Kenar Hesaplama Tabanlı, Mikrodenetleyici Entegreli, Çok Amaçlı ve Düşük Maliyetli Modül Geliştirilmesi: Bakteriyel Koloni Sayımı Örneği

Abstract

Bu çalışma, bakteriyel koloni sayımı ve sınıflandırması için edge-computing temelli, düşük maliyetli ve çok amaçlı bir modül geliştirmeyi amaçlamaktadır. Geleneksel koloni sayım yöntemleri zaman alıcı ve hata payı yüksek olduğundan, özellikle düşük yoğunluklu örneklerde doğruluk ve hassasiyet kaybına yol açar. Bu nedenle, mikrodenetleyici entegrasyonlu ve yapay zeka destekli bir sistem geliştirilmiştir. Çalışmada, Arduino Nano 33 BLE mikrodenetleyici ve 0.3MP OV7675 kamera modülü kullanılmıştır. Görüntü işleme süreçleri, bakteriyel kolonilerin segmentasyonu ve morfolojik işlemlerle daha iyi tanımlanması için Gaussian Blur ile Adaptif eşikleme teknikleri kullanılarak gerçekleştirilmiştir. Kolonilerin etiketlenmesi ve özellik çıkarımı için, alan, çevre ve yoğunluk gibi özellikler analiz edilmiştir. Bakteriyel koloni sayımı ve sınıflandırma işlemleri için Convolutional Neural Networks (CNN) ve Support Vector Machines (SVM) gibi iki farklı yapay zeka algoritması bir arada kullanılmıştır. CNN, görüntülerin doğrudan işlenmesi ve özellik çıkarımı için derin öğrenme tabanlı bir yöntemken, SVM çıkarılan özelliklere dayalı olarak sınıflandırma gerçekleştiren bir makine öğrenimi algoritmasıdır. Bu iki algoritmanın kombinasyonu, bakteriyel koloni analizinde kolaylık sağlamıştır. Geliştirilen sistem, bakteri kolonisi sayılarını ve büyüme hızını zamanla izlemeye olanak tanımaktadır. Bu çalışmanın sonuçları, bakteriyel koloni sayımı ve sınıflandırma süreçlerinde daha hızlı ve izlenebilir sonuçlar elde etmek için mikrodenetleyici entegrasyonlu ve yapay zeka destekli bir sistemin önemini vurgulamaktadır.