Develop a new method for recognising and identifying bacterial colonies using artificial neural networks and Machine Learning algorithms. (Q77597): Difference between revisions
Jump to navigation
Jump to search
(Changed label, description and/or aliases in de, and other parts: Adding German translations) |
(Changed label, description and/or aliases in nl, and other parts: Adding Dutch translations) |
||||||||||||||
| label / nl | label / nl | ||||||||||||||
Ontwikkel een nieuwe methode voor het identificeren van bacteriële kolonies met behulp van kunstmatige neurale netwerken en machine learning algoritmen. | |||||||||||||||
| Property / summary | |||||||||||||||
Referentie_Aid_programma: SA.41471(2015/X) Doel_public_aid: Artikel 25 van Verordening (EG) nr. 651/2014 van 17 juni 2014 waarbij bepaalde categorieën steun op grond van de artikelen 107 en 108 van het Verdrag met de interne markt verenigbaar worden verklaard (PB URZ. EU L 187/1 van 26.6.2014). Het doel van het project is om algoritmen te ontwikkelen om de analyse van bacteriële cultuurculturen op petrischalen te automatiseren, met name de classificatie van het type bacteriën geplant en het aantal bacteriële kolonies. Algoritmen zullen worden voorbereid op basis van diepe leermethoden die volgens de huidige wetenschappelijke kennis het meest geschikt zijn voor beeldherkenning en van nature kunnen worden gebruikt om de belangrijkste morfologische kenmerken van bacteriële kolonies te identificeren. In samenwerking met een deskundige op het gebied van microbiologie zal een databank van opleidingsgegevens worden opgesteld om de parameters van kunstmatige neurale netwerken aan te passen. Het zal zorgvuldig beschreven foto’s van petrischaal bevatten, waarop specifieke bacteriële stammen zijn gezaaid en die kunnen worden gebruikt bij het onder toezicht leren. Aanvullende informatie over monsters zal worden verstrekt door middel van spectrumanalyse (spectral) en een driedimensionale topkaart met behulp van laserscanning. Convolutionele neurale netwerken (convolutional neurale netwerken) zullen worden gebruikt om monsters te classificeren, waarvan de hyperparameters zullen worden geselecteerd voor het probleem in kwestie en hun optimale waarden zullen worden gevonden door kruiscontroles, waardoor problemen met & AMP worden vermeden; (outfitting) of & „richtsnoeren” overfitting van het model. Een vergelijkende analyse van de verkregen resultaten met of zonder aanvullende spectrale gegevens zal worden uitgevoerd. Het eindproduct zal gespecialiseerde software zijn met behulp van gemaakte algoritmen voor de analyse van bacteriële culturen. (Dutch) | |||||||||||||||
| Property / summary: Referentie_Aid_programma: SA.41471(2015/X) Doel_public_aid: Artikel 25 van Verordening (EG) nr. 651/2014 van 17 juni 2014 waarbij bepaalde categorieën steun op grond van de artikelen 107 en 108 van het Verdrag met de interne markt verenigbaar worden verklaard (PB URZ. EU L 187/1 van 26.6.2014). Het doel van het project is om algoritmen te ontwikkelen om de analyse van bacteriële cultuurculturen op petrischalen te automatiseren, met name de classificatie van het type bacteriën geplant en het aantal bacteriële kolonies. Algoritmen zullen worden voorbereid op basis van diepe leermethoden die volgens de huidige wetenschappelijke kennis het meest geschikt zijn voor beeldherkenning en van nature kunnen worden gebruikt om de belangrijkste morfologische kenmerken van bacteriële kolonies te identificeren. In samenwerking met een deskundige op het gebied van microbiologie zal een databank van opleidingsgegevens worden opgesteld om de parameters van kunstmatige neurale netwerken aan te passen. Het zal zorgvuldig beschreven foto’s van petrischaal bevatten, waarop specifieke bacteriële stammen zijn gezaaid en die kunnen worden gebruikt bij het onder toezicht leren. Aanvullende informatie over monsters zal worden verstrekt door middel van spectrumanalyse (spectral) en een driedimensionale topkaart met behulp van laserscanning. Convolutionele neurale netwerken (convolutional neurale netwerken) zullen worden gebruikt om monsters te classificeren, waarvan de hyperparameters zullen worden geselecteerd voor het probleem in kwestie en hun optimale waarden zullen