Ziath rend compte de l’utilisation révolutionnaire de l’intelligence artificielle qui permet de distinguer les puits vides dans les racks de tubes d’échantillons des puits avec un tube présent qui peut avoir un code-barres obscurci ou mal rendu.
Crédit d’image: Ziath Ltd
Ce travail pionnier, réalisé en collaboration avec l’Université du Hertfordshire (Royaume-Uni), fait partie d’un programme de développement de la prochaine génération de scanners de tubes à code-barres Ziath dont le lancement est prévu fin 2021.
Les codes-barres DataMatrix jouent un rôle clé dans le suivi et le traçage des échantillons biologiques et composés. Ces codes-barres sont généralement gravés au laser sur la face inférieure des tubes à échantillons, et les tubes sont ensuite stockés dans des racks. L’identification des tubes à l’aide d’un lecteur de codes-barres qui scanne le fond du rack et décode tous les codes-barres en une seule fois a des problèmes reconnus pour identifier correctement quel emplacement a un tube et lequel est un « puits vide ».
L’éclairage ambiant, le bruit de fond de l’image, la variation du laser de code-barres et la qualité des matériaux contribuent tous aux difficultés de détection à l’aide des techniques traditionnelles de vision industrielle. Pour améliorer encore le suivi et le traçage des échantillons, la prochaine génération de scanners et de lecteurs de tubes doit être capable de faire une véritable distinction entre les puits vides et les puits avec un tube présent qui peut avoir un code-barres obscurci ou mal rendu.
Le Dr Alexander Beasley, de l’Université du Hertfordshire, est un ingénieur expert en conception de systèmes embarqués avec une expérience en apprentissage automatique. Travaillant en étroite collaboration avec Ziath, le Dr Beasley a utilisé une technique de réseau neuronal convolutif (CNN) pour l’extraction de caractéristiques d’images à partir d’un lecteur de codes-barres basé sur une caméra Ziath. Dans ce projet de développement, il a pris la notion de CNN et l’a appliquée spécifiquement à la discrimination des puits vides des puits pleins dans les racks de tubes à code-barres DataMatrix.
Le CNN que j’ai choisi est conçu pour être très léger, ce qui permet une exécution rapide. Par rapport aux méthodes heuristiques préexistantes, l’approche CNN était presque dix fois plus rapide à exécuter avec une précision de pratiquement 100 %.
Dr Alexander Beasley, Université du Hertfordshire
Ziath a implémenté la nouvelle fonctionnalité de détection de puits vides dans la dernière version de son logiciel de contrôle populaire DP5 pour offrir immédiatement aux clients le plein bénéfice de la nouvelle technologie.
Ceci n’est que le premier livrable de notre collaboration avec Alexander et l’équipe de l’Université du Hertfordshire. Nous nous attendons à ce que ce projet révolutionne la façon dont nous décodons les tubes DataMatrix et nous aide à produire la prochaine génération de lecteurs de racks de tubes plus rapides, plus légers et passe-partout. C’est un développement passionnant qui, très bientôt, améliorera le suivi et la traçabilité des échantillons pour les scientifiques du monde entier. »
Neil Benn, directeur général, Ziath
