Laboratorionäyteputken ominaisuuksien tunnistus konenäöllä

Abstract

Tässä diplomityössä on tutkittu konenäön soveltuvuutta kliinisen laboratorionäyteputken ominaisuuksien tunnistamiseen ja luokitteluun. Konenäköjärjestelmä pyrki tunnistamaan korkin läsnäolon, korkin värin, putken leveysluokan ja putken korkeusluokan. Konenäön soveltuvuutta tutkittiin toteuttamalla konenäköjärjestelmä kahdella eri kameralla Thermo Fisher Scientificin TCAutomation linjastoon. Kameroiksi valittiin Microscan:in MV-40 ja Jadak:in FM-6. Toteutettujen konenäköjärjestelmien läpi ajettiin testiputkia. Konenäköjärjestelmän tuottamia tuloksia vertailtiin todellisiin arvoihin ja konenäön soveltuvuutta arvioitiin virheellisten tunnistusten lukumäärän mukaan. FM-6:lla virheellisiä tunnistuksia tapahtui 12,24 \% kaikista tunnistuksista. MV-40:llä vastaava arvo oli 1,28 \%. Testausjärjestelyistä johtuneiden virheellisten tunnistamisten poistamisen jälkeen FM-6:lla virheellisiä tunnistamisia tapahtui 11,47 \% tapauksista ja MV-40:llä 0,46 \% tapauksista. Virheelliset tunnistamiset tapahtuivat pääsääntöisesti korkkien värin tunnistamisessa. FM-6:lla kesti myös noin 10-kertainen aika kuvan ottamiseen ja konenäköalgoritmin prosessointiin. Tulosten perusteella voidaan todeta, että MV-40 soveltuu hyvin näyteputkien ominaisuuksien tunnistamiseen.

Validity of machine vision in clinical sample tube identification has been studied in this master’s thesis. Machine vision system tried to identify presence of the cap, color of the cap, sample tube width class and sample tube height class. The validity was studied by implementing a machine vision system on Thermo Fisher Scientifics’ TCAutomation system with two different cameras. The cameras selected for testing were Microscan MV-40 and Jadak FM-6. Implemented machine vision system were tested by using the system for test tubes. The validity of the system was evaluated by the number of misidentifications produced by the system. FM-6 produced misidentifications in 12,24 \% out off all test cases. MV-40 produced misidentification in 1,28 \% of test cases. After excluding misidentifications caused by testing arrangements FM-6 had misidentification in 11,47 \% of the cases and MV-40 in 0,46 \% of the cases. FM-6 also spends 10-times the time for taking the picture and running the algorithm compared to MV-40. As a conclusion, MV-40 smart camera can be used for identification of clinical sample tubes.