APPLY SIA īsteno pētniecības projektu Latvijas Atveseļošanas un noturības mehānisma plāna 5.1.r. reformu un investīciju virziena "Produktivitātes paaugstināšana caur investīciju apjoma palielināšanu P&A" 5.1.1.r. reformas "Inovāciju pārvaldība un privāto P&A investīciju motivācija" 5.1.1.2.i. investīcijas "Atbalsta instruments inovāciju klasteru attīstībai" īstenošanas noteikumu kompetences centru ietvaros.

Pētniecības projekta numurs un nosaukums: Nr. 1.13 “Seklu un dziļu plaisu detekcija tukšā caurspīdīgā stikla tarā”

Projekts Nr. 5.1.1.2.i.0/1/22/A/CFLA/002

Pētījuma mērķis ir izstrādāt tukšas caurspīdīgas stikla taras plaisu analīzes risinājumu viendabīgas formas un rievainas formas pudelēm. Jau iepriekš izstrādātās stikla taras kvalitātes kontroles iekārtas ietvaros tika identificēts, ka viens no būtiskajiem defektu veidiem ir dziļas un seklas plaisas, taču to redzamības apstākļi būtiski atšķiras no pārējo defektu veidu redzamības konfigurācijas. Līdz ar to, lai nodrošinātu pilnu stikla taras analīzes inspekciju, iekļaujot visus industrijā būtiskos defektus, ir nepieciešamība izstrādāt atsevišķu moduli plaisu analīzei, kas vienkārši integrējams esošajā stikla taras kvalitātes kontroles sistēmā. Šāda pieeja pētniecības ietvaros ļauj vienkārši papildināt esošo stikla taras kvalitātes kontroles iekārtu to būtiski nepārbūvējot, bet papildus uzstādot nelielu modulāru iekārtu, kas veic plaisu analīzi.

Pētījuma ietvaros plānots veikt:

  • defektu kopas ievākšanu;
  • plaisu analīzi dažādās pudeles zonās un reljefos;
  • modelēt un izstrādāt plaisu analīzes prototipa iekārtu;
  • izstrādāt metodoloģiju datu sagatavošanai, neironu tīklu modeli un algoritmu kopu plaisu analīzei.

Pētījuma ietvaros plānots sasniegt:

  • fiziski strādājošu prototipa iekārtu plaisu vizuālai analīzei tukšā, caurspīdīgā stikla tarā;
  • neironu tīklu modeli un algoritmu kopu, kas attēlā spēj identificēt plaisas gan taisnā, gan rievotā pudeles reljefā dažādās pudeles zonās.

STARPNODEVUMA REZULTĀTS // 01.12.2023 - 31.05.2024.

Industrijā ir novērojams, ka vairākos stikla taras dizainos ir atrodamas problemātiskas zonas, kurās mēdz veidoties grūti konstatējamas plaisas, skatoties uz objektu horizontāli vai vertikāli, piemēram, kakliņa zonā. Ražošanas līnijā, no kuras tika izgūti pētījumā izmantotie stikla taras paraugi, jau tiek izmantotas vairākas kvalitātes kontroles iekārtas, starp kuru nepilnībām ražotāji izceļ tieši šo problemātisko zonu. Pavēršot skatu leņķī starp horizontālu un vertikālu, kakliņa tālākā puse būtu redzama labāk nekā horizontāli vai vertikāli.

  • Tika veikta pudeļu ar plaisām atlase no kopējā defektētā apjoma un iegūto piemēru sadalīšana klasēs pēc plaisu izvietojuma uz pudeles un izmēra.
  • Tika veikta vizuālā analīze atlasītajiem paraugiem plaisu detekcijai pudeles vienmērīgajās un rievainajās zonas visas pudeles garumā.
  • Pirms fiziskās prototipēšanas laboratorijā, tika simulētas vairākas kameru, spoguļu un gaismas avotu konfigurācijas. Balstoties uz simulācijās izgūtajiem optisko elementu izmēriem un novietojumiem, tika fiksētas fiziskās komponentes un to parametri, kuras tika pasūtītas un izgatavotas prototipu realizēšanai.
  • Prototipa fiziskajā konfigurācijā ir izmantoti divi spoguļi, tādējādi vairākkārtīgi samazinot kopējos iekārtas horizontālos izmērus, bet palielinot tās augstumu.
  • Ņemot vērā plaisu detektēšanas reljefā sarežģītību un plaisu mazo fizisko izmēru, kā noteicošais faktors tika identificēts vizuālās informācijas daudzums un kvalitāte uzņemtajos attēlos, kas praksē nozīmē vairāku kameru pielietošanas nepieciešamību.

