Karakterisering och spårning av nanopartiklar med djupinlärning
Publicerad
Typ
Examensarbete för kandidatexamen
Program
Modellbyggare
Tidskriftstitel
ISSN
Volymtitel
Utgivare
Sammanfattning
Föreliggande arbete använder maskininlärningsmetoden YOLOv3 för att utveckla en metod
för spårning och karakterisering av partiklar som görs tillgängligt för allmänheten.
Modellen presterar bättre än traditionella algoritmiska metoder för partikeligenkänning
och lokalisering av partiklar men något sämre för karakterisering och bestämmande av
partiklars egenskaper jämfört med traditionella algoritmer. Modellen har dessutom visat
resultat i linje med tidigare djupinlärningsmetoder. Dessa resultat ges också utan samma
krav på användaren för detaljstyrning av processen. Modellen har vidare möjlighet att förbättras
över tid genom att iterativt tränas på större mängder data vilket ger möjligheter för
framtida utveckling. Träningen av modellen utfördes med simulerade holografiska mikroskopbilder
som genererades med python-biblioteket DeepTrack. Från biblioteket användes
funktioner för att simulera bilder från en off-axis-konfiguration. Parametrar för partiklars
x-, y-, z-positioner, brytningsindex, radie samt antal partiklar per bild tillskrevs slumpmässiga
värden i lämpliga intervall representativa för en experimentuppställning. Modellen
testades efter träningen på både simulerade och experimentella bilder. Tester på den simulerade
datan bestod av 5000 bilder med 448x448 pixlar med 0-10 partiklar i varje bild.
Modellens resultat visar på en recall på 0,96 samt en precision på 0,87 vilket ger ett F1-
score på 0,91. Modellen jämfördes även med traditionella algoritmer för partikelspårning.
Tydliga fördelar med djupinlärning motiveras genom bättre hantering av flera partiklar,
överlappande partiklar samt olika brusförhållanden. Vår modell visar också på möjligheten
att förutsäga partiklars brytningsindex och radie med en end-to-end-metod. Kod och
modellvikter finns tillgängliga här: https://github.com/Deep-learning-for-particl
e-tracking/YOLOv3-for-Particle-Tracking.