Classificazione tramite rete neurale convoluzionale from scratch per computer vision applicato ad un deck per il liquid handling

This thesis focuses on the internship experience at M31 s.r.l. It centers on the development of a computer vision system to monitor and guide the setup of a liquid handling machine in order to reduce human errors. The work involves creating a convolutional neural network (CNN) from scratch to classify test tubes within a rack in the liquid handling deck. Specifically, it addresses the problem of determining the presence of test tubes in the rack, their sizes, and the presence of caps. The goal is to develop optimized and tested CNNs on embedded processors, ensuring high precision and reduced execution times; subsequently, their performance is tested and compared with traditional computer vision methods used on the machine.

Questa tesi si concentra sull'esperienza di tirocinio presso M31 s.r.l.. Si focalizza sullo sviluppo di un sistema di computer vision per monitorare e guidare l'allestimento di una macchina per il liquid handling al fine di ridurre gli errori umani. Il lavoro si concentra sulla realizzazione di una rete neurale convoluzionale (CNN) from scratch per classificare le provette all'interno di un rack nel deck per il liquid handling. In particolare, si affronta il problema della determinazione della presenza delle provette nel rack, delle loro dimensioni e della presenza del tappo. L'obiettivo è sviluppare CNN ottimizzate e testate su processori embedded, garantendo un'elevata precisione e tempi di esecuzione ridotti; successivamente testandone le prestazioni e confrontandole con quelle di computer vision tradizionale utilizzati sulla macchina.