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
(Removed claim: instance of (P35): Discontinued Kohesio Project (Q4412041)) |
(Changed label, description and/or aliases in pt) |
||||||||||||||
| (9 intermediate revisions by 2 users not shown) | |||||||||||||||
| label / fr | label / fr | ||||||||||||||
Développement d’une nouvelle méthode pour reconnaître et identifier les colonies bactériennes à l’aide de réseaux neuronaux artificiels et d’algorithmes d’apprentissage automatique. | |||||||||||||||
| label / de | label / de | ||||||||||||||
Entwicklung einer neuen Methode zur Identifizierung | Entwicklung einer neuen Methode zur Erkennung und Identifizierung von Bakterienkolonien mit künstlichen neuronalen Netzwerken und Algorithmen für maschinelles Lernen. | ||||||||||||||
| label / nl | label / nl | ||||||||||||||
Ontwikkeling van een nieuwe methode voor het herkennen en identificeren van bacteriële kolonies met behulp van kunstmatige neurale netwerken en Machine Learning-algoritmen. | |||||||||||||||
| label / it | label / it | ||||||||||||||
Sviluppo di un nuovo metodo per riconoscere e identificare le colonie batteriche utilizzando reti neurali artificiali e algoritmi di Machine Learning. | |||||||||||||||
| label / es | label / es | ||||||||||||||
Desarrollo de un nuevo método para reconocer e identificar colonias bacterianas utilizando redes neuronales artificiales y algoritmos de aprendizaje automático. | |||||||||||||||
| label / et | label / et | ||||||||||||||
Uue meetodi väljatöötamine bakterikolooniate tuvastamiseks ja tuvastamiseks, kasutades kunstlikke närvivõrke ja masinõppe algoritme. | |||||||||||||||
| label / lt | label / lt | ||||||||||||||
Naujo bakterijų kolonijų atpažinimo ir nustatymo metodo kūrimas naudojant dirbtinius neuroninius tinklus ir mašinų mokymosi algoritmus. | |||||||||||||||
| label / hr | label / hr | ||||||||||||||
Razvoj nove metode prepoznavanja i identificiranja bakterijskih kolonija pomoću umjetnih neuronskih mreža i algoritama strojnog učenja. | |||||||||||||||
| label / el | label / el | ||||||||||||||
Ανάπτυξη μιας νέας μεθόδου για την αναγνώριση και τον εντοπισμό | Ανάπτυξη μιας νέας μεθόδου για την αναγνώριση και τον εντοπισμό βακτηριακών αποικιών με χρήση τεχνητών νευρωνικών δικτύων και αλγορίθμων μηχανικής μάθησης. | ||||||||||||||
| label / sk | label / sk | ||||||||||||||
Vývoj novej metódy rozpoznávania a identifikácie bakteriálnych kolónií pomocou umelých neurónových sietí a algoritmov strojového učenia. | |||||||||||||||
| label / fi | label / fi | ||||||||||||||
Kehitetään uusi menetelmä | Kehitetään uusi menetelmä bakteeriyhdyskuntien tunnistamiseksi ja tunnistamiseksi käyttäen keinotekoisia hermoverkkoja ja koneoppimisen algoritmeja. | ||||||||||||||
| label / hu | label / hu | ||||||||||||||
Új módszer kifejlesztése a bakteriális kolóniák felismerésére és azonosítására mesterséges neurális hálózatok és gépi tanulási algoritmusok segítségével. | |||||||||||||||
| label / cs | label / cs | ||||||||||||||
Vývoj nové metody rozpoznávání a identifikace bakteriálních kolonií pomocí umělých neuronových sítí a algoritmů strojového učení. | |||||||||||||||
| label / lv | label / lv | ||||||||||||||
Jaunas metodes izstrāde baktēriju koloniju atpazīšanai un identificēšanai, izmantojot mākslīgos neironu tīklus un mašīnmācīšanās algoritmus. | |||||||||||||||
| label / sl | label / sl | ||||||||||||||
Razvoj nove metode prepoznavanja in prepoznavanja bakterijskih kolonij z uporabo umetnih nevronskih mrež in algoritmov strojnega učenja. | |||||||||||||||
| label / bg | label / bg | ||||||||||||||
Разработване на нов метод за разпознаване и идентифициране на бактериални колонии | Разработване на нов метод за разпознаване и идентифициране на бактериални колонии с помощта на изкуствени невронни мрежи и алгоритми за машинно обучение. | ||||||||||||||
| label / mt | label / mt | ||||||||||||||
L-iżvilupp ta’ metodu ġdid għar-rikonoxximent u l-identifikazzjoni ta’ kolonji batteriċi bl-użu ta’ netwerks newrali artifiċjali u algoritmi ta’ Tagħlim | L-iżvilupp ta’ metodu ġdid għar-rikonoxximent u l-identifikazzjoni ta’ kolonji batteriċi bl-użu ta’ netwerks newrali artifiċjali u algoritmi ta’ Tagħlim Awtomatiku. | ||||||||||||||
| label / pt | label / pt | ||||||||||||||
Desenvolver um novo método para reconhecer e identificar | Desenvolver um novo método para reconhecer e identificar colónias bacterianas utilizando redes neurais artificiais e algoritmos de aprendizagem automática. | ||||||||||||||
| label / da | label / da | ||||||||||||||
Udvikling af en ny metode til at genkende og identificere bakteriekolonier ved hjælp af kunstige neurale netværk og Machine Learning algoritmer. | |||||||||||||||
| label / sv | label / sv | ||||||||||||||
Utveckling av en ny metod för att identifiera och identifiera bakteriekolonier med hjälp av artificiella neurala nätverk och maskininlärningsalgoritmer. | |||||||||||||||
| Property / EU contribution | Property / EU contribution | ||||||||||||||
| 411,328.79 Euro
| ||||||||||||||
| Property / budget | Property / budget | ||||||||||||||
| 541,925.41 Euro
| ||||||||||||||
| Property / co-financing rate | |||||||||||||||
| |||||||||||||||
| Property / co-financing rate: 75.9 percent / rank | |||||||||||||||
| Property / end time | |||||||||||||||
| |||||||||||||||
| Property / end time: 30 October 2020 / rank | |||||||||||||||
| Property / summary: 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) / qualifier | |||||||||||||||
readability score: 0.6322009960451068
| |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programme: SA.41471(2015/X) Objet de l’aide publique: Article 25 du règlement (CE) no 651/2014 du 17 juin 2014 déclarant certaines catégories d’aides compatibles avec le marché intérieur dans l’application des articles 107 et 108 du traité C’est tout. UE 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 plats de Petri, en particulier pour classer le type de bactéries semées et déterminer 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 pour la reconnaissance d’images et peuvent être utilisées naturellement pour identifier les principales caractéristiques morphologiques des colonies bactériennes. En collaboration avec un expert dans le domaine de la microbiologie, une base de données de formation nécessaire pour correspondre aux paramètres des réseaux de neurones artificiels sera établie. Il contiendra des images soigneusement décrites du plat de Petri, où des souches bactériennes strictement définies ont été semées, et qui peuvent être utilisées dans l’apprentissage supervisé. Des informations supplémentaires sur les échantillons seront fournies par analyse du spectre (spectrale) et une carte tridimensionnelle des sommets réalisée par balayage laser. Les réseaux neuronaux convolutionaux (réseaux neuronaux convolutionaux) seront utilisés pour classer les échantillons, dont les hyperparamètres seront sélectionnés pour le problème considéré, et leurs valeurs optimales seront trouvées par recoupement, ce qui évitera les problèmes avec le " «sous-fitting» ou «transmission». modèle suréquillant. Une analyse comparative des résultats obtenus avec ou sans données spectrales supplémentaires sera réalisée. Le produit final sera un logiciel spécialisé utilisant des algorithmes créés pour analyser les cultures bactériennes. (French) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_Programm: SA.41471(2015/X) Zweck der öffentlichen Beihilfe: 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 Das war’s. EU L 187/1 vom 26.6.2014). Ziel des Projekts ist es, Algorithmen zu entwickeln, um die Analyse von Bakterienkulturen auf Petrischalen zu automatisieren, insbesondere um die Art der gesäten Bakterien zu klassifizieren und die Anzahl der Bakterienkolonien zu bestimmen. Algorithmen werden auf der Grundlage von Deep-Learning-Methoden erstellt, die nach aktuellen wissenschaftlichen Erkenntnissen am besten für die Bilderkennung geeignet sind und auf natürliche Weise verwendet werden können, um wichtige morphologische Eigenschaften von Bakterienkolonien zu identifizieren. In Zusammenarbeit mit einem Experten auf dem Gebiet der Mikrobiologie wird eine Trainingsdatenbank erstellt, die notwendig ist, um die Parameter künstlicher neuronaler Netze abzugleichen. Es enthält sorgfältig beschriebene Bilder von Petrischale, in denen streng definierte Bakterienstämme gesät wurden und die beim überwachten Lernen verwendet werden können. Weitere Informationen zu den Proben werden durch die Spektrumanalyse (spektral) und eine dreidimensionale Karte von Ecken durch Laserscanning bereitgestellt. Konvolutionale neuronale Netze (konvolutionale neuronale Netze) werden verwendet, um die Proben zu klassifizieren, deren Hyperparameter für das betreffende Problem ausgewählt werden, und ihre optimalen Werte werden durch Gegenprüfung gefunden, wodurch Probleme mit dem " vermieden werden; „unterbauen“ oder „Übertragung“. überpassendes Modell. Es wird eine vergleichende Analyse der mit oder ohne zusätzlichen spektralen Daten erzielten Ergebnisse durchgeführt. Das Endprodukt wird eine spezialisierte Software sein, die erstellte Algorithmen verwendet, um Bakterienkulturen zu analysieren. (German) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programma: SA.41471(2015/X) Doel van de overheidssteun: 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 Dat is het. 