Detekcia a rozpoznávanie mikroskopických objektov v obraze

Vitajte na stránke mojej bakalárskej práce s názom Detekcia a rozpoznávanie mikroskopických objektov v obraze.
Táto bakalárska práca hľadá riešenie dvoch základných problémov. Prvým z nich je detegovať v obraze častice. Druhým je určiť, či ide o typ častice, ktorý patrí do skupiny A alebo do skupiny B. Pôjde teda o typ triedenia. Úloha bude realizovaná použitím vhodných techník spracovania obrazu (computer vision) a modelovania neurónových sietí.

Novinky

V zimnom semestri šk. ak. r. 2018/19 sme špecifikovali, aké metódy použijeme pre realizáciu našich cieľov. Rozhodli sme sa využiť predovšetkým silu neurónových sietí, a tak sa aj naše ciele a postup trochu zmenili. Zvolili sme konvolučnú sieť U-sieť, ktorá dokáže rýchlo a správne segmentovať obrázky na menšom počte dát ako bežné neurónové siete, čo je ich veľkou výhodou. Viac o nich sa dočítate v oficiálnom článku a v článku o našej práci v časti Materiály.

Ciele práce

Aktuálne sme si zvolili nasledovné ciele práce:

1. preštudovať implementáciu neurónovej siete v OpenCV
2. vybrať vhodné klasifikátory, na základe ktorých bude sieť vedieť, čo najpresnejšie identifikovať bunku
3. implementovať 1. návrh siete
4. vylepšovať sieť, upravovať parametre, pridávať klasifikátory
5. natrénovanú sieť použiť ako klasifikátor v programe NeuroCounter

Pre porovnanie, toto sú ciele stanovené minulý smester:

1. Preštudovať základnú literatúru týkajúcu sa rozpoznávania objektov v obraze
2. Lokalizovať mikroskopické objekty na vzorových obrázkoch a určiť príznaky potrebné na ich rozpoznávanie
3. Verifikovať metódu na reálnych experimentálnych obrazoch

Aktuálny stav práce

Doposiaľ som si prešla niekoľko programov v C++ s použitím knižnice OpenCV, a tak som sa oboznámila s nástrojmi, ktoré budem vo svojej práci potrebovať. Nastavila som si cesty v prostredí Visual Studio pre prácu s OpenCV.

Venovala som sa 1. bodu zo zadaných cieľov, teda hľadám už naimplementované programy, ktoré používajú neurónové siete a zisťujem ako fungujú a čo všetko je k tomu potrebné. Zistila som, že v praxi sa na ukladanie natrénovaných dát dá použiť široká škála formátov a preto sa zvyknú konvertovať na jednotný formát ONNX, ktorý má byť spustiteľný na ktorejkoľvek platforme. Zatiaľ sa mi nepodarilo takúto vzorku v ONNX použiť, takže najbližším krokom bude zistiť, čo ešte potrebujem k tomu, aby program vedel s ONNX pracovať.

Momentálne je mojím cieľom oboznámiť sa so spôsobom trénovania sietí pomocou uznávanej platformy TensorFlow a navrhnúť v nej model vhodný pre náš problém.

Motivácia

Obrázky sa mi vždy páčili, či už kresby, grafika či fotky. Vo svojom voľnom čase som sa začala venovať grafickému dizajnu a zapísala som si predmet venujúci sa digitálnemu spracovaniu obrazu. Keď som zistila, čo všetko dokážeme o obrázkoch zistiť vďaka počítačovému videniu, rozhodla som sa o tom naučiť viac a prečo nie práve prostredníctvom bakalárskej práce.

Na mojej práci sa mi páči tiež jej využitie v biológii, ktorú si ako vedu vážim, keďže vďaka nej môžeme poznávať a chrániť seba (ľudí) a svet okolo nás.

Ďalšou mojou motiváciou je naučiť sa programovať v C++ a využívať nástroje z knižnice pre počítačové videnie – OpenCV. Okrem toho je v našej práci priestor pre použitie strojového učenia, ktoré si získava stále väčšiu obľubu v informatike. V našom prípade by sme vytvorili neurónovú sieť, ktorá by po natrénovaní na veľkom množstve vzorov rozpoznávala typ buniek na vstupnej snímke.

Študijná literatúra

1. Z. Tomori, M. Nikorovič. 2017. Počítačové videnie v praxi. Košice : SAV, 2017. 140 s. ISBN 978-80-89656-18-9
2. M. D. Hannel, A. Abdulali, M. O’Brien, and D. G. Grier, "Machine-learning techniques for fast and accurate holographic particle tracking " Optics Express, 2018.
3. G. Bradski, A. Kaehler. Learning OpenCV 3. O'Reilly Media, December 2016
4. https://docs.opencv.org
5. http://caffe.berkeleyvision.org
6. Ronneberger, O., Fischer, P., Brox, T.: U-Net: Convolutional Networks for Biomedical Image Segmentation. Eprint arXiv:1505.04597. (2015)

Materiály