Develop a new method for the identification and identification of bacterial colonies using neural networks and Machine Learning (Machine Learning) algorithms. (Q77597): Difference between revisions
Jump to navigation
Jump to search
(Removed claim: budget (P474): 585,074.664 euro) |
(Changed an Item: Fixing rounding issue) |
||||||||||||||
| Property / budget | |||||||||||||||
585,074.66 Euro
| |||||||||||||||
| Property / budget: 585,074.66 Euro / rank | |||||||||||||||
Preferred rank | |||||||||||||||
| Property / budget: 585,074.66 Euro / qualifier | |||||||||||||||
exchange rate to Euro: 0.24 Euro
| |||||||||||||||
| Property / budget: 585,074.66 Euro / qualifier | |||||||||||||||
point in time: 13 January 2020
| |||||||||||||||
Revision as of 00:16, 25 September 2020
Project in Poland financed by DG Regio
| Language | Label | Description | Also known as |
|---|---|---|---|
| English | Develop a new method for the identification and identification of bacterial colonies using neural networks and Machine Learning (Machine Learning) algorithms. |
Project in Poland financed by DG Regio |
Statements
1,850,331.93 zloty
0 references
2,437,811.1 zloty
0 references
75.9 percent
0 references
1 July 2018
0 references
30 October 2020
0 references
NEUROSYS SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
0 references
51°7'34.7"N, 16°58'41.5"E
0 references
Numer_referencyjny_programu_pomocowego: SA.41471(2015/X) Przeznaczenie_pomocy_publicznej: art. 25 rozporządzenia KE nr 651/2014 z dnia 17 czerwca 2014 r. uznające niektóre rodzaje pomocy za zgodne z rynkiem wewnętrznym w stosowaniu art. 107 i 108 Traktatu (Dz. Urz. UE L 187/1 z 26.06.2014). Celem projektu jest opracowanie algorytmów umożliwiających zautomatyzowanie analizy posiewów hodowli bakteryjnych na szalkach Petriego, w szczególności klasyfikacji rodzaju posianych bakterii oraz określenie liczby kolonii bakteryjnych. Algorytmy zostaną przygotowane w oparciu o metody uczenia głębokiego (ang. deep learning), które wg aktualnej wiedzy naukowej najlepiej sprawdzają się przy rozpoznawaniu obrazów i w naturalny sposób mogą być wykorzystane do identyfikowania kluczowych cech morfologicznych kolonii bakteryjnych. We współpracy z ekspertem z zakresu mikrobiologii zostanie przygotowana baza danych treningowych, potrzebnych do dopasowania parametrów sztucznych sieci neuronowych. Zawierać będzie ona dokładnie opisane zdjęcia szalek Petriego, na których zostały wysiane ściśle określone szczepy bakteryjne, a które będzie można wykorzystać w procesie uczenia nadzorowanego (ang. supervised learning). Dodatkowych informacji na temat próbek dostarczy analiza widma (spektralna) oraz trójwymiarowa mapa wierzchołków wykonana metodą skanowania laserowego. Do klasyfikacji próbek zostaną wykorzystane konwolucyjne sieci neuronowe (ang. convolutional neural networks), których hiperparametry zostaną dobrane pod rozważany problem, a ich optymalne wartości znalezione metodą sprawdzianu krzyżowego, co pozwoli uniknąć problemów z "niedouczeniem" (ang. underfitting) lub "przeuczeniem" (ang. overfitting) modelu. Zostanie wykonana analiza porównawcza wyników otrzymanych z lub bez uwzględnienia dodatkowych danych spektralnych. Ostatecznym produktem będzie specjalistyczne oprogramowanie wykorzystujące stworzone algorytmy do analizy posiewów bakteryjnych. (Polish)
0 references
Reference_reference_programme_aids:SA.41471 (2015/X) _public:Article 25 of Commission Regulation (EC) No 651/2014 of 17 June 2014 declaring certain categories of aid compatible with the internal market in the application of Article 107 and 108 of the Treaty (OJ(OJ LEU L 187/1, 26.06.2014).The aim of the project is to develop algorithms to automate the analysis of bacterial growth in Petri dishes, in particular the classification of the types of bacteria being seeded and the determination of the amount of bacterial colonies.Algorithms will be based on deep learning which, according to current scientific knowledge, can best be used to identify images and can be used to identify the key morphological characteristics of bacterial colonies.A database of training data will be developed in cooperation with the microbiology expert needed to match the parameters of artificial neural network parameters.It will include carefully photographs of the Petri dishes where specific bacterial strains have been sown and which can be used in a supervised learning process.The additional information on the samples will provide a spectral analysis (spectral spectral) and a three-dimensional laser apex map.The sample classification will be used to use a convolative neural network (s), whose hyperparameters will be selected under the problem under consideration and their best value found by a cross-check, thereby avoiding the problems of & quot;Explaining and/or & quot;;Overfitting model.A comparative analysis of the results obtained with or without the inclusion of additional spectral data will be carried out.The final product will be a specialised software that uses the developed algorithms to analyse bacterial poises. (English)
0 references
Identifiers
POIR.01.01.01-00-0040/18
0 references