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 Petri gerechten te automatiseren, in het bijzonder om het type gezaaide bacteriën te classificeren en het aantal bacteriële kolonies te bepalen. Algoritmen worden voorbereid op basis van deep learning-methoden, die volgens de huidige wetenschappelijke kennis het meest geschikt zijn voor beeldherkenning en op natuurlijke wijze kunnen worden gebruikt om belangrijke morfologische kenmerken van bacteriële kolonies te identificeren. In samenwerking met een expert op het gebied van microbiologie zal een database van trainingen worden voorbereid die nodig is om de parameters van kunstmatige neurale netwerken aan te passen. Het bevat zorgvuldig beschreven afbeeldingen van Petri gerecht, waar strikt gedefinieerde bacteriestammen zijn gezaaid, en die kunnen worden gebruikt in begeleid leren. Aanvullende informatie over de monsters zal worden verstrekt door spectrumanalyse (spectral) en een driedimensionale kaart van hoekpunten gemaakt door laserscanning. Convolutionele neurale netwerken (convolutionele neurale netwerken) zullen worden gebruikt om de monsters te classificeren, waarvan de hyperparameters zullen worden geselecteerd voor het probleem in kwestie, en hun optimale waarden zullen worden gevonden door kruiscontrole, wat problemen met de " zal voorkomen; „ondermontage” of „transmissie”. overpassend 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 gecreëerde algoritmen om bacteriële gewassen te analyseren. (Dutch) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programma: SA.41471(2015/X) Finalità degli aiuti pubblici: Articolo 25 del regolamento (CE) n. 651/2014, del 17 giugno 2014, che dichiara talune categorie di aiuti compatibili con il mercato interno nell'applicazione degli articoli 107 e 108 del trattato È tutto qui. UE L 187/1 del 26.6.2014). L'obiettivo del progetto è quello di sviluppare algoritmi per automatizzare l'analisi delle colture batteriche sulle piastre di Petri, in particolare per classificare il tipo di batteri seminati e determinare il numero di colonie batteriche. Gli algoritmi saranno preparati sulla base di metodi di apprendimento profondo, che, secondo le attuali conoscenze scientifiche, sono più adatti per il riconoscimento delle immagini e possono essere utilizzati naturalmente per identificare le caratteristiche morfologiche chiave delle colonie batteriche. In collaborazione con un esperto nel campo della microbiologia, sarà preparato un database di formazione necessario per abbinare i parametri delle reti neurali artificiali. Conterrà immagini accuratamente descritte della piastra di Petri, dove sono stati seminati ceppi batterici rigorosamente definiti e che possono essere utilizzati nell'apprendimento supervisionato. Ulteriori informazioni sui campioni saranno fornite dall'analisi dello spettro (spettrale) e da una mappa tridimensionale dei vertici realizzati mediante scansione laser. Le reti neurali convoluzionali (reti neurali convoluzionali) saranno utilizzate per classificare i campioni, i cui iperparametri saranno selezionati per il problema in esame, e i loro valori ottimali saranno trovati tramite controllo incrociato, che eviterà problemi con il " "underfitting" o "trasmissione". modello overfitting. Verrà effettuata un'analisi comparativa dei risultati ottenuti con o senza dati spettrali aggiuntivi. Il prodotto finale sarà un software specializzato utilizzando algoritmi creati per analizzare le colture batteriche. (Italian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programa: SA.41471(2015/X) Objetivo de la ayuda pública: Artículo 25 del Reglamento (CE) n.º 651/2014, de 17 de junio de 2014, por el que se declaran determinadas categorías de ayudas compatibles con el mercado interior en la aplicación de los artículos 107 y 108 del Tratado Eso es todo. EU L 187/1 de 26.6.2014). El objetivo del proyecto es desarrollar algoritmos para automatizar el análisis de cultivos bacterianos en platos de Petri, en particular para clasificar el tipo de bacterias sembradas y determinar el número de colonias bacterianas. Los algoritmos se prepararán sobre la base de métodos de aprendizaje profundo, que, según los conocimientos científicos actuales, son los más adecuados para el reconocimiento de imágenes y se pueden utilizar de forma natural para identificar las características morfológicas clave de las colonias bacterianas. En cooperación con un experto en el campo de la microbiología, se preparará una base de datos de capacitación necesaria para que coincida con los parámetros de las redes neuronales artificiales. Contendrá imágenes cuidadosamente descritas de la placa de Petri, donde se han sembrado cepas bacterianas estrictamente definidas, y que se pueden utilizar en el aprendizaje supervisado. Se proporcionará información adicional sobre las muestras mediante análisis de espectro (espectral) y un mapa tridimensional de vértices realizado por escaneo láser. Las redes neuronales convolucionales (redes neuronales convolucionales) se utilizarán para clasificar las muestras, cuyos hiperparámetros se seleccionarán para el problema en cuestión, y sus valores óptimos se encontrarán mediante verificación cruzada, lo que evitará problemas con el " «subadaptación» o «transmisión». modelo de sobreajuste. Se realizará un análisis comparativo de los resultados obtenidos con o sin datos espectrales adicionales. El producto final será un software especializado utilizando algoritmos creados para analizar cultivos bacterianos. (Spanish) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programm: SA.41471(2015/X) Riigiabi eesmärk: Euroopa Liidu toimimise lepingu artiklite 107 ja 108 kohaldamise kohta 17. juuni 2014. aasta määruse (EL) nr 651/2014 (millega teatavat liiki abi tunnistatakse siseturuga kokkusobivaks) artikkel 25 See on kõik. EL L 187/1, 26.6.2014). Projekti eesmärk on töötada välja algoritme Petri roogade bakterikultuurikultuuride analüüsi automatiseerimiseks, eelkõige külvatud bakterite liigi klassifitseerimiseks ja bakterikolooniate arvu määramiseks. Algoritmid koostatakse süvaõppe meetodite alusel, mis praeguste teaduslike teadmiste kohaselt sobivad kõige paremini pildituvastuseks ja mida saab loomulikult kasutada bakterikolooniate peamiste morfoloogiliste omaduste kindlakstegemiseks. Koostöös mikrobioloogia valdkonna eksperdiga koostatakse tehisnärvivõrkude parameetritele vastavate koolituste andmebaas. See sisaldab hoolikalt kirjeldatud pilte Petri tassist, kus on külvatud rangelt määratletud bakteritüved ja mida saab kasutada juhendamisel õppimiseks. Proovide kohta saadakse lisateavet spektrianalüüsi (spektraalne) ja laserskaneerimise teel tehtud kolmemõõtmeliste tippude kaardi abil. Konvolutsioonaalseid närvivõrke (konvolutsioonaalsed närvivõrgud) kasutatakse proovide liigitamiseks, mille hüperparameetrid valitakse vaadeldava probleemi jaoks, ja nende optimaalsed väärtused leitakse ristkontrolli teel, mis väldib probleeme " „alapaigaldamine“ või „edastamine“. liigpaigaldatav mudel. Tehakse täiendavate spektraalandmetega või ilma saadud tulemuste võrdlev analüüs. Lõpptoode on spetsiaalne tarkvara, mis kasutab loodud algoritme bakterikultuuride analüüsimiseks. (Estonian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programme: SA.41471(2015/X) Viešosios pagalbos paskirtis: 2014 m. birželio 17 d. Reglamento (EB) Nr. 651/2014, kuriuo tam tikrų kategorijų pagalba skelbiama suderinama su vidaus rinka taikant Sutarties 107 ir 108 straipsnius, 25 straipsnis Štai ir viskas. EU L 187/1, 2014 6 26). Projekto tikslas – sukurti algoritmus, padedančius automatizuoti Petri lėkštelių bakterijų kultūros kultūrų analizę, visų pirma klasifikuoti pasėtų bakterijų tipą ir nustatyti bakterijų kolonijų skaičių. Algoritmai bus rengiami remiantis giliojo mokymosi metodais, kurie, remiantis dabartinėmis mokslo žiniomis, geriausiai tinka vaizdui atpažinti ir gali būti natūraliai naudojami pagrindinėms bakterijų kolonijų morfologinėms savybėms nustatyti. Bendradarbiaujant su mikrobiologijos srities ekspertu, bus parengta mokymų, reikalingų dirbtinių neuronų tinklų parametrams, duomenų bazė. Jame bus kruopščiai aprašyti Petri patiekalo vaizdai, kuriuose sėjamos griežtai apibrėžtos bakterijų padermės ir kurie gali būti naudojami prižiūrimam mokymuisi. Papildoma informacija apie pavyzdžius bus pateikta atliekant spektro analizę (spektrinę) ir trimatį lazerinio skenavimo viršūnių žemėlapį. Mėginių klasifikavimui bus naudojami konvoliuciniai neuroniniai tinklai (konvoliuciniai neuroniniai tinklai), kurių hiperparametrai bus atrinkti nagrinėjamai problemai, o optimalios jų vertės bus nustatytos kryžminiu patikrinimu, kuris padės išvengti " problemų; „primontavimas“ arba „perdavimas“. perpildytas modelis. Bus atliekama rezultatų, gautų su papildomais spektriniais duomenimis arba be jų, lyginamoji analizė. Galutinis produktas bus specializuota programinė įranga, naudojant sukurtus algoritmus bakterijų pasėliams analizuoti. (Lithuanian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programme: SA.41471(2015/X) Svrha državne potpore: Članak 25. Uredbe (EZ) br. 651/2014 od 17. lipnja 2014. o ocjenjivanju određenih kategorija potpora spojivima s unutarnjim tržištem u primjeni članaka 107. i 108. Ugovora To je sve. EU L 187/1 od 26.6.2014.). Cilj projekta je razviti algoritme za automatizaciju analize kultura bakterijske kulture na Petrijevim jelima, posebno klasificirati vrstu posijanih bakterija i odrediti broj bakterijskih kolonija. Algoritmi će se pripremiti na temelju metoda dubokog učenja, koje su, prema sadašnjim znanstvenim spoznajama, najprikladnije za prepoznavanje slike i mogu se prirodno koristiti za identificiranje ključnih morfoloških karakteristika bakterijskih kolonija. U suradnji sa stručnjakom iz područja mikrobiologije pripremit će se baza podataka obuke potrebne za usklađivanje parametara umjetnih neuronskih mreža. Sadržavat će pažljivo opisane slike Petrijeva jela, gdje su posijani strogo definirani bakterijski sojevi, a koji se mogu koristiti u nadziranom učenju. Dodatne informacije o uzorcima osigurat će se analizom spektra (spektralnim) i trodimenzionalnom karti vertica izrađenih laserskim skeniranjem. Konvolucijske neuronske mreže (konvolucijske neuronske mreže) koristit će se za klasifikaciju uzoraka, čiji će hiperparametri biti odabrani za problem koji se razmatra, a njihove optimalne vrijednosti pronaći će se unakrsnim provjerama, što će izbjeći probleme s & kvotom; „nedostatak” ili „prijenos”. overfitting model. Provest će se komparativna analiza dobivenih rezultata sa ili bez dodatnih spektralnih podataka. Konačni proizvod će biti specijalizirani softver koristeći stvorene algoritme za analizu bakterijskih usjeva. (Croatian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_πρόγραμμα: SA.41471(2015/X) Σκοπός της κρατικής ενίσχυσης: Άρθρο 25 του κανονισμού (ΕΚ) αριθ. 651/2014, της 17ης Ιουνίου 2014, για την κήρυξη ορισμένων κατηγοριών ενισχύσεων ως συμβατών με την εσωτερική αγορά κατ’ εφαρμογή των άρθρων 107 και 108 της Συνθήκης Αυτό είναι όλο. ΕΕ L 187/1 της 26.6.2014). Στόχος του έργου είναι η ανάπτυξη αλγορίθμων για την αυτοματοποίηση της ανάλυσης των καλλιεργειών βακτηριακής καλλιέργειας στα πιάτα Petri, ιδίως για την ταξινόμηση του τύπου των βακτηρίων που σπέρνονται και τον προσδιορισμό του αριθμού των βακτηριακών αποικιών. Οι αλγόριθμοι θα προετοιμαστούν με βάση μεθόδους βαθιάς μάθησης, οι οποίες, σύμφωνα με τις τρέχουσες επιστημονικές γνώσεις, είναι οι πλέον κατάλληλες για την αναγνώριση εικόνας και μπορούν να χρησιμοποιηθούν με φυσικό τρόπο για τον εντοπισμό βασικών μορφολογικών χαρακτηριστικών των βακτηριακών αποικιών. Σε συνεργασία με έναν εμπειρογνώμονα στον τομέα της μικροβιολογίας, θα προετοιμαστεί μια βάση δεδομένων κατάρτισης που απαιτείται για την αντιστοίχιση των παραμέτρων των τεχνητών νευρωνικών δικτύων. Θα περιέχει προσεκτικά περιγραφόμενες εικόνες του τρυβλίου Petri, όπου έχουν σπαρθεί αυστηρά καθορισμένα βακτηριακά στελέχη και τα οποία μπορούν να χρησιμοποιηθούν στην εποπτευόμενη μάθηση. Πρόσθετες πληροφορίες για τα δείγματα θα παρέχονται με ανάλυση φάσματος (φασματική) και τρισδιάστατο χάρτη κορυφών που γίνεται με σάρωση λέιζερ. Τα συνελευτικά νευρωνικά δίκτυα (συνελευτικά νευρωνικά δίκτυα) θα χρησιμοποιηθούν για την ταξινόμηση των δειγμάτων, των οποίων οι υπερπαράμετροι θα επιλεγούν για το υπό εξέταση πρόβλημα, και οι βέλτιστες τιμές τους θα βρεθούν με διασταυρούμενο έλεγχο, με τον οποίο θα αποφευχθούν προβλήματα με το ". «υποεξάρτηση» ή «μετάδοση». υπερπροσαρμοσμένο μοντέλο. Θα πραγματοποιηθεί συγκριτική ανάλυση των αποτελεσμάτων που λαμβάνονται με ή χωρίς πρόσθετα φασματικά δεδομένα. Το τελικό προϊόν θα είναι εξειδικευμένο λογισμικό με τη χρήση δημιουργημένων