Mašīnmācīšanās algoritmu apmācības datu kopu var ievākt ātrāk, ja visus nepieciešamos datus konkrētam paraugam un tā novietojumam ir iespējams ievākt ar vienu darbību (piemēram, pogas piespiešanu), un nav nepieciešams apvienot vairākas darbības viena datu kopas elementa iegūšanai. Ievākto datu pavairošana var būt ierobežota tad, ja attēli ir vizuāli sarežģīti, piemēram, strukturētas gaismas pielietošanas gadījumos.



APPLY SIA īsteno pētniecības projektu Latvijas Atveseļošanas un noturības mehānisma plāna 5.1.r. reformu un investīciju virziena "Produktivitātes paaugstināšana caur investīciju apjoma palielināšanu P&A" 5.1.1.r. reformas "Inovāciju pārvaldība un privāto P&A investīciju motivācija" 5.1.1.2.i. investīcijas "Atbalsta instruments inovāciju klasteru attīstībai" īstenošanas noteikumu kompetences centru ietvaros.

Pētniecības projekta numurs un nosaukums: Nr. 2.2 “Neironu tīklu adaptācija Atomspēku Mikroskopijas (AFM) datu analīzei dažādu vēža tipu un to stadiju klasifikācijai.”

Projekts Nr. 5.1.1.2.i.0/1/22/A/CFLA/002

Ļaundabīgie audzēji ir viena no biežākām slimībām cilvēku populācijā. Plaušu audzējs ir viens no biežākajiem audzējiem, kas raksturojas ar sliktu prognozi un augstu mirstību. Plaušu audzējs joprojām tiek atklāts vēlīnajās stadijās, kad ārstēšana ir dārga un mazefektīva.

Jauno plaušu audzēju diagnostikas risinājumu izstrāde ir aktuāla problēma mūsdienu zinātnē. Uz mākslīgā intelekta balstīta lielo datu analīze izmantojot invotatīvus datu avotus varētu būt perspektīva jauna tehnoloģija plaušu audzēju diagnostikai un prognozei ar augstu komercializācijas potenciālu.

Pētījuma mērķis ir izstrādāt jaunu tehnoloģiju, kas pamatojas uz mākslīgā intelekta analīzi, izmantojot Atomspēku Mikroskopijas (AFM) datus plaušu audzēju diagnostikai, kā arī klīnisko un patologhistoloģisku rādītāju novērtēšanu.

Pētījuma ietvaros plānots veikt:

  • pacientu iekļaušana pētījumā;
  • klīnisko rādītāju analīze;
  • plaušu biopsijas audu paraugu un citoloģijas audu paraugu novērtēšana ar atomspēka mikroskopiju;
  • datu analīze ar mākslīgu intelektu un predikatīvo modeļu izveide.

Pētījuma īstenošanas rezultātā tiks izstrādāta metode biopsijas un citoloģijas paraugu pagatavošanai atomspēka mikroskopijai, kā arī uz mākslīgā intelekta balstīta jaunā tehnoloģija plaušu audzēja diagnostikai, kas pamatojas uz lielo datu analīzi, kas iegūti ar atomspēka mikroskopiju, un audzēja klīniskie dati.

Starpposms Nr. 1: 01.08.2023.-31.01.2024.

Pētījuma kopējais mērķis: izstrādāt jaunu tehnoloģiju, kas pamatojas uz mākslīgā intelekta analīzi izmantojot Atomspēku Mikroskopijas (AFM) datus plaušu audzēju diagnostikai, kā arī klīnisko un patologhistoloģisku rādītāju novērtēšanu.

Aktivitātes mērķis: nepieciešamo rīku izstrāde visu datu apkopošanai un centralizēšanai turpmākai izmantošanai (datubāzes, importēšanas mehānismi, saskarnes).

