Sviluppo di un Sistema di Machine Vision per il Liquid Handling mediante tecniche di Deep Learning

This work discusses the development of a component of a machine vision system designed for a laboratory machine created by M31 Srl and intended for the handling and analysis of biological samples. The aim of this system is to ensure the correct arrangement of test tubes, so as to minimize the number of errors introduced by the operator during the preparation of analyses, which could cause operational delays or damage to the tool itself. To achieve this objective, deep learning algorithms based on neural networks are employed. Initially, the strategy of transfer learning is applied to pre-trained convolutional neural networks. Afterwards, it is investigated if the introduction of object detection algorithms could lead to an improvement in the system's overall performance.

Lo scopo di questa tesi è presentare lo sviluppo di una componente di un sistema di machine vision, progettato per una strumentazione da laboratorio realizzata da M31 Srl e finalizzata alla manipolazione e all'analisi di campioni biologici. L'obiettivo di tale componente si realizza nel minimizzare il numero di errori introdotti dall'operatore durante la configurazione delle analisi, assicurando la corretta disposizione delle provette all'interno della macchina. Tali errori, se presenti, potrebbero infatti potenzialmente causare ritardi operativi o danni allo strumento stesso. Per realizzare tale obiettivo vengono utilizzati algoritmi di deep learning basati su reti neurali. Inizialmente, si fa uso della strategia nota come transfer learning applicata a reti neurali convoluzionali pre-addestrate. Successivamente, si indaga se l'introduzione di algoritmi di object detection possa impattare positivamente le performance complessive del sistema.