αλγορίθμων για την ανάλυση βακτηριακών καλλιεργειών. (Greek) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_program: SA.41471(2015/X) Účel verejnej pomoci: Článok 25 nariadenia (ES) č. 651/2014 zo 17. júna 2014 o vyhlásení určitých kategórií pomoci za zlučiteľné s vnútorným trhom pri uplatňovaní článkov 107 a 108 zmluvy To je všetko. EÚ L 187/1 z 26.6.2014). Cieľom projektu je vyvinúť algoritmy na automatizáciu analýzy bakteriálnych kultúr na Petriho pokrmoch, najmä na klasifikáciu typu zasiatých baktérií a určenie počtu bakteriálnych kolónií. Algoritmy sa budú pripravovať na základe metód hĺbkového učenia, ktoré sú podľa súčasných vedeckých poznatkov najvhodnejšie na rozpoznávanie obrazu a môžu sa prirodzene použiť na identifikáciu kľúčových morfologických vlastností bakteriálnych kolónií. V spolupráci s odborníkom v oblasti mikrobiológie sa pripraví databáza školení potrebných na zosúladenie parametrov umelých neurónových sietí. Bude obsahovať starostlivo opísané obrazy Petriho misky, kde boli zasiate presne definované bakteriálne kmene a ktoré sa môžu použiť pri učení pod dohľadom. Ďalšie informácie o vzorkách budú poskytnuté analýzou spektra (spektrálna) a trojrozmernou mapou vrcholov vytvorenou laserovým skenovaním. Konvolučné neurónové siete (konvolučné neurónové siete) sa použijú na klasifikáciu vzoriek, ktorých hyperparametre budú vybrané pre posudzovaný problém a ich optimálne hodnoty sa nájdu krížovou kontrolou, ktorá zabráni problémom s " „vybavenie“ alebo „prenos“. overfitting model. Vykoná sa porovnávacia analýza výsledkov získaných s dodatočnými spektrálnymi údajmi alebo bez nich. Konečným produktom bude špecializovaný softvér využívajúci algoritmy na analýzu bakteriálnych plodín. (Slovak) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_ohjelma: SA.41471(2015/X) Julkisen tuen tarkoitus: Tiettyjen tukimuotojen toteamisesta sisämarkkinoille soveltuviksi perussopimuksen 107 ja 108 artiklan mukaisesti 17 päivänä kesäkuuta 2014 annetun asetuksen (EY) N:o 651/2014 25 artikla Se on siinä. EU L 187/1, 26.6.2014. Hankkeen tavoitteena on kehittää algoritmeja, joiden avulla voidaan automatisoida bakteeriviljelmien analysointi Petri-ruoissa, erityisesti luokitella kylvettyjen bakteerien tyyppi ja määrittää bakteeriyhdyskuntien määrä. Algoritmeja valmistellaan syväoppimismenetelmien pohjalta, jotka nykyisen tieteellisen tiedon mukaan soveltuvat parhaiten kuvantunnistukseen ja joita voidaan luonnollisesti käyttää bakteeriyhdyskuntien keskeisten morfologisten ominaisuuksien tunnistamiseen. Yhteistyössä mikrobiologian alan asiantuntijan kanssa laaditaan tietokanta keinotekoisten hermoverkkojen parametrien vastaamiseksi tarvittavasta koulutuksesta. Se sisältää huolellisesti kuvattuja kuvia Petri-astiasta, jossa on kylvetty tarkasti määriteltyjä bakteerikantoja ja joita voidaan käyttää valvotussa oppimisessa. Lisätietoja näytteistä annetaan spektrianalyysin (spektri) ja laserkeilauksen avulla tehdyn kolmiulotteisen kartan avulla. Konvolutionaalisia neuroverkkoja (konvolutional neuroverkot) käytetään luokittelemaan näytteitä, joiden hyperparametrit valitaan tarkasteltavaan ongelmaan, ja niiden optimaaliset arvot löydetään ristiintarkistuksella, mikä välttää ongelmat " ”alivarustelu” tai ”lähetys”. ylistävä malli. Saaduista tuloksista tehdään vertaileva analyysi lisäspektritiedoilla tai ilman niitä. Lopputuote on erikoistunut ohjelmisto, jossa käytetään luotuja algoritmeja bakteerikasvien analysoimiseksi. (Finnish) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_program: SA.41471(2015/X) Az állami támogatás célja: A Szerződés 107. és 108. cikkének alkalmazásában bizonyos támogatási kategóriáknak a belső piaccal összeegyeztethetőnek nyilvánításáról szóló, 2014. június 17-i 651/2014/EK rendelet 25. cikke Ez az. – Ez az. EU L 187/1, 2014.6.26.). A projekt célja olyan algoritmusok kifejlesztése, amelyek automatizálják a Petri-ételek bakteriális kultúrkultúráinak elemzését, különös tekintettel a bevetett baktériumok típusának osztályozására és a baktériumtelepek számának meghatározására. Az algoritmusok a mélytanulási módszerek alapján készülnek, amelyek a jelenlegi tudományos ismeretek szerint a legalkalmasabbak a képfelismerésre, és természetesen felhasználhatók a bakteriális kolóniák morfológiai jellemzőinek azonosítására. A mikrobiológia szakértőjével együttműködve létrejön a mesterséges neurális hálózatok paramétereinek megfelelő képzés adatbázisa. Gondosan leírt képeket tartalmaz a Petri-csészéről, ahol szigorúan meghatározott bakteriális törzseket vetettek be, és amelyek felhasználhatók a felügyelt tanulásban. A mintákra vonatkozó további információkat a spektrumelemzés (spektrális) és a lézerszkenneléssel készített csúcsok háromdimenziós térképe szolgáltatja. Konvolúciós neurális hálózatokat (konvolúciós neurális hálózatok) használnak a minták osztályozására, amelyek hiperparamétereit kiválasztják a vizsgált problémára, és optimális értékeiket keresztellenőrzéssel találják meg, ami elkerüli a " „nem megfelelő” vagy „továbbítás”. túlméretezett modell. A kapott eredmények összehasonlító elemzését további spektrális adatokkal vagy azok nélkül végzik el. A végtermék speciális szoftver lesz, amely létrehozott algoritmusokat használ a bakteriális növények elemzésére. (Hungarian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programme: SA.41471(2015/X) Účel veřejné podpory: Článek 25 nařízení (ES) č. 651/2014 ze dne 17. června 2014, kterým se v souladu s články 107 a 108 Smlouvy prohlašují určité kategorie podpory za slučitelné s vnitřním trhem To je všechno. EU L 187/1 ze dne 26.6.2014). Cílem projektu je vyvinout algoritmy pro automatizaci analýzy bakteriálních kultur na Petriho pokrmech, zejména klasifikovat typ vysetých bakterií a určit počet bakteriálních kolonií. Algoritmy budou připravovány na základě metod hlubokého učení, které jsou podle současných vědeckých poznatků nejvhodnější pro rozpoznávání obrazu a mohou být přirozeně použity k identifikaci klíčových morfologických charakteristik bakteriálních kolonií. Ve spolupráci s odborníkem v oblasti mikrobiologie bude připravena databáze školení potřebných k přizpůsobení parametrů umělých neuronových sítí. Bude obsahovat pečlivě popsané obrazy Petriho misky, kde byly zasety přísně definované bakteriální kmeny a které mohou být použity při kontrolovaném učení. Další informace o vzorcích budou poskytnuty spektrální analýzou (spektrální) a trojrozměrnou mapou vrcholů vytvořených laserovým skenováním. Konvoluční neuronové sítě (konvoluční neuronové sítě) budou použity pro klasifikaci vzorků, jejichž hyperparametry budou vybrány pro daný problém, a jejich optimální hodnoty budou nalezeny křížovou kontrolou, což zabrání problémům s " „podvybavení“ nebo „přenos“. převyšující model. Bude provedena srovnávací analýza výsledků získaných s dodatečnými spektrálními údaji nebo bez nich. Konečným produktem bude specializovaný software využívající vytvořené algoritmy pro analýzu bakteriálních plodin. (Czech) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programma: SA.41471(2015/X) Publiskā atbalsta mērķis: 25. pants 2014. gada 17. jūnija Regulā (EK) Nr. 651/2014, ar ko noteiktas atbalsta kategorijas atzīst par saderīgām ar iekšējo tirgu, piemērojot Līguma 107. un 108. pantu Tas ir viss. EU L 187/1, 26.6.2014. Projekta mērķis ir izstrādāt algoritmus, lai automatizētu baktēriju kultūru analīzi uz Petri ēdieniem, jo īpaši, lai klasificētu iesēto baktēriju veidu un noteiktu baktēriju koloniju skaitu. Algoritmi tiks sagatavoti, pamatojoties uz dziļām mācīšanās metodēm, kas saskaņā ar pašreizējām zinātnes atziņām ir vispiemērotākās attēlu atpazīšanai un ko var izmantot dabiski, lai noteiktu baktēriju koloniju galvenās morfoloģiskās īpašības. Sadarbībā ar ekspertu mikrobioloģijas jomā tiks sagatavota mācību datubāze, kas nepieciešama, lai atbilstu mākslīgo neironu tīklu parametriem. Tajā būs rūpīgi aprakstīti Petri šķīvja attēli, kuros ir iesēti stingri definēti baktēriju celmi un kurus var izmantot uzraudzītā mācīšanās procesā. Papildu informācija par paraugiem tiks sniegta, veicot spektra analīzi (spektrālu) un trīsdimensiju punktu karti, kas izveidota, veicot lāzera skenēšanu. Konvolūcijas neironu tīkli (konvolucionālie neironu tīkli) tiks izmantoti, lai klasificētu paraugus, kuru hiperparametri tiks atlasīti attiecīgajai problēmai, un to optimālās vērtības tiks atrastas, veicot kontrolpārbaudi, kas ļaus izvairīties no problēmām ar " “aprīkojums” vai “pārvade”. pārseguma modelis. Tiks veikta ar vai bez papildu spektrāliem datiem iegūto rezultātu salīdzinoša analīze. Gala produkts būs specializēta programmatūra, izmantojot izveidotos algoritmus, lai analizētu baktēriju kultūras. (Latvian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Uimhir_reference_aid_clár: SA.41471(2015/X) Cuspóir na cabhrach poiblí: Airteagal 25 de Rialachán (CE) Uimh. 651/2014 an 17 Meitheamh 2014 ina ndearbhaítear go bhfuil catagóirí áirithe cabhrach comhoiriúnach leis an margadh inmheánach i gcur i bhfeidhm Airteagail 107 agus 108 den Chonradh Sin é. AE L 187/1 an 26.6.2014). Is é aidhm an tionscadail algartaim a fhorbairt chun anailís ar chultúir saothrú baictéarach ar miasa Petri a uathoibriú, go háirithe chun cineál na mbaictéar a cuireadh a aicmiú agus líon na gcoilíneachtaí baictéaracha a chinneadh. Ullmhófar algartaim ar bhonn modhanna domhainfhoghlama, atá, de réir an eolais eolaíoch reatha, is fearr a oireann d’aitheantas íomhá agus is féidir iad a úsáid go nádúrtha chun príomhthréithe moirfeolaíocha coilíneachtaí baictéaracha a aithint. I gcomhar le saineolaí i réimse na micribhitheolaíochta, ullmhófar bunachar sonraí oiliúna is gá chun paraiméadair na líonraí néaracha saorga a mheaitseáil. Beidh íomhánna ann a ndéantar cur síos cúramach orthu de mhias Petri, áit ar cuireadh tréithchineálacha baictéaracha atá sainithe go docht, agus ar féidir iad a úsáid i bhfoghlaim faoi mhaoirseacht. Soláthrófar faisnéis bhreise faoi na samplaí trí anailís speictrim (speictreach) agus léarscáil thríthoiseach de rinn a dhéantar trí scanadh léasair. Bainfear úsáid as líonraí néaracha convolutional (líonraí néaracha réabhlóideacha) chun na samplaí a aicmiú, a roghnófar a hipearpharaiméadair don fhadhb atá á breithniú, agus gheofar na luachanna is fearr is féidir trí chros-seiceáil, rud a sheachnóidh fadhbanna leis an " “iarfheistiú” nó “tarchur”. samhail overfitting. Déanfar anailís chomparáideach ar na torthaí a fhaightear le sonraí speictreacha breise nó gan iad. Beidh an táirge deiridh ina bogearraí speisialaithe ag baint úsáide as algartaim chruthaithe chun anailís a dhéanamh ar bharra baictéaracha. (Irish) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_program: SA.41471(2015/X) Namen državne pomoči: Člen 25 Uredbe (ES) št. 651/2014 z dne 17. junija 2014 o razglasitvi nekaterih vrst pomoči za združljive z notranjim trgom pri uporabi členov 107 in 108 Pogodbe To je vse. EU L 187/1 z dne 26.6.2014). Cilj projekta je razviti algoritme za avtomatizacijo analize kultur bakterijskih kultur na Petrijevih jedeh, zlasti za