worden gevonden door kruiscontroles, waardoor problemen met & AMP worden vermeden; (outfitting) of & „richtsnoeren” overfitting van het model. Een vergelijkende analyse van de verkregen resultaten met of zonder aanvullende spectrale gegevens zal worden uitgevoerd. Het eindproduct zal gespecialiseerde software zijn met behulp van gemaakte algoritmen voor de analyse van bacteriële culturen. (Dutch) / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / summary: Referentie_Aid_programma: SA.41471(2015/X) Doel_public_aid: Artikel 25 van Verordening (EG) nr. 651/2014 van 17 juni 2014 waarbij bepaalde categorieën steun op grond van de artikelen 107 en 108 van het Verdrag met de interne markt verenigbaar worden verklaard (PB URZ. EU L 187/1 van 26.6.2014). Het doel van het project is om algoritmen te ontwikkelen om de analyse van bacteriële cultuurculturen op petrischalen te automatiseren, met name de classificatie van het type bacteriën geplant en het aantal bacteriële kolonies. Algoritmen zullen worden voorbereid op basis van diepe leermethoden die volgens de huidige wetenschappelijke kennis het meest geschikt zijn voor beeldherkenning en van nature kunnen worden gebruikt om de belangrijkste morfologische kenmerken van bacteriële kolonies te identificeren. In samenwerking met een deskundige op het gebied van microbiologie zal een databank van opleidingsgegevens worden opgesteld om de parameters van kunstmatige neurale netwerken aan te passen. Het zal zorgvuldig beschreven foto’s van petrischaal bevatten, waarop specifieke bacteriële stammen zijn gezaaid en die kunnen worden gebruikt bij het onder toezicht leren. Aanvullende informatie over monsters zal worden verstrekt door middel van spectrumanalyse (spectral) en een driedimensionale topkaart met behulp van laserscanning. Convolutionele neurale netwerken (convolutional neurale netwerken) zullen worden gebruikt om monsters te classificeren, waarvan de hyperparameters zullen worden geselecteerd voor het probleem in kwestie en hun optimale waarden zullen worden gevonden door kruiscontroles, waardoor problemen met & AMP worden vermeden; (outfitting) of & „richtsnoeren” overfitting van het model. Een vergelijkende analyse van de verkregen resultaten met of zonder aanvullende spectrale gegevens zal worden uitgevoerd. Het eindproduct zal gespecialiseerde software zijn met behulp van gemaakte algoritmen voor de analyse van bacteriële culturen. (Dutch) / qualifier | |||||||||||||||
point in time: 16 December 2021
| |||||||||||||||
Revision as of 19:15, 16 December 2021
Project Q77597 in Poland
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | Develop a new method for recognising and identifying bacterial colonies using artificial neural networks and Machine Learning algorithms. |
Project Q77597 in Poland |
Statements
1,850,331.93 zloty
0 references
2,437,811.1 zloty
0 references
75.9 percent
0 references
1 July 2018
0 references
30 October 2020
0 references
NEUROSYS SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
0 references
51°7'34.7"N, 16°58'41.5"E
0 references
Numer_referencyjny_programu_pomocowego: SA.41471(2015/X) Przeznaczenie_pomocy_publicznej: art. 25 rozporządzenia KE nr 651/2014 z dnia 17 czerwca 2014 r. uznające niektóre rodzaje pomocy za zgodne z rynkiem wewnętrznym w stosowaniu art. 107 i 108 Traktatu (Dz. Urz. UE L 187/1 z 26.06.2014). Celem projektu jest opracowanie algorytmów umożliwiających zautomatyzowanie analizy posiewów hodowli bakteryjnych na szalkach Petriego, w szczególności klasyfikacji rodzaju posianych bakterii oraz określenie liczby kolonii bakteryjnych. Algorytmy zostaną przygotowane w oparciu o metody uczenia głębokiego (ang. deep learning), które wg aktualnej wiedzy naukowej najlepiej sprawdzają się przy rozpoznawaniu obrazów i w naturalny sposób mogą być wykorzystane do identyfikowania kluczowych cech morfologicznych kolonii bakteryjnych. We współpracy z ekspertem z zakresu mikrobiologii zostanie przygotowana baza danych treningowych, potrzebnych do dopasowania parametrów sztucznych sieci neuronowych. Zawierać będzie ona dokładnie opisane zdjęcia szalek Petriego, na których zostały wysiane ściśle określone szczepy bakteryjne, a które będzie można wykorzystać w procesie uczenia nadzorowanego (ang. supervised learning). Dodatkowych informacji na temat próbek dostarczy analiza widma (spektralna) oraz trójwymiarowa mapa wierzchołków wykonana metodą skanowania laserowego. Do klasyfikacji próbek zostaną wykorzystane konwolucyjne sieci neuronowe (ang. convolutional neural networks), których hiperparametry zostaną dobrane pod rozważany problem, a ich optymalne wartości znalezione metodą sprawdzianu krzyżowego, co pozwoli uniknąć problemów z "niedouczeniem" (ang. underfitting) lub "przeuczeniem" (ang. overfitting) modelu. Zostanie wykonana analiza porównawcza wyników otrzymanych z lub bez uwzględnienia dodatkowych danych spektralnych. Ostatecznym produktem będzie specjalistyczne oprogramowanie wykorzystujące stworzone algorytmy do analizy posiewów bakteryjnych. (Polish)
0 references
Reference number of the aid programme: SA.41471(2015/X) Purpose of public aid: Article 25 of EC Regulation No 651/2014 of 17 June 2014 declaring certain types of aid compatible with the internal market in the application of Articles 107 and 108 of the Treaty (OJ L. I'm sorry. EU L 187/1 of 26.06.2014). The aim of the project is to develop algorithms to automate the analysis of bacterial cultures on petri dishes, in particular the classification of the type of sown bacteria and the number of bacterial colonies. Algorithms will be based on deep learning methods, which, according to current scientific knowledge, are best suited for image recognition and can naturally be used to identify key morphological features of bacterial colonies. In cooperation with an expert in the field of microbiology, a training database will be prepared, needed to match the parameters of artificial neural networks. It will contain well-defined images of Petri dishes, on which well-defined bacterial strains have been planted and which can be used in supervised learning. Additional information on the samples will be provided by spectrum analysis (spectral) and a three-dimensional map of vertices made by laser scanning. Convolutional neural networks (convolutional neural networks) will be used to classify samples, whose hyperparameters will be selected for the problem under consideration and their optimal values found by cross-checking will avoid problems with " Underfitting or " Overfitting model. A comparative analysis of the results obtained with or without additional spectral data shall be performed. The final product will be specialised software using created algorithms to analyse bacterial cultures. (English)
14 October 2020
0 references
Reference_Aid_programme: SA.41471(2015/X) But_public_aid: Article 25 du règlement (CE) no 651/2014 du 17 juin 2014 déclarant certaines catégories d’aides compatibles avec le marché intérieur en application des articles 107 et 108 du traité (JO URZ. EU L 187/1 du 26.6.2014). L’objectif du projet est de développer des algorithmes pour automatiser l’analyse des cultures bactériennes sur des boîtes de pétri, en particulier la classification du type de bactéries plantées et le nombre de colonies bactériennes. Les algorithmes seront préparés sur la base de méthodes d’apprentissage profond qui, selon les connaissances scientifiques actuelles, sont les mieux adaptées à la reconnaissance d’images et peuvent naturellement être utilisées pour identifier les principales caractéristiques morphologiques des colonies bactériennes. En coopération avec un expert en microbiologie, une base de données de données de formation sera préparée pour correspondre aux paramètres des réseaux neuronaux artificiels. Il contiendra des images soigneusement décrites de plat de pétri, sur lesquels des souches bactériennes spécifiques ont été semées et qui peuvent être utilisées dans l’apprentissage supervisé. Des renseignements supplémentaires sur les échantillons seront fournis au moyen d’une analyse du spectre (spectral) et d’une carte tridimensionnelle de l’apex à l’aide du balayage laser. Les réseaux neuronaux convolutionnels (réseaux neuronaux convolutionnels) seront utilisés pour classer les échantillons, dont les hyperparamètres seront sélectionnés pour le problème à l’étude et leurs valeurs optimales trouvées par recoupement, évitant ainsi les problèmes avec & (soutien) ou & «guidance» surdimensionnement du modèle. Une analyse comparative des résultats obtenus avec ou sans données spectrales supplémentaires sera effectuée. Le produit final sera un logiciel spécialisé utilisant des algorithmes créés pour l’analyse des cultures bactériennes. (French)