Ir pilnībā izstrādāta tīmekļa vietne, kas ļauj ērti LU Pataloģijas katedras darbiniekiem apkopot pacientu klīnisko un patohistoloģisko informāciju un LU Ķīmiskās fizikas institūta darbiniekiem augšupielādēt datnes no AFM, piesaistot tos konkrētam pacientam un biopsijas paraugam, kopā ar nepieciešamajiem pavadošajiem datiem. 

Tīmekļa vietne ir pieejama publiski, bet, lai tajā autorizētos un piekļūtu sistēmas funkcionalitātei un datiem, ir nepieciešams lietotāja profils, kuru ir apstiprinājis vietnes administrators. Pašlaik administratora tiesības ir pieejamas tikai SIA Apply šī projekta vadībai. 

Izstrādes laikā tika arī izplānota un izveidota datu batu bāze, kur attiecīgie dati tiek uzglabāti. Rīks būtiski vienkāršo turpmāko darbību ar datiem un standartizē to ieguves procesu, jo ir nodrošināta skaidra sasaiste starp datiem, kas iegūti ar pataloganatomijas kompetencēm un datiem, kas iegūti ar AFM. 

LU Ķīmiskās fizikas institūta darbinieki iegūtos AFM mērijumus saglabā specifiskā datu formātā (.ibw), lai nodrošinātu turpmāko datu analīzi tika izstrādāts skripts, kas spēj lasīt šo datu formātu un savienoties ar datu bāzi, kur šīs datnes uzglabājas.

Turpmākās darbības: Turpmākie soļi ir izvirzīt un aprēķināt plaušu šūnu aprakstošus parametrus, kurus var iegūt no AMF datiem. Paralēli ir plānots izstrādāt programmatūru, kas veiks dažādu mākslīgā intelekta modeļu apmācību. Nepieciešams apmācīt gala lietotājus abu sistēmu izmantošanā un uzsākt datu ieguvi.

Starpposms Nr. 2: 01.02.2023.-31.07.2024.

Pateicoties veiksmīgai sadarbībai ar LU medicīnas fakultāti esam veiksmīgi rekrutējuši un ievākuši biopsijas paraugus no 154% pacientu. Plānoto 24 vēža pacientu un 3 kontrolgrupas pacientu vietā esam ievākuši 37 vēža pacientu un 3 kontrolgrupas pacientu paraugus. 

Starpposms Nr.3 // 01.07.2024.-30.09.2024.

Apmācīti uzraudzītās apmācības neironu tīkli, veiktas to precizitātes metrikas, sagatavotas rekomendācijas un aprakstītas audu paraugu sagatavošanas metodes optimālai AFM analīzei.

Sasniegtie rezultāti:

Apmācīti neuzraudzītās apmācības neironu tīkli, veiktas to precizitātes metrikas. Izstrādātas rekomendācijas un ieteikumi turpmākai tehnoloģijas precizitātes un pielietojumu uzlabošanai. Sagatavotas divas publikācijas.

Līdz ar ko pētījums ir noslēgts.

Uzrakstīta un iesniegta izskatīšanai uz pieņemšanu publikācija “Machine Learning for Lung Cancer Subtype Classification: Combining Clinical, Histopathological, and Biophysical Features”

Veikta gan uzraudzītā, gan neuzraudzītā apmācība un uzsākts darbs pie precizitātes metriku datu apkopošanas.

Apkopoti secinājumi par optimālu paraugu sagatavošanas un analīzes metodiku un turpmāku tehnoloģijas precizitātes uzlabošanu. Viennozīmīgi skaidrs, ka ar var veikt vēža stadiju un tipu klasifikāciju balstoties uz AFM datu neironu tīklu klasifikāciju taču ņemot vērā ierobežoto datu pieeju un turpmākos tehnoloģijas mērķus ir secināts, ka būtu lietderīgi pievienot arī fluorescences (two photon microscopy) datus par analizējamo paraugu.


APPLY SIA īsteno pētniecības projektu Latvijas Atveseļošanas un noturības mehānisma plāna 5.1.r. reformu un investīciju virziena "Produktivitātes paaugstināšana caur investīciju apjoma palielināšanu P&A" 5.1.1.r. reformas "Inovāciju pārvaldība un privāto P&A investīciju motivācija" 5.1.1.2.i. investīcijas "Atbalsta instruments inovāciju klasteru attīstībai" īstenošanas noteikumu kompetences centru ietvaros.