razvrščanje vrste posejanih bakterij in določitev števila bakterijskih kolonij. Algoritmi bodo pripravljeni na podlagi metod globokega učenja, ki so po sedanjih znanstvenih spoznanjih najbolj primerne za prepoznavanje slik in jih je mogoče naravno uporabiti za prepoznavanje ključnih morfoloških značilnosti bakterijskih kolonij. V sodelovanju s strokovnjakom s področja mikrobiologije bo pripravljena podatkovna baza usposabljanja, ki bo ustrezala parametrom umetnih nevronskih mrež. Vseboval bo skrbno opisane slike Petrijeve jedi, kjer so bili posejani strogo opredeljeni bakterijski sevi in ki jih je mogoče uporabiti pri nadzorovanem učenju. Dodatne informacije o vzorcih bodo zagotovljene z analizo spektra (spektralno) in tridimenzionalno karto točk, izdelanimi z laserskim skeniranjem. Konvolucijske nevronske mreže (konvolucijske nevronske mreže) se bodo uporabljale za razvrščanje vzorcev, katerih hiperparametri bodo izbrani za obravnavano težavo, njihove optimalne vrednosti pa bodo ugotovljene z navzkrižnim preverjanjem, kar bo preprečilo težave z " „podaljšanje“ ali „prenos“. preobremenitveni model. Izvedena bo primerjalna analiza rezultatov, pridobljenih z dodatnimi spektralnimi podatki ali brez njih. Končni izdelek bo specializirana programska oprema z uporabo ustvarjenih algoritmov za analizo bakterijskih pridelkov. (Slovenian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_програма: SA.41471(2015/X) Цел на публичната помощ: Член 25 от Регламент (ЕО) № 651/2014 от 17 юни 2014 г. за обявяване на някои категории помощи за съвместими с вътрешния пазар в приложение на членове 107 и 108 от Договора Това е всичко. EU L 187/1 от 26.6.2014 г.). Целта на проекта е да се разработят алгоритми за автоматизиране на анализа на бактериалните култури в ястията на Петри, по-специално да се класифицира видът на засетите бактерии и да се определи броят на бактериалните колонии. Алгоритмите ще бъдат изготвени въз основа на методи за дълбоко обучение, които според съвременните научни познания са най-подходящи за разпознаване на изображения и могат да бъдат използвани естествено за идентифициране на ключови морфологични характеристики на бактериалните колонии. В сътрудничество с експерт в областта на микробиологията ще бъде изготвена база данни за обучение, необходима за съответствие с параметрите на изкуствените невронни мрежи. Тя ще съдържа внимателно описани изображения на Петри ястие, където са били засети строго определени бактериални щамове и които могат да се използват в контролирано обучение. Допълнителна информация за пробите ще бъде предоставена чрез анализ на спектъра (спектрален) и триизмерна карта на върховете, направена чрез лазерно сканиране. Конволюционни невронни мрежи (конволюционни невронни мрежи) ще бъдат използвани за класифициране на пробите, чиито хиперпараметри ще бъдат избрани за разглеждания проблем, а оптималните им стойности ще бъдат намерени чрез кръстосана проверка, което ще избегне проблеми с " „подготвяне„или „предаване“. преувеличаващ модел. Ще бъде извършен сравнителен анализ на получените резултати със или без допълнителни спектрални данни. Крайният продукт ще бъде специализиран софтуер, използвайки създадени алгоритми за анализ на бактериални култури. (Bulgarian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_programm: SA.41471(2015/X) Skop ta’ għajnuna pubblika: L-Artikolu 25 tar-Regolament (KE) Nru 651/2014 tas-17 ta’ Ġunju 2014 li jiddikjara ċerti kategoriji ta’ għajnuna bħala kompatibbli mas-suq intern skont l-Artikoli 107 u 108 tat-Trattat Li huwa. UE L 187/1 tas-26.6.2014). L-għan tal-proġett huwa li jiżviluppa algoritmi li jawtomatizzaw l-analiżi tal-kulturi tal-kultura batterika fuq dixxijiet Petri, b’mod partikolari biex jikklassifikaw it-tip ta’ batterji miżrugħa u jiddeterminaw in-numru ta’ kolonji batteriċi. L-algoritmi se jitħejjew abbażi ta’ metodi ta’ tagħlim profond, li, skont l-għarfien xjentifiku attwali, huma l-aktar adattati għar-rikonoxximent tal-immaġni u jistgħu jintużaw b’mod naturali biex jidentifikaw karatteristiċi morfoloġiċi ewlenin tal-kolonji batteriċi. B’kooperazzjoni ma’ espert fil-qasam tal-mikrobijoloġija, ser titħejja bażi tad-data ta’ taħriġ meħtieġ biex jitqabblu l-parametri tan-netwerks newrali artifiċjali. Se jkun fih immaġnijiet deskritti bir-reqqa ta’ Petri dixx, fejn inżergħu razez batteriċi definiti b’mod strett, u li jistgħu jintużaw fit-tagħlim sorveljat. Informazzjoni addizzjonali dwar il-kampjuni se tiġi pprovduta permezz ta’ analiżi tal-ispettru (spettrali) u mappa tridimensjonali tal-vertiċi magħmula permezz tal-iskennjar bil-lejżer. Netwerks newrali konvoluzzjonali (netwerks newrali konvoluzzjonali) se jintużaw biex jikklassifikaw il-kampjuni, li l-iperparametri tagħhom se jintgħażlu għall-problema li qed tiġi kkunsidrata, u l-valuri ottimali tagħhom se jinstabu permezz ta’ kontroverifika, li se tevita problemi bil-" “nuqqas ta’ attrezzament” jew “trażmissjoni”. mudell ta’ tagħmir żejjed. Għandha titwettaq analiżi komparattiva tar-riżultati miksuba bid-data spettrali addizzjonali jew mingħajrha. Il-prodott finali se jkun softwer speċjalizzat bl-użu ta’ algoritmi maħluqa biex jiġu analizzati l-għelejjel batteriċi. (Maltese) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Número de referência do programa de ajuda: SA.41471(2015/X) Objetivo do auxílio público: Artigo 25.o do Regulamento (CE) n.o 651/2014, de 17 de junho de 2014, que declara certos tipos de auxílio compatíveis com o mercado interno, em aplicação dos artigos 107.o e 108.o do Tratado (JO L EU L 187/1 de 26.6.2014). O objetivo do projeto é desenvolver algoritmos para automatizar a análise de culturas bacterianas em placas de Petri, em particular a classificação do tipo de bactérias semeadas e o número de colónias bacterianas. Os algoritmos basear-se-ão em métodos de aprendizagem profunda, que, de acordo com os conhecimentos científicos atuais, são os mais adequados para o reconhecimento de imagens e podem, naturalmente, ser utilizados para identificar as principais características morfológicas das colónias bacterianas. Em cooperação com um perito no domínio da microbiologia, será preparada uma base de dados de formação, necessária para corresponder aos parâmetros das redes neurais artificiais. Contém imagens bem definidas de placas de Petri, nas quais foram plantadas estirpes bacterianas bem definidas e que podem ser utilizadas na aprendizagem supervisionada. Serão fornecidas informações adicionais sobre as amostras através da análise do espetro (espetral) e de um mapa tridimensional dos vértices por varrimento a laser. Redes neurais convolucionais (redes neurais convolucionais) serão utilizadas para classificar amostras, cujos hiperparâmetros serão seleccionados para o problema em consideração e os seus valores óptimos encontrados por verificação cruzada evitarão problemas com o " Inadequação ou " Modelo de sobreequipamento. Deve ser efetuada uma análise comparativa dos resultados obtidos com ou sem dados espetrais adicionais. O produto final será um software especializado que utiliza algoritmos criados para analisar culturas bacterianas. (Portuguese) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Nummer_reference_aid_program: SA.41471(2015/X) Formål med offentlig støtte: Artikel 25 i forordning (EF) nr. 651/2014 af 17. juni 2014 om visse former for støttes forenelighed med det indre marked i henhold til traktatens artikel 107 og 108 Det er det. EU L 187/1 af 26.6.2014). Formålet med projektet er at udvikle algoritmer til at automatisere analysen af bakteriekulturkulturer på petriskåle, især for at klassificere den type bakterier, der sås, og bestemme antallet af bakteriekolonier. Algoritmer vil blive udarbejdet på grundlag af dyb læringsmetoder, som ifølge den aktuelle videnskabelige viden er bedst egnet til billedgenkendelse og kan anvendes naturligt til at identificere vigtige morfologiske egenskaber ved bakteriekolonier. I samarbejde med en ekspert inden for mikrobiologi vil der blive udarbejdet en uddannelsesdatabase, der er nødvendig for at matche parametrene for kunstige neurale netværk. Det vil indeholde omhyggeligt beskrevne billeder af petriskål, hvor strengt definerede bakteriestammer er blevet sået, og som kan bruges i overvåget læring. Yderligere oplysninger om prøverne vil blive givet ved hjælp af spektrumanalyse (spektral) og et tredimensionelt kort over hjørner fremstillet ved laserscanning. Konvolutionelle neurale netværk (konvolutionelle neurale netværk) vil blive brugt til at klassificere prøverne, hvis hyperparametre vil blive udvalgt til det pågældende problem, og deres optimale værdier vil blive fundet ved krydskontrol, hvilket vil undgå problemer med " "underfitting" eller "transmission". overfitting model. Der vil blive foretaget en sammenlignende analyse af de opnåede resultater med eller uden yderligere spektrale data. Det endelige produkt vil være specialiseret software ved hjælp af skabte algoritmer til at analysere bakterieafgrøder. (Danish) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_program: SA.41471(2015/X) Scopul ajutorului public: Articolul 25 din Regulamentul (CE) nr. 651/2014 din 17 iunie 2014 de declarare a anumitor categorii de ajutoare compatibile cu piața internă în aplicarea articolelor 107 și 108 din tratat Asta e tot. UE L 187/1 din 26.6.2014). Scopul proiectului este de a dezvolta algoritmi de automatizare a analizei culturilor bacteriene pe vasele Petri, în special pentru a clasifica tipul de bacterii semănate și pentru a determina numărul de colonii bacteriene. Algoritmii vor fi pregătiți pe baza unor metode de învățare profundă, care, conform cunoștințelor științifice actuale, sunt cele mai potrivite pentru recunoașterea imaginii și pot fi utilizate în mod natural pentru identificarea caracteristicilor morfologice cheie ale coloniilor bacteriene. În cooperare cu un expert în domeniul microbiologiei, va fi pregătită o bază de date de formare necesară pentru a corespunde parametrilor rețelelor neuronale artificiale. Acesta va conține imagini descrise cu atenție ale vasului Petri, unde au fost semănate tulpini bacteriene strict definite și care pot fi utilizate în învățarea supravegheată. Informații suplimentare privind eșantioanele vor fi furnizate prin analiza spectrului (spectral) și o hartă tridimensională a nodurilor realizate prin scanarea cu laser. Rețelele neuronale convoluționale (rețele neuronale convoluționale) vor fi utilizate pentru a clasifica eșantioanele, ale căror hiperparametri vor fi selectați pentru problema în cauză, iar valorile lor optime vor fi găsite prin verificare încrucișată, ceea ce va evita problemele cu " „subechipare” sau „transmisie”. model de supra-echipare. Se va efectua o analiză comparativă a rezultatelor obținute cu sau fără date spectrale suplimentare. Produsul final va fi software specializat folosind algoritmi creati pentru a analiza culturile bacteriene. (Romanian) | |||||||||||||||
| Property / summary | Property / summary | ||||||||||||||
