Genaue, automatisierte mikrobiologische Analyse

Das allgemeine Ziel des Projektes war es die Genauigkeit der automatisierten mikrobiologischen Analyse durch Bilderkennung zu verbessern, mithilfe von Deep-Learning-Algorithmen. Die angewandte Methode bestimmt ob Bakterien auf der Petrischale erscheinen (eine positive Probe) oder ob sie rein bleibt (eine negative Probe), wobei die Probebilder ohne Aufsicht einer menschlichen Fachkraft analysiert werden.

Kurz gesagt
  • die Notwendigkeit beseitigen eine menschliche Fachkraft in die Probenanalyse zu involvieren (also Kostenreduzierung)
  • den Prozess beschleunigen, Genauigkeit erhöhen, sowie das Risiko menschlichen Versagens im Prozess minimieren.
Über das Projekt

Unser hochpräziser Deep-Learning-Algorithmus für die Erkennung von Bakterienkolonien wurde speziell für einen großes Kunden unseres Klienten entwickelt – eine der 10 größten Pharmaunternehmen.

Der ursprünglich verwendete, konventionelle Computer-Vision-Algorithmus wurde den Anforderungen des Kunden nicht gerecht. Er hat zu viele falsch-positive Ergebnisse bei der Untersuchung von Petrischalen produziert, da fälschlicherweise Luftbläschen an der Oberfläche als Bakterienkolonien erkannt wurden. Dies hat das ganze Projekt gefährdet.

Unsererseits haben wir es dem Kunden abgeraten die nächste offensichtliche Lösung dieses Problems einzuführen, nämlich die Verbesserung der Bildqualität durch den Erwerb von Multispektralkameras. Dieser Ausweg hätte die Projektkosten erheblich gesteigert und es könnte eine ausreichende Auflösung nicht garantieren (angesichts der Qualität dieser Kameras die zu der Zeit auf dem Markt erhältlich waren). Unser Team hat vorgeschlagen stattdessen Deep-Learning-Algorithme einzusetzen, die dabei helfen diese Herausforderung zu bewältigen.

Lösung

Unsere Lösung hat einen konventionellen Algorithmus, welcher nicht zuverlässig genug für Produktionszwecke ist, ersetzt und die Genauigkeit erheblich erhöht, sogar in Grenzfällen (wie Luftbläschen im Agar, Kolonien die am Rand der Petrischale wachsen usw.)

Die Bilderkennungsfunktion wurde für einen bestimmten Zweck kreiert: die mikrobiologische Analyse spezifischer Arten von Probenbildern. Dennoch haben die Deep-Learning-Methoden die in diesem Projekt eingesetzt wurden viel mehr Anwendungsmöglichkeiten: medizinische Leistungen, Qualitätsprüfung in der Pharma- und Gesundheitsindustrie, industrielle Mikrobiologie und so weiter.

Lassen Sie uns sprechen und sehen ob wir zu ihrem nächsten IT-Projekt passen.
Zdjęcie Tomka
Tomasz Kowalczyk
CEO von NeuroSYS
icon
icon