Pētniecības projekta numurs un nosaukums: Nr. 2.3 “Elektoenerģijas patēriņa optimizācijas iekārtas izveides izpēte un prototipa izstrāde”

Projekts Nr. 5.1.1.2.i.0/1/22/A/CFLA/002

Projekta ietvaros plānots izpētīt iespējas un izveidot prototipu iekārtai, kas darbosies kā vadības iekārta, lai optimizētu enerģijas patēriņu uzņēmumos, daudzīvokļu mājās, noliktavās, biroja ēkās u.c., kurā ir daudz energo intensīvas ierīces. Šī vadības iekārtas galvenā funkcija ir plānot un pārvaldīt elektroenerģijas plūsmu starp pievienotajām ierīcēm, lai samazinātu saimniecības izmaksas un nodrošinātu elektroenerģijas pieslēguma jaudas pietiekamību, ņemot vērā katras ierīces darbības ierobežojumus, kas nepieciešami, lai nodrošinātu tās pamatfunkciju veikšanu.

Galvenajās projekta aktivitātēs ietver :

  • Izpētīt vadības iekārtas integrācijas iespējas ar dažādām energointensīvo iekārtu tipiem, kā arī to pārvaldības iespējas ;
  • Izpētīt saimniecības elektroenerģijas patēriņa prognozēšanas algoritma pievienoto vērtību kopējās sistēmas efektivitātē;
  • Izpētīt un noteikt vadības iekārtas optimizācijas algoritma nepieciešamo efektivitātes līmeni;
  • Vadības iekārtas pilotēšana un tā efektivitātes izvērtēšana.

Sasniedzamais rezultāts

  • izveidots vadības iekārtas prototips, kurā integrētas (3) iekārtas. Pilotēta Vadības iekārta;
  • izveidota un praksē pārbaudīta vadības iekārta:
  • kas samazina saimniecības elektroenerģijas izmaksas (par 10% un vairāk)*;
  • samazina pieslēguma jaudas izmaksas (par 10% un vairāk)*;
  • optimizācijas procesā netiek traucēta saimniecības pamatdarbība;
  • ir apzinātas iespējas saimniecībai gūt papildus ienākumus, piedāvājot savu spēju pielāgot elektroenerģijas plūsmas kā pakalpojumu pārvades tīkla operatoram.

Elektroenerģijas un pieslēguma jaudas izmaksas ir divas alternatīvas kā veicināt saimniecības izmaksu samazinājumu. Mazākiem patērētājiem lielāku īpatsvaru no kopējā elektroenerģijas rēķina (līdz pat 40%) sastāda pieslēguma jaudas un pārvades tarifu izmaksas, kamēr lielākiem patērētājiem līdz pat 90% no kopējā elektroenerģijas rēķina sastāda pašas elektroenerģijas izmaksas. Optimizācijas mehānisma mērķi ir piemērojami saimniecībai, lai nodrošinātu lielāko absolūto ekonomisko ieguvumu, kas sagaidāms 10% un vairāk kopējā elektroenerģijas rēķina summas samazinājumā.

STARPNODEVUMA REZULTĀTS // 01.12.2023 - 31.05.2024

Pētījuma pirmajā posmā veiksmīgi realizēti visi plānotie darbi un izdarīti secinājumi, kas ļauj optimistiski lūkoties uz tālākajiem plāniem pētniecības projektā. 

