Detección de retención de líquido en puntas de pipeta en estaciones de trabajo de manejo de líquidos de alto rendimiento basada en el algoritmo YOLOv8 mejorado con mecanismo de atención
Autores: Yin, Yanpu; Lei, Jiahui; Tao, Wei
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Detección de retención de líquido en puntas de pipeta en estaciones de trabajo de manejo de líquidos de alto rendimiento basada en el algoritmo YOLOv8 mejorado con mecanismo de atención
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Estaciones de trabajo para manejo de líquidos
Contaminación cruzada
Algoritmo YOLOv8
Detección de objetos
Puntas de pipeta
Detección de retención de líquidos.
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
Las estaciones de trabajo de manipulación de líquidos de alto rendimiento son necesarias para procesar grandes cantidades de muestras de prueba en los campos de las ciencias de la vida y la medicina. La retención de líquidos y las gotas que cuelgan en las puntas de las pipetas pueden provocar la contaminación cruzada de muestras y reactivos, así como resultados experimentales inexactos. Los métodos tradicionales para detectar la retención de líquidos tienen baja precisión y un mal rendimiento en tiempo real. Este artículo propone un algoritmo de detección de objetos YOLOv8 mejorado (You Only Look Once versión 8) para abordar los desafíos planteados por diferentes tamaños y colores de líquidos, la compleja situación de los bastidores de tubos de ensayo y múltiples muestras en el fondo, y la escasa comprensión de la estructura de imagen global en la detección de retención de líquidos en las puntas de las pipetas. Se introduce un módulo de mecanismo de atención de contexto global (GC) en la red base y el módulo de fusión parcial de características entre etapas (C2f) para enfocarse mejor en las características objetivo. Para mejorar la capacidad de combinar y procesar eficazmente diferentes tipos de entradas de datos e información de fondo, también se introduce un módulo de Selección de Núcleo Grande (LKS) en la red base. Además, se rediseña la red de cuello para incorporar el módulo de mecanismo de Atención Simple (SimAM), generando pesos de atención y mejorando el rendimiento general. Evaluamos el algoritmo utilizando un conjunto de datos autoconstruido de puntas de pipeta. En comparación con el modelo YOLOv8 original, el algoritmo mejorado aumentó el mAP@0.5 (precisión promedio media), la puntuación F1 y la precisión en un 1,7%, 2% y 1,7%, respectivamente. El algoritmo mejorado YOLOv8 puede mejorar la capacidad de detección de puntas de pipeta que retienen líquido y evitar que la contaminación cruzada afecte los resultados de los experimentos de solución de muestras. Proporciona una base de detección para el posterior procesamiento automático de la solución para la retención de líquidos.
Descripción
Las estaciones de trabajo de manipulación de líquidos de alto rendimiento son necesarias para procesar grandes cantidades de muestras de prueba en los campos de las ciencias de la vida y la medicina. La retención de líquidos y las gotas que cuelgan en las puntas de las pipetas pueden provocar la contaminación cruzada de muestras y reactivos, así como resultados experimentales inexactos. Los métodos tradicionales para detectar la retención de líquidos tienen baja precisión y un mal rendimiento en tiempo real. Este artículo propone un algoritmo de detección de objetos YOLOv8 mejorado (You Only Look Once versión 8) para abordar los desafíos planteados por diferentes tamaños y colores de líquidos, la compleja situación de los bastidores de tubos de ensayo y múltiples muestras en el fondo, y la escasa comprensión de la estructura de imagen global en la detección de retención de líquidos en las puntas de las pipetas. Se introduce un módulo de mecanismo de atención de contexto global (GC) en la red base y el módulo de fusión parcial de características entre etapas (C2f) para enfocarse mejor en las características objetivo. Para mejorar la capacidad de combinar y procesar eficazmente diferentes tipos de entradas de datos e información de fondo, también se introduce un módulo de Selección de Núcleo Grande (LKS) en la red base. Además, se rediseña la red de cuello para incorporar el módulo de mecanismo de Atención Simple (SimAM), generando pesos de atención y mejorando el rendimiento general. Evaluamos el algoritmo utilizando un conjunto de datos autoconstruido de puntas de pipeta. En comparación con el modelo YOLOv8 original, el algoritmo mejorado aumentó el mAP@0.5 (precisión promedio media), la puntuación F1 y la precisión en un 1,7%, 2% y 1,7%, respectivamente. El algoritmo mejorado YOLOv8 puede mejorar la capacidad de detección de puntas de pipeta que retienen líquido y evitar que la contaminación cruzada afecte los resultados de los experimentos de solución de muestras. Proporciona una base de detección para el posterior procesamiento automático de la solución para la retención de líquidos.