ITT - ArtículosInstituto de Investigación y Transferencia en Tecnologíahttp://repositorio.unnoba.edu.ar/xmlui/handle/23601/912026-04-17T23:43:57Z2026-04-17T23:43:57ZDeep Learning-Based Instance Segmentation of Neural Progenitor Cell Nuclei in Fluorescence Microscopy Imageshttp://repositorio.unnoba.edu.ar/xmlui/handle/23601/9052025-02-05T12:08:29Z2024-10-15T00:00:00ZDeep Learning-Based Instance Segmentation of Neural Progenitor Cell Nuclei in Fluorescence Microscopy Images
In this work, a Deep Learning-based machine vision model was devel-
oped for the detection, segmentation and counting of Neural Progenitor Cell nuclei
from fluorescence microscopy images. The cells were obtained from adult mice
and cultivated in vitro, with cellular nuclei labeled using DAPI dye. Convolu-
tional neural networks for instance segmentation, specifically the Mask R-CNN
model with ResNet-50 and ResNet-101 backbones, were trained to recognize the
nuclei, and their results were evaluated. Nuclei labeling was implemented semi-
automatically, applying a Superpixel technique and then refining the segmentations
from a manual process, also using a pre-trained model, which allowed to assem-
ble a dataset of 66 images with 6392 labels in total. The results obtained with the
Resnet-50 backbone show that there is an effectiveness of 98.6% for between the
specialist count and model-predicted count, in addition to having an mAP50 of
98.0%. This approach has the potential to significantly reduce the time and effort
required to analyze large image sets, which is especially useful in studies that
require repetitive and detailed cellular analysis.
2024-10-15T00:00:00ZReconocimiento automático de marcadores biológicos a partir de técnicas de Visión e Inteligencia artificialhttp://repositorio.unnoba.edu.ar/xmlui/handle/23601/9042025-12-04T15:46:36Z2024-04-19T00:00:00ZReconocimiento automático de marcadores biológicos a partir de técnicas de Visión e Inteligencia artificial
En los últimos años, el avance respecto a
la adquisición de grandes cantidades de
imágenes de microscopía, ha hecho
posible que el análisis digital de imágenes
desarrolle herramientas capaces de obtener
información de manera automática. Esta
automatización y digitalización de
procesos ha contribuido significativamente
a reducir tanto los tiempos como los
errores asociados con las técnicas
manuales. El objetivo de la presente
investigación es el diseño de un modelo
basado en visión e inteligencia artificial
que permita automatizar procesos de
laboratorio, con la capacidad de
segmentar y caracterizar automáticamente
marcadores celulares en imágenes de
microscopía. Estos resultados tienen el
objetivo de reducir los tiempos dedicados
al análisis visual de imágenes, generar
información de soporte a la toma de
decisiones y aportar herramientas para el
especialista genetista.
2024-04-19T00:00:00ZComparación de una red LoRaWAN con modelos de propagación en un entorno con vegetación de sojahttp://repositorio.unnoba.edu.ar/xmlui/handle/23601/8812024-11-14T20:59:57Z2024-08-08T00:00:00ZComparación de una red LoRaWAN con modelos de propagación en un entorno con vegetación de soja
Las redes LPWAN son redes inalámbricas de
bajo consumo de energía y largo alcance que se utilizan
principalmente para conectar dispositivos de Internet de las
Cosas (IoT) a internet. En el ámbito agroindustrial, IoT está
transformando el futuro de la industria mediante la
implementación de técnicas de agricultura inteligente o de
precisión y una forma de lograr ésto es mediante la tecnología
LoRa con arquitectura de red LoRaWAN en las prácticas
agrícolas tradicionales. El siguiente trabajo compara las
mediciones de nodos ubicados a diferentes alturas contra un
gateway, con los modelos de pérdidas de propagación, sumado
a varios modelos de propagación con exceso de vegetación, en
una infraestructura de red con tecnología LoRaWAN en un
entorno rural sembrado con soja
2024-08-08T00:00:00ZPlataforma de integración para la evaluación de redes LoRaWANhttp://repositorio.unnoba.edu.ar/xmlui/handle/23601/8802024-11-14T20:13:11Z2022-08-18T00:00:00ZPlataforma de integración para la evaluación de redes LoRaWAN
Los dispositivos IoT que están conectados a
redes LPWAN se caracterizan por tener bajo consumo y costos,
y las aplicaciones que corren no necesitan enviar o recibir gran
volumen de datos. No obstante, dado que el área que abarcan
suele ser extensa y que la tecnología utilizada habitualmente
ocupa bandas no licenciadas, LoRaWAN es una excelente
opción a considerar. El siguiente trabajo evidencia la
importancia de disponer de un dashboard que grafique
diferentes parámetros de la red como son RSSI, SNR o DRx
(xSF/BW) en base a una línea de tiempo, a fin de poder evaluar
y comparar el desempeño de los nodos, observar si en las
ubicaciones de los nodos hay pérdidas significativas de
paquetes, que requieran realizar ajustes necesarios para
mantener una comunicación
2022-08-18T00:00:00Z