  • Veikta identificēto ierīču darbības tehnisko ierobežojumu izpēte un darbības optimizācijas iespējas, lai samazinātu izmaksas par šo ierīču elektroenerģijas plūsmām atbilstoši projektā uzstādītajiem mērķiem.
  • Īstenots pētniecības process par vispārējiem saimniecību raksturojošiem faktoriem elektroenereģijas plūsmu optimizācijas kontekstā.
  • Identificēta saimniecība, kurā pieejamas vairākas pētniecības vajadzībām atbilstošas integrējamās un vadāmās ierīces, pieejami vēsturiskie patēriņa un ražošanas dati, kā arī pie nepieciešamības ir iespējams uzstādīt un testēt papildus ierīces.
  • Izveidots vadības iekārtas prototips, kas izvietots izvēlētajā saimniecībā.
  • Izpētītas minēto ierīču integrāciju iespējas un to savietojamība tīklā.
  • Pētījuma ietvaros ir izpētītas aktuālās publiski pieejamās datu kopas.
  • Ir izpētītas un apzinātas dažādas laika rindu prognozēšanas metodes un pieejas, gan statistiskās, gan mašīnmācīšanās.
  • Izpētīta teorētiskā daļa saules paneļu ražības notiekšanai, balstoties uz saules radiācijas datiem.
  • Izstrādāta simulācijas vide optimizācijas algoritmu testēšanai. Simulācijas vidē izstrādāta iespēja pievienot dažādas ierīces un ģenerēt pagātnes laika sēriju datus, balstoties uz ierīču tipiem un darbības parametriem, kā arī apskatīt datus lietotāja saskarnē grafiskā un tabulas formātā. 
  • Izstrādāta arī iespēja simulēt ierīču darbību reāllaikā. Izstrādātā arhitektūra un risinājums būs izmantojams arī vadības ierīces programmatūrā.
  • Veiktas iestrādes turpmākam izpētes procesam par sasniedzamajiem mērķiem optimizācijas algoritmiem. Pētīta saimniecības specifikācijas, atsevišķu ierīču un to savstarpējo sinerģiju un potenciālas dalības pārvades sistēmas regulēšanas tirgos ietekme uz optimizācijas procesa mērķiem.

STARPNODEVUMA REZULTĀTS // 01.07.2024 - 30.09.2024

Projekta posmā izstrādāts sistēmas administratīvais panelis sistēmas tehniskai administrēšanai, kā arī ārējām integrācijām. Izstrādāta vadības iekārta efektīvai sistēmā integrēto iekārtu vienotai vadībai.

  1. Veikta izstrāde simulācijas vides papildināšanai, efektīvi simulācijas vidi iekļaujot sistēmas administratīvajā panelī. Sistēma papildināta ar reāllaika datiem un iespēju plānot vadības komandas noteiktā laikā. Pievienotas iekārtu manuālas vadības komandas un iespēja tās konfigurēt no administratīvā paneļa. Papildinātas datu nolasīšanas konfigurācijas iespējas, kā arī ievākto datu un prognožu attēlošana grafiskā un tabulārā formātā. Pievienotas iespējas eksportēt un importēt ievāktos datus.
  2. Izpētītas un notestētas praktiski baterijas invertora, saules paneļu invertora un elektroauto uzlādes stacijas vadības komandas, izmantojot Modbus protokolu. Veikta padziļināta izpēte ierīču vadībā un darbības režīmos efektīvākai vadībai. Ievākti dati par komandu izpildes rezultātiem.
  3. Izveidots serviss periodiskai prognožu ģenerēšanai, kas izmanto izstrādāto prognozēšanas algoritmu un rezultātu ievieto datubāzē kā laika sērijas. Kā ieejas dati izmantoti ievāktās laika sērijas no iekārtām, meteo servisa dati un elektroenerģijas biržas cenas.
  4. Izveidots serviss komandu automātiskai plānošanai no prognozēšanas un optimizācijas algoritmu rezultātiem, kā arī vadības komandas papildinātas ar automātiskām, kas nostrādātu pie konkrētiem laika sēriju datu kritērijiem.
  5. Veikta prototipa vadības iekārtas programmatūras papildināšana ar sagatavotajiem servisiem, rezultātā uz vadības kontroliera izvietota datubāze, administratīvais panelis, datu ievākšanas un komandu izpildes serviss, prognozēšanas serviss, kā arī optimizēta vadības plāna ģenerēšanas serviss.


APPLY SIA īsteno pētniecības projektu Latvijas Atveseļošanas un noturības mehānisma plāna 5.1.r. reformu un investīciju virziena "Produktivitātes paaugstināšana caur investīciju apjoma palielināšanu P&A" 5.1.1.r. reformas "Inovāciju pārvaldība un privāto P&A investīciju motivācija" 5.1.1.2.i. investīcijas "Atbalsta instruments inovāciju klasteru attīstībai" īstenošanas noteikumu kompetences centru ietvaros.