Number_reference_aid_program: SA.41471(2015/X) Syfte med offentligt stöd: Artikel 25 i förordning (EG) nr 651/2014 av den 17 juni 2014 genom vilken vissa kategorier av stöd förklaras förenliga med den inre marknaden vid tillämpningen av artiklarna 107 och 108 i fördraget Det är allt. EU L 187/1 av den 26 juni 26.6.2014). Syftet med projektet är att utveckla algoritmer för att automatisera analysen av bakteriekulturer på Petri-rätter, särskilt för att klassificera typen av sådda bakterier och bestämma antalet bakteriekolonier. Algoritmer kommer att utarbetas på grundval av djupinlärningsmetoder, som enligt aktuell vetenskaplig kunskap är bäst lämpade för bildigenkänning och kan användas naturligt för att identifiera viktiga morfologiska egenskaper hos bakteriekolonier. I samarbete med en expert på mikrobiologi kommer en databas med utbildning som behövs för att matcha parametrarna för artificiella neurala nätverk att utarbetas. Den kommer att innehålla noggrant beskrivna bilder av Petri maträtt, där strikt definierade bakteriestammar har såtts, och som kan användas vid övervakad inlärning. Ytterligare information om proverna kommer att tillhandahållas genom spektrumanalys (spektral) och en tredimensionell karta över hörn som görs genom laserskanning. Konvulutionella neurala nätverk (konvolutionella neurala nätverk) kommer att användas för att klassificera proverna, vars hyperparametrar kommer att väljas för problemet i fråga, och deras optimala värden kommer att hittas genom dubbelkontroll, vilket kommer att undvika problem med " ”underfitting” eller ”överföring”. översittande modell. En jämförande analys av de resultat som erhållits med eller utan ytterligare spektraldata kommer att genomföras. Slutprodukten kommer att vara specialiserad programvara med hjälp av skapade algoritmer för att analysera bakteriegrödor. (Swedish) | |||||||||||||||
| Property / coordinate location: 51°7'34.7"N, 16°58'41.5"E / qualifier | |||||||||||||||
| Property / contained in NUTS: Wrocław / qualifier | |||||||||||||||
| Property / contained in Local Administrative Unit | |||||||||||||||
| Property / contained in Local Administrative Unit: Wrocław / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / contained in Local Administrative Unit: Wrocław / qualifier | |||||||||||||||
| Property / coordinate location | |||||||||||||||
51°6'32.33"N, 17°1'57.61"E
| |||||||||||||||
| Property / coordinate location: 51°6'32.33"N, 17°1'57.61"E / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / coordinate location: 51°6'32.33"N, 17°1'57.61"E / qualifier | |||||||||||||||
| Property / location (string) | |||||||||||||||
WOJ.: DOLNOŚLĄSKIE, POW.: Wrocław | |||||||||||||||
| Property / location (string): WOJ.: DOLNOŚLĄSKIE, POW.: Wrocław / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / priority axis | |||||||||||||||
| Property / priority axis: SUPPORT FOR R & D WORK BY ENTERPRISES / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / co-financing rate | |||||||||||||||
75.9 percent
| |||||||||||||||
| Property / co-financing rate: 75.9 percent / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / thematic objective | |||||||||||||||
| Property / thematic objective: Research and innovation / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / end time | |||||||||||||||
28 January 2021
| |||||||||||||||
| Property / end time: 28 January 2021 / rank | |||||||||||||||
Normal rank | |||||||||||||||
| Property / date of last update | |||||||||||||||
24 May 2023
| |||||||||||||||
| Property / date of last update: 24 May 2023 / rank | |||||||||||||||
Normal rank | |||||||||||||||
Latest revision as of 21:34, 12 October 2024
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
28 January 2021
0 references
NEUROSYS SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
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
0.6322009960451068
0 references
Number_reference_aid_programme: SA.41471(2015/X) Objet de l’aide publique: Article 25 du règlement (CE) no 651/2014 du 17 juin 2014 déclarant certaines catégories d’aides compatibles avec le marché intérieur dans l’application des articles 107 et 108 du traité C’est tout. UE 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 plats de Petri, en particulier pour classer le type de bactéries semées et déterminer 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 pour la reconnaissance d’images et peuvent être utilisées naturellement pour identifier les principales caractéristiques morphologiques des colonies bactériennes. En collaboration avec un expert dans le domaine de la microbiologie, une base de données de formation nécessaire pour correspondre aux paramètres des réseaux de neurones artificiels sera établie. Il contiendra des images soigneusement décrites du plat de Petri, où des souches bactériennes strictement définies ont été semées, et qui peuvent être utilisées dans l’apprentissage supervisé. Des informations supplémentaires sur les échantillons seront fournies par analyse du spectre (spectrale) et une carte tridimensionnelle des sommets réalisée par balayage laser. Les réseaux neuronaux convolutionaux (réseaux neuronaux convolutionaux) seront utilisés pour classer les échantillons, dont les hyperparamètres seront sélectionnés pour le problème considéré, et leurs valeurs optimales seront trouvées par recoupement, ce qui évitera les problèmes avec le " «sous-fitting» ou «transmission». modèle suréquillant. Une analyse comparative des résultats obtenus avec ou sans données spectrales supplémentaires sera réalisée. Le produit final sera un logiciel spécialisé utilisant des algorithmes créés pour analyser les cultures bactériennes. (French)
30 November 2021
0 references
Number_reference_aid_Programm: SA.41471(2015/X) Zweck der öffentlichen Beihilfe: 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 Das war’s. EU L 187/1 vom 26.6.2014). Ziel des Projekts ist es, Algorithmen zu entwickeln, um die Analyse von Bakterienkulturen auf Petrischalen zu automatisieren, insbesondere um die Art der gesäten Bakterien zu klassifizieren und die Anzahl der Bakterienkolonien zu bestimmen. Algorithmen werden auf der Grundlage von Deep-Learning-Methoden erstellt, die nach aktuellen wissenschaftlichen Erkenntnissen am besten für die Bilderkennung geeignet sind und auf natürliche Weise verwendet werden können, um wichtige morphologische Eigenschaften von Bakterienkolonien zu identifizieren. In Zusammenarbeit mit einem Experten auf dem Gebiet der Mikrobiologie wird eine Trainingsdatenbank erstellt, die notwendig ist, um die Parameter künstlicher neuronaler Netze abzugleichen. Es enthält sorgfältig beschriebene Bilder von Petrischale, in denen streng definierte Bakterienstämme gesät wurden und die beim überwachten Lernen verwendet werden können. Weitere Informationen zu den Proben werden durch die Spektrumanalyse (spektral) und eine dreidimensionale Karte von Ecken durch Laserscanning bereitgestellt. Konvolutionale neuronale Netze (konvolutionale neuronale Netze) werden verwendet, um die Proben zu klassifizieren, deren Hyperparameter für das betreffende Problem ausgewählt werden, und ihre optimalen Werte werden durch Gegenprüfung gefunden, wodurch Probleme mit dem " vermieden werden; „unterbauen“ oder „Übertragung“. überpassendes Modell. Es wird eine vergleichende Analyse der mit oder ohne zusätzlichen spektralen Daten erzielten Ergebnisse durchgeführt. Das Endprodukt wird eine spezialisierte Software sein, die erstellte Algorithmen verwendet, um Bakterienkulturen zu analysieren. (German)
7 December 2021
0 references
Number_reference_aid_programma: SA.41471(2015/X) Doel van de overheidssteun: 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 Dat is het. 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 Petri gerechten te automatiseren, in het bijzonder om het type gezaaide bacteriën te classificeren en het aantal bacteriële kolonies te bepalen. Algoritmen worden voorbereid op basis van deep learning-methoden, die volgens de huidige wetenschappelijke kennis het meest geschikt zijn voor beeldherkenning en op natuurlijke wijze kunnen worden gebruikt om belangrijke morfologische kenmerken van bacteriële kolonies te identificeren. In samenwerking met een expert op het gebied van microbiologie zal een database van trainingen worden voorbereid die nodig is om de parameters van kunstmatige neurale netwerken aan te passen. Het bevat zorgvuldig beschreven afbeeldingen van Petri gerecht, waar strikt gedefinieerde bacteriestammen zijn gezaaid, en die kunnen worden gebruikt in begeleid leren. Aanvullende informatie over de monsters zal worden verstrekt door spectrumanalyse (spectral) en een driedimensionale kaart van hoekpunten gemaakt door laserscanning. Convolutionele neurale netwerken (convolutionele neurale netwerken) zullen worden gebruikt om de monsters te classificeren, waarvan de hyperparameters zullen worden geselecteerd voor het probleem in kwestie, en hun optimale waarden zullen worden gevonden door kruiscontrole, wat problemen met de " zal voorkomen; „ondermontage” of „transmissie”. overpassend 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 gecreëerde algoritmen om bacteriële gewassen te analyseren. (Dutch)
16 December 2021
0 references
Number_reference_aid_programma: SA.41471(2015/X) Finalità degli aiuti pubblici: Articolo 25 del regolamento (CE) n. 651/2014, del 17 giugno 2014, che dichiara talune categorie di aiuti compatibili con il mercato interno nell'applicazione degli articoli 107 e 108 del trattato È tutto qui. UE L 187/1 del 26.6.2014). L'obiettivo del progetto è quello di sviluppare algoritmi per automatizzare l'analisi delle colture batteriche sulle piastre di Petri, in particolare per classificare il tipo di batteri seminati e determinare il numero di colonie batteriche. Gli algoritmi saranno preparati sulla base di metodi di apprendimento profondo, che, secondo le attuali conoscenze scientifiche, sono più adatti per il riconoscimento delle immagini e possono essere utilizzati naturalmente per identificare le caratteristiche morfologiche chiave delle colonie batteriche. In collaborazione con un esperto nel campo della microbiologia, sarà preparato un database di formazione necessario per abbinare i parametri delle reti neurali artificiali. Conterrà immagini accuratamente descritte della piastra di Petri, dove sono stati seminati ceppi batterici rigorosamente definiti e che possono essere utilizzati nell'apprendimento supervisionato. Ulteriori informazioni sui campioni saranno fornite dall'analisi dello spettro (spettrale) e da una mappa tridimensionale dei vertici realizzati mediante scansione laser. Le reti neurali convoluzionali (reti neurali convoluzionali) saranno utilizzate per classificare i campioni, i cui iperparametri saranno selezionati per il problema in esame, e i loro valori ottimali saranno trovati tramite controllo incrociato, che eviterà problemi con il " "underfitting" o "trasmissione". modello overfitting. Verrà effettuata un'analisi comparativa dei risultati ottenuti con o senza dati spettrali aggiuntivi. Il prodotto finale sarà un software specializzato utilizzando algoritmi creati per analizzare le colture batteriche. (Italian)
