Year: 2023
Type: conference-paper
Abstract: -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.
Source: HAL
Language: French
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W4393205083