Pētniecības projekta numurs un nosaukums: Nr. 2.4 “Fluorescences multi lāzeru kombinācijas ierosmes sistēmas izpēte augstas veiktspējas mikroskopijas instrumentam un Neironu Tīklu baktēriju kvantizācijas un klasifikācijas moduļa izveide”

Projekts Nr. 5.1.1.2.i.0/1/22/A/CFLA/002

Strādājošs, fizisks mikroskopijas instruments, kas spēj strādāt ar standartizētiem 20x75mm mikroskopijas slaidiem un spēj precīzi saskaitīt kopējo mikroorganismu skaitu noteiktā laukumā un klasificēt baktērijas, kas iezīmētas ar atšķirīgas ierosmes/emisijas fluorescences marķieriem. 

Jaunā sistēma atbildīs tehnoloģiju gatavības līmenim TRL 6: Ir veikta tehnoloģijas validācija laboratorijas vidē: veikta galveno tehnoloģisko komponentu integrācija, lai pārbaudīto to kopdarbību laboratorijas vidē, kā arī testēta uz reāliem paraugiem.

Aktivitātes

  1. Augstas intensitātes lāzeru kombinēšanas teorētiskās izpēte un modelēšana. Uzdevuma izpildei tiks izvērtēti tādi parametri kā multi mode/single mode optiskie kabeļi, dispersijas korekcijas lēcas ievadē un izvadē, stara ekspansijas (beam expander) modelēšana. 
  2. Dihroisko spoguļu sistēmas modelēšana fluorescences signāla ierosmei un nolasīšanai (emissions/excitations) atkarībā no izmantoto fluroescences marķieru parametriem.
  3. Prototipa izveide.
  4. Bioloģisko datu (baktēriju) aprakstīšanas metodoloģijas izstrāde
  5. Bioloģisko datu (baktēriju) aprakstīšanas metodoloģijas izstrāde. Darba izpildei tiks nodrošināta regulāra mikrobioloģisko paraugu sagatavošana un apstrāde, kā arī definēti izstrādātās metodikas pamatkritēriji. 
  6. Bioloģisko (šūnu optisko datu) datu aprakstīšana tālākai neironu tīklu apmācībai.
  7. Neironu Tīklu moduļa apmācība.
  8. Mikroskopijas instrumenta validācija laboratorijā, kas ietver paraugu sagatavošanu, rezultātu salīdzināšanu ar manuālo skaitīšanu tādām baktēriju tīrkultūrām, kā E. coli un Staphylococcus aureus. Rezultātu salīdzināšana, datu apstrāde un ierobežojumu definēšana
  9. Automatizētās uzskaitīšanas sistēmas instrumenta validācija laboratorijā, kas ietver sistēmas fiziskās veiktspējas testēšanu, veiktspējas optimizēšanu un izstrādes atbalstu RTU veicamajiem darbiem.

STARPNODEVUMA REZULTĀTS uz 31/08/2024

Nosaukums "YOLO" nozīmē "You Only Look Once" (Tu Skaties Tikai Vienreiz), tas balstās uz iepriekšējām YOLO arhitektūras iterācijām, iekļaujot jaunākos sasniegumus dziļajā mācīšanās, lai uzlabotu precizitāti un ātrumu. Tā pamatā YOLOv8 izmanto konvolūcijas neironu tīklu (CNN) - mākslīgā neironu tīkla veidu, kas ir īpaši efektīvs vizuālās informācijas analīzē. Šis tīkls tiek apmācīts uz lielām anotētu attēlu datu kopām, mācoties atpazīt dažādu objektu klašu modeļus un iezīmes.

  1. Ir veikta YOLOv8 instanču segmentācijas tīkla apmācība baktēriju lokalizēšanai un saskaitīšanai. Apmācībai izmantoti 42 marķēti attēli, kas ir ļoti neliels paraugu skaits, lai apmācītu dziļās mašīnmācības modeli. Apmācītais modelis nespēj ģeneralizēt uz neredzētiem attēliem, bet tas ir spējīgs noteikt baktērijas uz apmācības datiem, kas lieciena, ka tas varētu iegūt spēju ģeneralizēt, ja tiktu palielināta apmācības datu kopa.
  2. YOLOv8 ir augsti attīstīts datorredzības modelis, ko izstrādājis uzņēmums Ultralytics, kas paredzēts instanču segmentācijas uzdevumam attēlos. Instanču segmentācija ir sarežģīta datorredzības problēma, kas ietver ne tikai objektu noteikšanu un lokalizēšanu attēlā, bet arī precīzu katra atsevišķā objekta instanču robežu iezīmēšanu.