15 January 2022
0 references
Number_reference_aid_programa: SA.41471(2015/X) Objetivo de la ayuda pública: Artículo 25 del Reglamento (CE) n.º 651/2014, de 17 de junio de 2014, por el que se declaran determinadas categorías de ayudas compatibles con el mercado interior en la aplicación de los artículos 107 y 108 del Tratado Eso es todo. EU L 187/1 de 26.6.2014). El objetivo del proyecto es desarrollar algoritmos para automatizar el análisis de cultivos bacterianos en platos de Petri, en particular para clasificar el tipo de bacterias sembradas y determinar el número de colonias bacterianas. Los algoritmos se prepararán sobre la base de métodos de aprendizaje profundo, que, según los conocimientos científicos actuales, son los más adecuados para el reconocimiento de imágenes y se pueden utilizar de forma natural para identificar las características morfológicas clave de las colonias bacterianas. En cooperación con un experto en el campo de la microbiología, se preparará una base de datos de capacitación necesaria para que coincida con los parámetros de las redes neuronales artificiales. Contendrá imágenes cuidadosamente descritas de la placa de Petri, donde se han sembrado cepas bacterianas estrictamente definidas, y que se pueden utilizar en el aprendizaje supervisado. Se proporcionará información adicional sobre las muestras mediante análisis de espectro (espectral) y un mapa tridimensional de vértices realizado por escaneo láser. Las redes neuronales convolucionales (redes neuronales convolucionales) se utilizarán para clasificar las muestras, cuyos hiperparámetros se seleccionarán para el problema en cuestión, y sus valores óptimos se encontrarán mediante verificación cruzada, lo que evitará problemas con el " «subadaptación» o «transmisión». modelo de sobreajuste. Se realizará un análisis comparativo de los resultados obtenidos con o sin datos espectrales adicionales. El producto final será un software especializado utilizando algoritmos creados para analizar cultivos bacterianos. (Spanish)
19 January 2022
0 references
Number_reference_aid_programm: SA.41471(2015/X) Riigiabi eesmärk: Euroopa Liidu toimimise lepingu artiklite 107 ja 108 kohaldamise kohta 17. juuni 2014. aasta määruse (EL) nr 651/2014 (millega teatavat liiki abi tunnistatakse siseturuga kokkusobivaks) artikkel 25 See on kõik. EL L 187/1, 26.6.2014). Projekti eesmärk on töötada välja algoritme Petri roogade bakterikultuurikultuuride analüüsi automatiseerimiseks, eelkõige külvatud bakterite liigi klassifitseerimiseks ja bakterikolooniate arvu määramiseks. Algoritmid koostatakse süvaõppe meetodite alusel, mis praeguste teaduslike teadmiste kohaselt sobivad kõige paremini pildituvastuseks ja mida saab loomulikult kasutada bakterikolooniate peamiste morfoloogiliste omaduste kindlakstegemiseks. Koostöös mikrobioloogia valdkonna eksperdiga koostatakse tehisnärvivõrkude parameetritele vastavate koolituste andmebaas. See sisaldab hoolikalt kirjeldatud pilte Petri tassist, kus on külvatud rangelt määratletud bakteritüved ja mida saab kasutada juhendamisel õppimiseks. Proovide kohta saadakse lisateavet spektrianalüüsi (spektraalne) ja laserskaneerimise teel tehtud kolmemõõtmeliste tippude kaardi abil. Konvolutsioonaalseid närvivõrke (konvolutsioonaalsed närvivõrgud) kasutatakse proovide liigitamiseks, mille hüperparameetrid valitakse vaadeldava probleemi jaoks, ja nende optimaalsed väärtused leitakse ristkontrolli teel, mis väldib probleeme " „alapaigaldamine“ või „edastamine“. liigpaigaldatav mudel. Tehakse täiendavate spektraalandmetega või ilma saadud tulemuste võrdlev analüüs. Lõpptoode on spetsiaalne tarkvara, mis kasutab loodud algoritme bakterikultuuride analüüsimiseks. (Estonian)
13 August 2022
0 references
Number_reference_aid_programme: SA.41471(2015/X) Viešosios pagalbos paskirtis: 2014 m. birželio 17 d. Reglamento (EB) Nr. 651/2014, kuriuo tam tikrų kategorijų pagalba skelbiama suderinama su vidaus rinka taikant Sutarties 107 ir 108 straipsnius, 25 straipsnis Štai ir viskas. EU L 187/1, 2014 6 26). Projekto tikslas – sukurti algoritmus, padedančius automatizuoti Petri lėkštelių bakterijų kultūros kultūrų analizę, visų pirma klasifikuoti pasėtų bakterijų tipą ir nustatyti bakterijų kolonijų skaičių. Algoritmai bus rengiami remiantis giliojo mokymosi metodais, kurie, remiantis dabartinėmis mokslo žiniomis, geriausiai tinka vaizdui atpažinti ir gali būti natūraliai naudojami pagrindinėms bakterijų kolonijų morfologinėms savybėms nustatyti. Bendradarbiaujant su mikrobiologijos srities ekspertu, bus parengta mokymų, reikalingų dirbtinių neuronų tinklų parametrams, duomenų bazė. Jame bus kruopščiai aprašyti Petri patiekalo vaizdai, kuriuose sėjamos griežtai apibrėžtos bakterijų padermės ir kurie gali būti naudojami prižiūrimam mokymuisi. Papildoma informacija apie pavyzdžius bus pateikta atliekant spektro analizę (spektrinę) ir trimatį lazerinio skenavimo viršūnių žemėlapį. Mėginių klasifikavimui bus naudojami konvoliuciniai neuroniniai tinklai (konvoliuciniai neuroniniai tinklai), kurių hiperparametrai bus atrinkti nagrinėjamai problemai, o optimalios jų vertės bus nustatytos kryžminiu patikrinimu, kuris padės išvengti " problemų; „primontavimas“ arba „perdavimas“. perpildytas modelis. Bus atliekama rezultatų, gautų su papildomais spektriniais duomenimis arba be jų, lyginamoji analizė. Galutinis produktas bus specializuota programinė įranga, naudojant sukurtus algoritmus bakterijų pasėliams analizuoti. (Lithuanian)
13 August 2022
0 references
Number_reference_aid_programme: SA.41471(2015/X) Svrha državne potpore: Članak 25. Uredbe (EZ) br. 651/2014 od 17. lipnja 2014. o ocjenjivanju određenih kategorija potpora spojivima s unutarnjim tržištem u primjeni članaka 107. i 108. Ugovora To je sve. EU L 187/1 od 26.6.2014.). Cilj projekta je razviti algoritme za automatizaciju analize kultura bakterijske kulture na Petrijevim jelima, posebno klasificirati vrstu posijanih bakterija i odrediti broj bakterijskih kolonija. Algoritmi će se pripremiti na temelju metoda dubokog učenja, koje su, prema sadašnjim znanstvenim spoznajama, najprikladnije za prepoznavanje slike i mogu se prirodno koristiti za identificiranje ključnih morfoloških karakteristika bakterijskih kolonija. U suradnji sa stručnjakom iz područja mikrobiologije pripremit će se baza podataka obuke potrebne za usklađivanje parametara umjetnih neuronskih mreža. Sadržavat će pažljivo opisane slike Petrijeva jela, gdje su posijani strogo definirani bakterijski sojevi, a koji se mogu koristiti u nadziranom učenju. Dodatne informacije o uzorcima osigurat će se analizom spektra (spektralnim) i trodimenzionalnom karti vertica izrađenih laserskim skeniranjem. Konvolucijske neuronske mreže (konvolucijske neuronske mreže) koristit će se za klasifikaciju uzoraka, čiji će hiperparametri biti odabrani za problem koji se razmatra, a njihove optimalne vrijednosti pronaći će se unakrsnim provjerama, što će izbjeći probleme s & kvotom; „nedostatak” ili „prijenos”. overfitting model. Provest će se komparativna analiza dobivenih rezultata sa ili bez dodatnih spektralnih podataka. Konačni proizvod će biti specijalizirani softver koristeći stvorene algoritme za analizu bakterijskih usjeva. (Croatian)
13 August 2022
0 references
Number_reference_aid_πρόγραμμα: SA.41471(2015/X) Σκοπός της κρατικής ενίσχυσης: Άρθρο 25 του κανονισμού (ΕΚ) αριθ. 651/2014, της 17ης Ιουνίου 2014, για την κήρυξη ορισμένων κατηγοριών ενισχύσεων ως συμβατών με την εσωτερική αγορά κατ’ εφαρμογή των άρθρων 107 και 108 της Συνθήκης Αυτό είναι όλο. ΕΕ L 187/1 της 26.6.2014). Στόχος του έργου είναι η ανάπτυξη αλγορίθμων για την αυτοματοποίηση της ανάλυσης των καλλιεργειών βακτηριακής καλλιέργειας στα πιάτα Petri, ιδίως για την ταξινόμηση του τύπου των βακτηρίων που σπέρνονται και τον προσδιορισμό του αριθμού των βακτηριακών αποικιών. Οι αλγόριθμοι θα προετοιμαστούν με βάση μεθόδους βαθιάς μάθησης, οι οποίες, σύμφωνα με τις τρέχουσες επιστημονικές γνώσεις, είναι οι πλέον κατάλληλες για την αναγνώριση εικόνας και μπορούν να χρησιμοποιηθούν με φυσικό τρόπο για τον εντοπισμό βασικών μορφολογικών χαρακτηριστικών των βακτηριακών αποικιών. Σε συνεργασία με έναν εμπειρογνώμονα στον τομέα της μικροβιολογίας, θα προετοιμαστεί μια βάση δεδομένων κατάρτισης που απαιτείται για την αντιστοίχιση των παραμέτρων των τεχνητών νευρωνικών δικτύων. Θα περιέχει προσεκτικά περιγραφόμενες εικόνες του τρυβλίου Petri, όπου έχουν σπαρθεί αυστηρά καθορισμένα βακτηριακά στελέχη και τα οποία μπορούν να χρησιμοποιηθούν στην εποπτευόμενη μάθηση. Πρόσθετες πληροφορίες για τα δείγματα θα παρέχονται με ανάλυση φάσματος (φασματική) και τρισδιάστατο χάρτη κορυφών που γίνεται με σάρωση λέιζερ. Τα συνελευτικά νευρωνικά δίκτυα (συνελευτικά νευρωνικά δίκτυα) θα χρησιμοποιηθούν για την ταξινόμηση των δειγμάτων, των οποίων οι υπερπαράμετροι θα επιλεγούν για το υπό εξέταση πρόβλημα, και οι βέλτιστες τιμές τους θα βρεθούν με διασταυρούμενο έλεγχο, με τον οποίο θα αποφευχθούν προβλήματα με το ". «υποεξάρτηση» ή «μετάδοση». υπερπροσαρμοσμένο μοντέλο. Θα πραγματοποιηθεί συγκριτική ανάλυση των αποτελεσμάτων που λαμβάνονται με ή χωρίς πρόσθετα φασματικά δεδομένα. Το τελικό προϊόν θα είναι εξειδικευμένο λογισμικό με τη χρήση δημιουργημένων αλγορίθμων για την ανάλυση βακτηριακών καλλιεργειών. (Greek)
13 August 2022
0 references
Number_reference_aid_program: SA.41471(2015/X) Účel verejnej pomoci: Článok 25 nariadenia (ES) č. 651/2014 zo 17. júna 2014 o vyhlásení určitých kategórií pomoci za zlučiteľné s vnútorným trhom pri uplatňovaní článkov 107 a 108 zmluvy To je všetko. EÚ L 187/1 z 26.6.2014). Cieľom projektu je vyvinúť algoritmy na automatizáciu analýzy bakteriálnych kultúr na Petriho pokrmoch, najmä na klasifikáciu typu zasiatých baktérií a určenie počtu bakteriálnych kolónií. Algoritmy sa budú pripravovať na základe metód hĺbkového učenia, ktoré sú podľa súčasných vedeckých poznatkov najvhodnejšie na rozpoznávanie obrazu a môžu sa prirodzene použiť na identifikáciu kľúčových morfologických vlastností bakteriálnych kolónií. V spolupráci s odborníkom v oblasti mikrobiológie sa pripraví databáza školení potrebných na zosúladenie parametrov umelých neurónových sietí. Bude obsahovať starostlivo opísané obrazy Petriho misky, kde boli zasiate presne definované bakteriálne kmene a ktoré sa môžu použiť pri učení pod dohľadom. Ďalšie informácie o vzorkách budú poskytnuté analýzou spektra (spektrálna) a trojrozmernou mapou vrcholov vytvorenou laserovým skenovaním. Konvolučné neurónové siete (konvolučné neurónové siete) sa použijú na klasifikáciu vzoriek, ktorých hyperparametre budú vybrané pre posudzovaný problém a ich optimálne hodnoty sa nájdu krížovou kontrolou, ktorá zabráni problémom s " „vybavenie“ alebo „prenos“. overfitting model. Vykoná sa porovnávacia analýza výsledkov získaných s dodatočnými spektrálnymi údajmi alebo bez nich. Konečným produktom bude špecializovaný softvér využívajúci algoritmy na analýzu bakteriálnych plodín. (Slovak)
13 August 2022
0 references
