UBUB

Journal of Information Technology and Computer ScienceJournal of Information Technology and Computer Science

Studi ini memperkenalkan implementasi model segmentasi instance YOLOv8 untuk mengotomatisasi kuantifikasi dan identifikasi koloni bakteri multispesies. Dalam penelitian mikrobiologi, perhitungan akurat dan identifikasi cepat berbagai spesies dalam koloni sangat penting. Kemampuan real-time dan akurasi tinggi YOLOv8 membuatnya sangat cocok untuk tugas ini. Kami menunjukkan efektivitasnya dalam mendeteksi dan memisahkan koloni multispesies seperti Bacillus subtilis, Escherichia coli, Pseudomonas aeruginosa, dan Staphylococcus aureus. Inovasi ini mempercepat proses perhitungan koloni dan identifikasi spesies. Untuk meningkatkan presisi, kami mengintegrasikan teknik post-processing untuk menangani koloni yang tumpang tindih, secara signifikan meningkatkan akurasi dibandingkan metode manual. Metode yang kami usulkan menunjukkan kinerja superior dan menyediakan alat berharga bagi mikrobiolog dan peneliti, mempercepat analisis koloni bakteri. Dalam studi ini, kami menyesuaikan hyperparameter untuk mencapai mean average precision (mAP) terbaik untuk mask dan bounding box. Kami menggunakan dataset primer dan sekunder untuk pelatihan. Modifikasi hyperparameter, termasuk penggunaan optimizer Adam dengan tingkat belajar 0,01 dan nilai epoch 50, menghasilkan nilai mAP sebesar 90%. Temuan ini menegaskan pentingnya mengoptimalkan jenis optimizer, tingkat belajar, dan jumlah epoch, yang menunjukkan dampaknya terhadap kinerja model dalam mengotomatisasi kuantifikasi dan identifikasi koloni bakteri.

Penelitian ini menunjukkan bahwa penggunaan model segmentasi instance YOLOv8 efektif dalam mengotomatisasi perhitungan dan identifikasi koloni bakteri multispesies.Hasil menunjukkan bahwa kombinasi optimizer Adam dengan tingkat belajar kurang dari 0,01 menghasilkan nilai mAP tertinggi sebesar 0,908.Metode ini mempercepat proses analisis koloni bakteri, meningkatkan akurasi dan konsistensi deteksi.Namun, ketidakseimbangan kelas dalam dataset dapat memengaruhi kinerja model.Penelitian lanjutan diperlukan untuk meningkatkan teknik augmentasi data dan mengoptimalkan model untuk spesies yang lebih beragam.

Penelitian lanjutan dapat fokus pada pengembangan teknik augmentasi data yang lebih canggih untuk mengatasi ketidakseimbangan kelas dalam dataset koloni bakteri. Selain itu, eksplorasi penggunaan model segmen instance lainnya atau kombinasi dengan teknik pembelajaran mendalam lainnya dapat dilakukan untuk meningkatkan akurasi deteksi. Terakhir, penerapan metode ini pada spesies bakteri yang lebih beragam atau lingkungan yang lebih kompleks dapat menjadi arah studi baru untuk menguji keandalan dan skalabilitas model.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1186/s12918-017-0399-zClient Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1186 s12918 017 0399 z
  2. [2108.01234] AGAR a microbial colony dataset for deep learning detection. microbial colony dataset deep... arxiv.org/abs/2108.012342108 01234 AGAR a microbial colony dataset for deep learning detection microbial colony dataset deep arxiv abs 2108 01234
  3. [2304.00501] A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and... arxiv.org/abs/2304.005012304 00501 A Comprehensive Review of YOLO Architectures in Computer Vision From YOLOv1 to YOLOv8 and arxiv abs 2304 00501
Read online
File size602.08 KB
Pages10
DMCAReport

Related /

ads-block-test