YOLOv8 arhitektūra ir izstrādāta, lai būtu efektīva, ļaujot tai veikt instanču segmentāciju reālajā laikā uz mūsdienu aparatūras. Tas padara to piemērotu lietojumiem, kur būtiska ir ātra vizuālo datu apstrāde.

STARPNODEVUMA REZULTĀTS 01.07.2024.-30.09.2024.

Izveidota praktiskai validācijai laboratorijas vidē gatava iekārta. Aprakstīti dati un apmācīti neironu tīkli.

Izgatavoti un praktiski notestēti:

  • Tube lens (objektīva attēla projekcijai uz kameras sensora)
  • Četru lāzeru kombinācijas modulis
  • Ierosmes vadības kontroles plate, kas dod iespēju sinhronizēt gaismas avotu aktivizāciju ar kameras ekspozīciju
  • Nepieciešamie savienojumi dažādu fizisko elementu savietošanai

Aprakstīti dati un apmācīts neironu tīkls baktēriju lokalizācijai.

Atrisināta sistēmas darbība problemātiskos gadījumos, kad paraugs (mikroorganismus saturošās membrānas) ir nelīdzenas.

Kopumā sistēmas prototips ir izveidots un ir gatavs praktiskai validācijai laboratorijā.



APPLY SIA īsteno pētniecības projektu Meža nozares kompetences centra AF projekta Nr. 2.2.1.3.i.0/1/24/A/CFLA/001 ietvaros, kā "Atbalsts jaunu produktu un pakalpojumu ieviešanai uzņēmējdarbībā." Atbalsts paredzēts komersantu digitālajai transformācijai, tai skaitā mūsdienīgu automatizācijas, robotizācijas un darba kontroles rīku ieviešanai ražotnē, piesaistot privāto līdzfinansējumu inovāciju ieviešanā.

Pētniecības projekta numurs un nosaukums: Digitāla risinājuma un algoritma izstrāde meža vērtības noteikšanai, kas balstīta uz automatizētu mežu audita datu ievākšanu un interpretāciju

Projekts Nr. 2.2.1.3.i.0/1/24/A/CFLA/001

Starpnozaru pētījuma ietvaros paredzēts izveidot divu dažādu nozaru uzņēmumu sadarbību un izstrādāt digitālu risinājumu automatizētai mežu audita datu ievākšanai un to interpretācijai ar mērķi noteikt meža vērtību.

Izstrādātais risinājums meža īpašniekiem ļaus efektīvā veidā iegūt informāciju par sava meža vērtību, iekļaujot informāciju par koku kubatūru, koku sugu klasifikāciju, skaitu un citiem raksturlielumiem.

Pētniecības projekta ietvaros paredzētas gan rūpnieciskā pētījuma, gan eksperimentālās izstrādes aktivitātes:

1.aktivitāte – Tehnoloģijas attīstīšana laboratorijas vidē – 6 mēneši (RP);

2.aktivitāte – Punktu mākoņa rekonstrukcijas un segmentācijas algoritmu izstrāde un pārbaude laboratorijas vidē – 6 mēneši (RP);

3.aktivitāte – Koku sugu klasifikācijas un kubatūras algoritma izstrāde un pārbaude laboratorijas vidē – 3 mēneši (RP);

4.aktivitāte - Lietotāja saskarnes izstrāde – 3 mēneši (EI);

5.aktivitāte – Algoritma gala versijas izstrāde un testēšana reālā darbības vidē – 6 mēneši (EI);

6.aktivitāte – Risinājuma karkasa izstrāde – 3 mēneši (EI).

Projektu paredzēts īstenot 21 mēnešu laikā, laika posmā no 01.10.2024. līdz 30.06.2026.

X

Receive your
FREE STRATEGY SESSION
with our experts here!