Number_reference_aid_ohjelma: SA.41471(2015/X) Julkisen tuen tarkoitus: Tiettyjen tukimuotojen toteamisesta sisämarkkinoille soveltuviksi perussopimuksen 107 ja 108 artiklan mukaisesti 17 päivänä kesäkuuta 2014 annetun asetuksen (EY) N:o 651/2014 25 artikla Se on siinä. EU L 187/1, 26.6.2014. Hankkeen tavoitteena on kehittää algoritmeja, joiden avulla voidaan automatisoida bakteeriviljelmien analysointi Petri-ruoissa, erityisesti luokitella kylvettyjen bakteerien tyyppi ja määrittää bakteeriyhdyskuntien määrä. Algoritmeja valmistellaan syväoppimismenetelmien pohjalta, jotka nykyisen tieteellisen tiedon mukaan soveltuvat parhaiten kuvantunnistukseen ja joita voidaan luonnollisesti käyttää bakteeriyhdyskuntien keskeisten morfologisten ominaisuuksien tunnistamiseen. Yhteistyössä mikrobiologian alan asiantuntijan kanssa laaditaan tietokanta keinotekoisten hermoverkkojen parametrien vastaamiseksi tarvittavasta koulutuksesta. Se sisältää huolellisesti kuvattuja kuvia Petri-astiasta, jossa on kylvetty tarkasti määriteltyjä bakteerikantoja ja joita voidaan käyttää valvotussa oppimisessa. Lisätietoja näytteistä annetaan spektrianalyysin (spektri) ja laserkeilauksen avulla tehdyn kolmiulotteisen kartan avulla. Konvolutionaalisia neuroverkkoja (konvolutional neuroverkot) käytetään luokittelemaan näytteitä, joiden hyperparametrit valitaan tarkasteltavaan ongelmaan, ja niiden optimaaliset arvot löydetään ristiintarkistuksella, mikä välttää ongelmat " ”alivarustelu” tai ”lähetys”. ylistävä malli. Saaduista tuloksista tehdään vertaileva analyysi lisäspektritiedoilla tai ilman niitä. Lopputuote on erikoistunut ohjelmisto, jossa käytetään luotuja algoritmeja bakteerikasvien analysoimiseksi. (Finnish)
13 August 2022
0 references
Number_reference_aid_program: SA.41471(2015/X) Az állami támogatás célja: A Szerződés 107. és 108. cikkének alkalmazásában bizonyos támogatási kategóriáknak a belső piaccal összeegyeztethetőnek nyilvánításáról szóló, 2014. június 17-i 651/2014/EK rendelet 25. cikke Ez az. – Ez az. EU L 187/1, 2014.6.26.). A projekt célja olyan algoritmusok kifejlesztése, amelyek automatizálják a Petri-ételek bakteriális kultúrkultúráinak elemzését, különös tekintettel a bevetett baktériumok típusának osztályozására és a baktériumtelepek számának meghatározására. Az algoritmusok a mélytanulási módszerek alapján készülnek, amelyek a jelenlegi tudományos ismeretek szerint a legalkalmasabbak a képfelismerésre, és természetesen felhasználhatók a bakteriális kolóniák morfológiai jellemzőinek azonosítására. A mikrobiológia szakértőjével együttműködve létrejön a mesterséges neurális hálózatok paramétereinek megfelelő képzés adatbázisa. Gondosan leírt képeket tartalmaz a Petri-csészéről, ahol szigorúan meghatározott bakteriális törzseket vetettek be, és amelyek felhasználhatók a felügyelt tanulásban. A mintákra vonatkozó további információkat a spektrumelemzés (spektrális) és a lézerszkenneléssel készített csúcsok háromdimenziós térképe szolgáltatja. Konvolúciós neurális hálózatokat (konvolúciós neurális hálózatok) használnak a minták osztályozására, amelyek hiperparamétereit kiválasztják a vizsgált problémára, és optimális értékeiket keresztellenőrzéssel találják meg, ami elkerüli a " „nem megfelelő” vagy „továbbítás”. túlméretezett modell. A kapott eredmények összehasonlító elemzését további spektrális adatokkal vagy azok nélkül végzik el. A végtermék speciális szoftver lesz, amely létrehozott algoritmusokat használ a bakteriális növények elemzésére. (Hungarian)
13 August 2022
0 references
Number_reference_aid_programme: SA.41471(2015/X) Účel veřejné podpory: Článek 25 nařízení (ES) č. 651/2014 ze dne 17. června 2014, kterým se v souladu s články 107 a 108 Smlouvy prohlašují určité kategorie podpory za slučitelné s vnitřním trhem To je všechno. EU L 187/1 ze dne 26.6.2014). Cílem projektu je vyvinout algoritmy pro automatizaci analýzy bakteriálních kultur na Petriho pokrmech, zejména klasifikovat typ vysetých bakterií a určit počet bakteriálních kolonií. Algoritmy budou připravovány na základě metod hlubokého učení, které jsou podle současných vědeckých poznatků nejvhodnější pro rozpoznávání obrazu a mohou být přirozeně použity k identifikaci klíčových morfologických charakteristik bakteriálních kolonií. Ve spolupráci s odborníkem v oblasti mikrobiologie bude připravena databáze školení potřebných k přizpůsobení parametrů umělých neuronových sítí. Bude obsahovat pečlivě popsané obrazy Petriho misky, kde byly zasety přísně definované bakteriální kmeny a které mohou být použity při kontrolovaném učení. Další informace o vzorcích budou poskytnuty spektrální analýzou (spektrální) a trojrozměrnou mapou vrcholů vytvořených laserovým skenováním. Konvoluční neuronové sítě (konvoluční neuronové sítě) budou použity pro klasifikaci vzorků, jejichž hyperparametry budou vybrány pro daný problém, a jejich optimální hodnoty budou nalezeny křížovou kontrolou, což zabrání problémům s " „podvybavení“ nebo „přenos“. převyšující model. Bude provedena srovnávací analýza výsledků získaných s dodatečnými spektrálními údaji nebo bez nich. Konečným produktem bude specializovaný software využívající vytvořené algoritmy pro analýzu bakteriálních plodin. (Czech)
13 August 2022
0 references
Number_reference_aid_programma: SA.41471(2015/X) Publiskā atbalsta mērķis: 25. pants 2014. gada 17. jūnija Regulā (EK) Nr. 651/2014, ar ko noteiktas atbalsta kategorijas atzīst par saderīgām ar iekšējo tirgu, piemērojot Līguma 107. un 108. pantu Tas ir viss. EU L 187/1, 26.6.2014. Projekta mērķis ir izstrādāt algoritmus, lai automatizētu baktēriju kultūru analīzi uz Petri ēdieniem, jo īpaši, lai klasificētu iesēto baktēriju veidu un noteiktu baktēriju koloniju skaitu. Algoritmi tiks sagatavoti, pamatojoties uz dziļām mācīšanās metodēm, kas saskaņā ar pašreizējām zinātnes atziņām ir vispiemērotākās attēlu atpazīšanai un ko var izmantot dabiski, lai noteiktu baktēriju koloniju galvenās morfoloģiskās īpašības. Sadarbībā ar ekspertu mikrobioloģijas jomā tiks sagatavota mācību datubāze, kas nepieciešama, lai atbilstu mākslīgo neironu tīklu parametriem. Tajā būs rūpīgi aprakstīti Petri šķīvja attēli, kuros ir iesēti stingri definēti baktēriju celmi un kurus var izmantot uzraudzītā mācīšanās procesā. Papildu informācija par paraugiem tiks sniegta, veicot spektra analīzi (spektrālu) un trīsdimensiju punktu karti, kas izveidota, veicot lāzera skenēšanu. Konvolūcijas neironu tīkli (konvolucionālie neironu tīkli) tiks izmantoti, lai klasificētu paraugus, kuru hiperparametri tiks atlasīti attiecīgajai problēmai, un to optimālās vērtības tiks atrastas, veicot kontrolpārbaudi, kas ļaus izvairīties no problēmām ar " “aprīkojums” vai “pārvade”. pārseguma modelis. Tiks veikta ar vai bez papildu spektrāliem datiem iegūto rezultātu salīdzinoša analīze. Gala produkts būs specializēta programmatūra, izmantojot izveidotos algoritmus, lai analizētu baktēriju kultūras. (Latvian)
13 August 2022
0 references
Uimhir_reference_aid_clár: SA.41471(2015/X) Cuspóir na cabhrach poiblí: Airteagal 25 de Rialachán (CE) Uimh. 651/2014 an 17 Meitheamh 2014 ina ndearbhaítear go bhfuil catagóirí áirithe cabhrach comhoiriúnach leis an margadh inmheánach i gcur i bhfeidhm Airteagail 107 agus 108 den Chonradh Sin é. AE L 187/1 an 26.6.2014). Is é aidhm an tionscadail algartaim a fhorbairt chun anailís ar chultúir saothrú baictéarach ar miasa Petri a uathoibriú, go háirithe chun cineál na mbaictéar a cuireadh a aicmiú agus líon na gcoilíneachtaí baictéaracha a chinneadh. Ullmhófar algartaim ar bhonn modhanna domhainfhoghlama, atá, de réir an eolais eolaíoch reatha, is fearr a oireann d’aitheantas íomhá agus is féidir iad a úsáid go nádúrtha chun príomhthréithe moirfeolaíocha coilíneachtaí baictéaracha a aithint. I gcomhar le saineolaí i réimse na micribhitheolaíochta, ullmhófar bunachar sonraí oiliúna is gá chun paraiméadair na líonraí néaracha saorga a mheaitseáil. Beidh íomhánna ann a ndéantar cur síos cúramach orthu de mhias Petri, áit ar cuireadh tréithchineálacha baictéaracha atá sainithe go docht, agus ar féidir iad a úsáid i bhfoghlaim faoi mhaoirseacht. Soláthrófar faisnéis bhreise faoi na samplaí trí anailís speictrim (speictreach) agus léarscáil thríthoiseach de rinn a dhéantar trí scanadh léasair. Bainfear úsáid as líonraí néaracha convolutional (líonraí néaracha réabhlóideacha) chun na samplaí a aicmiú, a roghnófar a hipearpharaiméadair don fhadhb atá á breithniú, agus gheofar na luachanna is fearr is féidir trí chros-seiceáil, rud a sheachnóidh fadhbanna leis an " “iarfheistiú” nó “tarchur”. samhail overfitting. Déanfar anailís chomparáideach ar na torthaí a fhaightear le sonraí speictreacha breise nó gan iad. Beidh an táirge deiridh ina bogearraí speisialaithe ag baint úsáide as algartaim chruthaithe chun anailís a dhéanamh ar bharra baictéaracha. (Irish)
13 August 2022
0 references
Number_reference_aid_program: SA.41471(2015/X) Namen državne pomoči: Člen 25 Uredbe (ES) št. 651/2014 z dne 17. junija 2014 o razglasitvi nekaterih vrst pomoči za združljive z notranjim trgom pri uporabi členov 107 in 108 Pogodbe To je vse. EU L 187/1 z dne 26.6.2014). Cilj projekta je razviti algoritme za avtomatizacijo analize kultur bakterijskih kultur na Petrijevih jedeh, zlasti za razvrščanje vrste posejanih bakterij in določitev števila bakterijskih kolonij. Algoritmi bodo pripravljeni na podlagi metod globokega učenja, ki so po sedanjih znanstvenih spoznanjih najbolj primerne za prepoznavanje slik in jih je mogoče naravno uporabiti za prepoznavanje ključnih morfoloških značilnosti bakterijskih kolonij. V sodelovanju s strokovnjakom s področja mikrobiologije bo pripravljena podatkovna baza usposabljanja, ki bo ustrezala parametrom umetnih nevronskih mrež. Vseboval bo skrbno opisane slike Petrijeve jedi, kjer so bili posejani strogo opredeljeni bakterijski sevi in ki jih je mogoče uporabiti pri nadzorovanem učenju. Dodatne informacije o vzorcih bodo zagotovljene z analizo spektra (spektralno) in tridimenzionalno karto točk, izdelanimi z laserskim skeniranjem. Konvolucijske nevronske mreže (konvolucijske nevronske mreže) se bodo uporabljale za razvrščanje vzorcev, katerih hiperparametri bodo izbrani za obravnavano težavo, njihove optimalne vrednosti pa bodo ugotovljene z navzkrižnim preverjanjem, kar bo preprečilo težave z " „podaljšanje“ ali „prenos“. preobremenitveni model. Izvedena bo primerjalna analiza rezultatov, pridobljenih z dodatnimi spektralnimi podatki ali brez njih. Končni izdelek bo specializirana programska oprema z uporabo ustvarjenih algoritmov za analizo bakterijskih pridelkov. (Slovenian)
13 August 2022
0 references