30 November 2021
0 references
Referenz_Aid_Programm: SA.41471(2015/X) Zweck_public_aid: Artikel 25 der Verordnung (EG) Nr. 651/2014 vom 17. Juni 2014 zur Feststellung der Vereinbarkeit bestimmter Gruppen von Beihilfen mit dem Binnenmarkt in Anwendung der Artikel 107 und 108 AEUV (ABl. URZ. EU L 187/1 vom 26.6.2014). Ziel des Projekts ist es, Algorithmen zu entwickeln, um die Analyse bakterieller Kulturkulturen auf Petrischalen zu automatisieren, insbesondere die Klassifizierung der Art der gepflanzten Bakterien und die Anzahl der bakteriellen Kolonien. Algorithmen werden auf der Grundlage von Deep-Learning-Methoden erstellt, die nach den aktuellen wissenschaftlichen Erkenntnissen am besten für die Bilderkennung geeignet sind und von Natur aus genutzt werden können, um wichtige morphologische Merkmale bakterieller Kolonien zu identifizieren. In Zusammenarbeit mit einem Experten für Mikrobiologie wird eine Datenbank mit Trainingsdaten erstellt, die den Parametern künstlicher neuronaler Netzwerke entspricht. Sie enthält sorgfältig beschriebene Bilder von Petrischalen, auf denen bestimmte Bakterienstämme ausgesät wurden und die zum überwachten Lernen verwendet werden können. Zusätzliche Informationen zu Proben werden durch die Spektrumanalyse (spektral) und eine dreidimensionale Apex-Karte mit Laserscanning bereitgestellt. Konvolutionale neuronale Netzwerke (konvolutionale neuronale Netzwerke) werden zur Klassifizierung von Proben verwendet, deren Hyperparameter für das betreffende Problem ausgewählt werden und deren optimale Werte durch Abgleich ermittelt werden, wodurch Probleme mit & AMP vermieden werden; (unterbaut) oder & „Leitung“ Überrüstung des Modells. Es wird eine vergleichende Analyse der Ergebnisse durchgeführt, die mit oder ohne zusätzliche Spektraldaten erzielt wurden. Das Endprodukt wird spezialisierte Software mit erstellten Algorithmen für die Analyse von Bakterienkulturen. (German)
7 December 2021
0 references
Referentie_Aid_programma: SA.41471(2015/X) Doel_public_aid: Artikel 25 van Verordening (EG) nr. 651/2014 van 17 juni 2014 waarbij bepaalde categorieën steun op grond van de artikelen 107 en 108 van het Verdrag met de interne markt verenigbaar worden verklaard (PB URZ. EU L 187/1 van 26.6.2014). Het doel van het project is om algoritmen te ontwikkelen om de analyse van bacteriële cultuurculturen op petrischalen te automatiseren, met name de classificatie van het type bacteriën geplant en het aantal bacteriële kolonies. Algoritmen zullen worden voorbereid op basis van diepe leermethoden die volgens de huidige wetenschappelijke kennis het meest geschikt zijn voor beeldherkenning en van nature kunnen worden gebruikt om de belangrijkste morfologische kenmerken van bacteriële kolonies te identificeren. In samenwerking met een deskundige op het gebied van microbiologie zal een databank van opleidingsgegevens worden opgesteld om de parameters van kunstmatige neurale netwerken aan te passen. Het zal zorgvuldig beschreven foto’s van petrischaal bevatten, waarop specifieke bacteriële stammen zijn gezaaid en die kunnen worden gebruikt bij het onder toezicht leren. Aanvullende informatie over monsters zal worden verstrekt door middel van spectrumanalyse (spectral) en een driedimensionale topkaart met behulp van laserscanning. Convolutionele neurale netwerken (convolutional neurale netwerken) zullen worden gebruikt om monsters te classificeren, waarvan de hyperparameters zullen worden geselecteerd voor het probleem in kwestie en hun optimale waarden zullen worden gevonden door kruiscontroles, waardoor problemen met & AMP worden vermeden; (outfitting) of & „richtsnoeren” overfitting van het model. Een vergelijkende analyse van de verkregen resultaten met of zonder aanvullende spectrale gegevens zal worden uitgevoerd. Het eindproduct zal gespecialiseerde software zijn met behulp van gemaakte algoritmen voor de analyse van bacteriële culturen. (Dutch)
16 December 2021
0 references
Identifiers
POIR.01.01.01-00-0040/18
0 references