют разные методики подсчёта бактерий, однако в них не может быть отражено необходимых для конкретной микробиологической лаборатории характеристик, в них не учитывается специфика деятельности данных организаций.

Методики распознавания бактерий будут несколько отличаться в зависимости какого рода исследования будут проводиться в лаборатории, а также вид бактерии, с которой они будут работать.

Прежде всего, для простоты расчётов целесообразно ограничить ручной ввод характеристик, а также снизить их количество до 7.

Чтобы автоматизировать анализ, возможно, потребуется разработать алгоритм, который автоматически сегментирует колонии от нежелательного фона таким образом, чтобы получить границы. На основе этой сегментации должен быть выполнен не только подсчёт кое, но и дополнительные функции, представляющие интерес, такие как размер, форма и т.д. также должны быть извлечены. Однако это приводит к отдельным этапам типичного конвейера анализа изображений: удаление шума, сегментация изображения, извлечение признаков, выбор признаков, подсчёт/классификация объектов. Для каждого отдельного шага требуются алгоритмические параметры, необходимые для получения целевых колоний в каждом отдельном изображении. Для анализа всего набора данных необходимо выбрать более гибкие параметры, так как отдельные изображения могут сильно отличаться друг от друга по размеру объекта, морфологии объекта и интенсивности изображения. С точки зрения пользователя, параметры должны быть интуитивно понятными, такими как установка минимального и максимального размера колоний, ожидаемых при анализе. Поэтому необходимо определить абстрактное априорное знание пользователем о размере, количестве, форме и других особенностях обнаруживаемых колоний. На фоне анализа всего набора данных можно было бы реализовать управляемый автоматический анализ изображений с интуитивно понятными и гибкими параметрами, заданными пользователями.

Некоторые из основных проблем, препятствующих хорошему анализу кое, - это высокая плотность, несовершенство и примеси в суспензионной среде, присущий фоновый шум приёма, несогласованные артефакты освещения, светоотражение, другие видимые артефакты и низкое разрешение.