Original title:
Kvantitativní digitální holografická mikroskopie pomocí strojového učení
Translated title:
Quantitative Digital Holographic Microscopy using machine learning
Authors:
Duša, Martin ; Kolář, Radim (referee) ; Vičar, Tomáš (advisor) Document type: Master’s theses
Year:
2022
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[cze][eng]
Diplomová práce představuje metody strojového učení pro určení parametrů mikro a nano částic ze snímků digitální holografické mikroskopie. V teoretické části jsou přiblíženy principy snímaní hologramu, holografické mikroskopie a podobnost mezi Mie teorií a hologramem. Druhá část teoretické rešerše je věnována metodám strojového učení využitých při určování kvantitativních informací částic. Praktická část se věnuje návrhu postupu pro určení pozice, indexu lomu a poloměru pomocí architektury U-Net implementované v prostředí PyTorch a DeepTrack 2.1. V závěru práce jsou diskutovány výsledky navržených metodik.
This thesis presents machine learning methods for determining the parameters of micro and nano particles from digital holographic microscopy images. In the theoretical part the principles of hologram imaging, holographic microscopy and the similarity between Mie theory and hologram are presented. The second part of the theoretical review is devoted to machine learning methods used in determining the quantitative information of particles. The practical part is focused on the design of a procedure for determining the position, refractive index and radius using the U-Net architecture implemented in PyTorch and DeepTrack 2.1. The results of the proposed methodologies are discussed at the end of the paper.
Keywords:
DeepTrack; DHM; Hologram; Mie Theory; PyTorch; U-Net; DeepTrack; DHM; Hologram; Mie teorie; PyTorch; U-Net
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/204929