Amélioration de l'étiquetage automatique des boîtes de Pétri avec des algorithmes d'IA
Résumé
The present study aims to improve the accuracy of labels on Petri dish images containing Colony Forming Units using Artificial Intelligence algorithms. Indeed, the labeling methods proposed by classical computer vision software such as ScanStation for example, are prone to errors and the manual correction of these errors is a difficult task. We propose a methodology based on AI models. At first, a YOLO model is trained on the existing labels given by ScanStation. The bounding boxes provided by ScanStation and YOLO are then binarized using the OTSU algorithm to generate semantic labels that are used to train a U-Net. Then, a Xception model is trained to classify all the segments generated by the U-Net as either outlier or colony. For new data, the trained U-Net and Xception models are used to improve the labeling. The results indicate that the proposed approach improves the accuracy of the labeling process without human correction.
-L'étude rapportée dans cet article vise à améliorer la précision de la labélisation sur les images de boîtes de Pétri contenant des 'Unités Formant Colonie' à l'aide d'algorithmes d'intelligence artificielle. En effet, les méthodes d'étiquetage proposées par les logiciels classiques de vision par ordinateur comme ScanStation, sont sujets à des erreurs et la correction manuelle est une tâche complexe et fastidieuse. Nous proposons une approche basée sur des modèles d'intelligence artificielle. Dans un premier temps, un modèle YOLO est entraîné sur les labels existants fournis par ScanStation. Les boîtes englobantes générées par ScanStation et YOLO sont ensuite binarisées à l'aide de l'algorithme OTSU pour obtenir des labels sémantiques qui sont utilisées pour entraîner un réseau U-Net. Ensuite, un modèle Xception est entraîné pour classer tous les segments générés par le U-Net comme outlier ou UFC. In fine, les modèles U-Net et Xception entraînés sont utilisés pour améliorer la labélisation de ScanStation. Les résultats indiquent que l'approche proposée améliore la précision du processus sans correction humaine.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|