Number_reference_aid_програма: SA.41471(2015/X) Цел на публичната помощ: Член 25 от Регламент (ЕО) № 651/2014 от 17 юни 2014 г. за обявяване на някои категории помощи за съвместими с вътрешния пазар в приложение на членове 107 и 108 от Договора Това е всичко. EU L 187/1 от 26.6.2014 г.). Целта на проекта е да се разработят алгоритми за автоматизиране на анализа на бактериалните култури в ястията на Петри, по-специално да се класифицира видът на засетите бактерии и да се определи броят на бактериалните колонии. Алгоритмите ще бъдат изготвени въз основа на методи за дълбоко обучение, които според съвременните научни познания са най-подходящи за разпознаване на изображения и могат да бъдат използвани естествено за идентифициране на ключови морфологични характеристики на бактериалните колонии. В сътрудничество с експерт в областта на микробиологията ще бъде изготвена база данни за обучение, необходима за съответствие с параметрите на изкуствените невронни мрежи. Тя ще съдържа внимателно описани изображения на Петри ястие, където са били засети строго определени бактериални щамове и които могат да се използват в контролирано обучение. Допълнителна информация за пробите ще бъде предоставена чрез анализ на спектъра (спектрален) и триизмерна карта на върховете, направена чрез лазерно сканиране. Конволюционни невронни мрежи (конволюционни невронни мрежи) ще бъдат използвани за класифициране на пробите, чиито хиперпараметри ще бъдат избрани за разглеждания проблем, а оптималните им стойности ще бъдат намерени чрез кръстосана проверка, което ще избегне проблеми с " „подготвяне„или „предаване“. преувеличаващ модел. Ще бъде извършен сравнителен анализ на получените резултати със или без допълнителни спектрални данни. Крайният продукт ще бъде специализиран софтуер, използвайки създадени алгоритми за анализ на бактериални култури. (Bulgarian)
13 August 2022
0 references
Number_reference_aid_programm: SA.41471(2015/X) Skop ta’ għajnuna pubblika: L-Artikolu 25 tar-Regolament (KE) Nru 651/2014 tas-17 ta’ Ġunju 2014 li jiddikjara ċerti kategoriji ta’ għajnuna bħala kompatibbli mas-suq intern skont l-Artikoli 107 u 108 tat-Trattat Li huwa. UE L 187/1 tas-26.6.2014). L-għan tal-proġett huwa li jiżviluppa algoritmi li jawtomatizzaw l-analiżi tal-kulturi tal-kultura batterika fuq dixxijiet Petri, b’mod partikolari biex jikklassifikaw it-tip ta’ batterji miżrugħa u jiddeterminaw in-numru ta’ kolonji batteriċi. L-algoritmi se jitħejjew abbażi ta’ metodi ta’ tagħlim profond, li, skont l-għarfien xjentifiku attwali, huma l-aktar adattati għar-rikonoxximent tal-immaġni u jistgħu jintużaw b’mod naturali biex jidentifikaw karatteristiċi morfoloġiċi ewlenin tal-kolonji batteriċi. B’kooperazzjoni ma’ espert fil-qasam tal-mikrobijoloġija, ser titħejja bażi tad-data ta’ taħriġ meħtieġ biex jitqabblu l-parametri tan-netwerks newrali artifiċjali. Se jkun fih immaġnijiet deskritti bir-reqqa ta’ Petri dixx, fejn inżergħu razez batteriċi definiti b’mod strett, u li jistgħu jintużaw fit-tagħlim sorveljat. Informazzjoni addizzjonali dwar il-kampjuni se tiġi pprovduta permezz ta’ analiżi tal-ispettru (spettrali) u mappa tridimensjonali tal-vertiċi magħmula permezz tal-iskennjar bil-lejżer. Netwerks newrali konvoluzzjonali (netwerks newrali konvoluzzjonali) se jintużaw biex jikklassifikaw il-kampjuni, li l-iperparametri tagħhom se jintgħażlu għall-problema li qed tiġi kkunsidrata, u l-valuri ottimali tagħhom se jinstabu permezz ta’ kontroverifika, li se tevita problemi bil-" “nuqqas ta’ attrezzament” jew “trażmissjoni”. mudell ta’ tagħmir żejjed. Għandha titwettaq analiżi komparattiva tar-riżultati miksuba bid-data spettrali addizzjonali jew mingħajrha. Il-prodott finali se jkun softwer speċjalizzat bl-użu ta’ algoritmi maħluqa biex jiġu analizzati l-għelejjel batteriċi. (Maltese)
13 August 2022
0 references
Número de referência do programa de ajuda: SA.41471(2015/X) Objetivo do auxílio público: Artigo 25.o do Regulamento (CE) n.o 651/2014, de 17 de junho de 2014, que declara certos tipos de auxílio compatíveis com o mercado interno, em aplicação dos artigos 107.o e 108.o do Tratado (JO L EU L 187/1 de 26.6.2014). O objetivo do projeto é desenvolver algoritmos para automatizar a análise de culturas bacterianas em placas de Petri, em particular a classificação do tipo de bactérias semeadas e o número de colónias bacterianas. Os algoritmos basear-se-ão em métodos de aprendizagem profunda, que, de acordo com os conhecimentos científicos atuais, são os mais adequados para o reconhecimento de imagens e podem, naturalmente, ser utilizados para identificar as principais características morfológicas das colónias bacterianas. Em cooperação com um perito no domínio da microbiologia, será preparada uma base de dados de formação, necessária para corresponder aos parâmetros das redes neurais artificiais. Contém imagens bem definidas de placas de Petri, nas quais foram plantadas estirpes bacterianas bem definidas e que podem ser utilizadas na aprendizagem supervisionada. Serão fornecidas informações adicionais sobre as amostras através da análise do espetro (espetral) e de um mapa tridimensional dos vértices por varrimento a laser. Redes neurais convolucionais (redes neurais convolucionais) serão utilizadas para classificar amostras, cujos hiperparâmetros serão seleccionados para o problema em consideração e os seus valores óptimos encontrados por verificação cruzada evitarão problemas com o " Inadequação ou " Modelo de sobreequipamento. Deve ser efetuada uma análise comparativa dos resultados obtidos com ou sem dados espetrais adicionais. O produto final será um software especializado que utiliza algoritmos criados para analisar culturas bacterianas. (Portuguese)
13 August 2022
0 references
Nummer_reference_aid_program: SA.41471(2015/X) Formål med offentlig støtte: Artikel 25 i forordning (EF) nr. 651/2014 af 17. juni 2014 om visse former for støttes forenelighed med det indre marked i henhold til traktatens artikel 107 og 108 Det er det. EU L 187/1 af 26.6.2014). Formålet med projektet er at udvikle algoritmer til at automatisere analysen af bakteriekulturkulturer på petriskåle, især for at klassificere den type bakterier, der sås, og bestemme antallet af bakteriekolonier. Algoritmer vil blive udarbejdet på grundlag af dyb læringsmetoder, som ifølge den aktuelle videnskabelige viden er bedst egnet til billedgenkendelse og kan anvendes naturligt til at identificere vigtige morfologiske egenskaber ved bakteriekolonier. I samarbejde med en ekspert inden for mikrobiologi vil der blive udarbejdet en uddannelsesdatabase, der er nødvendig for at matche parametrene for kunstige neurale netværk. Det vil indeholde omhyggeligt beskrevne billeder af petriskål, hvor strengt definerede bakteriestammer er blevet sået, og som kan bruges i overvåget læring. Yderligere oplysninger om prøverne vil blive givet ved hjælp af spektrumanalyse (spektral) og et tredimensionelt kort over hjørner fremstillet ved laserscanning. Konvolutionelle neurale netværk (konvolutionelle neurale netværk) vil blive brugt til at klassificere prøverne, hvis hyperparametre vil blive udvalgt til det pågældende problem, og deres optimale værdier vil blive fundet ved krydskontrol, hvilket vil undgå problemer med " "underfitting" eller "transmission". overfitting model. Der vil blive foretaget en sammenlignende analyse af de opnåede resultater med eller uden yderligere spektrale data. Det endelige produkt vil være specialiseret software ved hjælp af skabte algoritmer til at analysere bakterieafgrøder. (Danish)
13 August 2022
0 references
Number_reference_aid_program: SA.41471(2015/X) Scopul ajutorului public: Articolul 25 din Regulamentul (CE) nr. 651/2014 din 17 iunie 2014 de declarare a anumitor categorii de ajutoare compatibile cu piața internă în aplicarea articolelor 107 și 108 din tratat Asta e tot. UE L 187/1 din 26.6.2014). Scopul proiectului este de a dezvolta algoritmi de automatizare a analizei culturilor bacteriene pe vasele Petri, în special pentru a clasifica tipul de bacterii semănate și pentru a determina numărul de colonii bacteriene. Algoritmii vor fi pregătiți pe baza unor metode de învățare profundă, care, conform cunoștințelor științifice actuale, sunt cele mai potrivite pentru recunoașterea imaginii și pot fi utilizate în mod natural pentru identificarea caracteristicilor morfologice cheie ale coloniilor bacteriene. În cooperare cu un expert în domeniul microbiologiei, va fi pregătită o bază de date de formare necesară pentru a corespunde parametrilor rețelelor neuronale artificiale. Acesta va conține imagini descrise cu atenție ale vasului Petri, unde au fost semănate tulpini bacteriene strict definite și care pot fi utilizate în învățarea supravegheată. Informații suplimentare privind eșantioanele vor fi furnizate prin analiza spectrului (spectral) și o hartă tridimensională a nodurilor realizate prin scanarea cu laser. Rețelele neuronale convoluționale (rețele neuronale convoluționale) vor fi utilizate pentru a clasifica eșantioanele, ale căror hiperparametri vor fi selectați pentru problema în cauză, iar valorile lor optime vor fi găsite prin verificare încrucișată, ceea ce va evita problemele cu " „subechipare” sau „transmisie”. model de supra-echipare. Se va efectua o analiză comparativă a rezultatelor obținute cu sau fără date spectrale suplimentare. Produsul final va fi software specializat folosind algoritmi creati pentru a analiza culturile bacteriene. (Romanian)
13 August 2022
0 references
Number_reference_aid_program: SA.41471(2015/X) Syfte med offentligt stöd: Artikel 25 i förordning (EG) nr 651/2014 av den 17 juni 2014 genom vilken vissa kategorier av stöd förklaras förenliga med den inre marknaden vid tillämpningen av artiklarna 107 och 108 i fördraget Det är allt. EU L 187/1 av den 26 juni 26.6.2014). Syftet med projektet är att utveckla algoritmer för att automatisera analysen av bakteriekulturer på Petri-rätter, särskilt för att klassificera typen av sådda bakterier och bestämma antalet bakteriekolonier. Algoritmer kommer att utarbetas på grundval av djupinlärningsmetoder, som enligt aktuell vetenskaplig kunskap är bäst lämpade för bildigenkänning och kan användas naturligt för att identifiera viktiga morfologiska egenskaper hos bakteriekolonier. I samarbete med en expert på mikrobiologi kommer en databas med utbildning som behövs för att matcha parametrarna för artificiella neurala nätverk att utarbetas. Den kommer att innehålla noggrant beskrivna bilder av Petri maträtt, där strikt definierade bakteriestammar har såtts, och som kan användas vid övervakad inlärning. Ytterligare information om proverna kommer att tillhandahållas genom spektrumanalys (spektral) och en tredimensionell karta över hörn som görs genom laserskanning. Konvulutionella neurala nätverk (konvolutionella neurala nätverk) kommer att användas för att klassificera proverna, vars hyperparametrar kommer att väljas för problemet i fråga, och deras optimala värden kommer att hittas genom dubbelkontroll, vilket kommer att undvika problem med " ”underfitting” eller ”överföring”. översittande modell. En jämförande analys av de resultat som erhållits med eller utan ytterligare spektraldata kommer att genomföras. Slutprodukten kommer att vara specialiserad programvara med hjälp av skapade algoritmer för att analysera bakteriegrödor. (Swedish)
13 August 2022
0 references
WOJ.: DOLNOŚLĄSKIE, POW.: Wrocław
0 references
24 May 2023
0 references
Identifiers
POIR.01.01.01-00-0040/18
0 references