来自Ziath Ltd
Ziath报告了人工智能的突破性应用，该技术可以区分样品管架上的空孔和存在管的孔，这些管可能有模糊或渲染不良的条形码。
datammatrix条形码在跟踪和追踪生物和化合物样品方面发挥着关键作用。这些条形码通常被激光蚀刻在样品管的底面上，然后这些管被储存在架子上。使用条形码读取器扫描机架底部并一次性解码所有条形码的管道识别已经识别出正确识别哪个位置有管道以及哪个是“空井”的问题。
环境照明、背景图像噪声、条形码激光和材料质量的变化都会导致传统机器视觉技术的检测困难。为了进一步改进样品跟踪和追踪，下一代试管扫描仪和读取器必须能够真正区分空孔和有试管的孔，这些管可能有模糊或渲染不良的条形码。
来自赫特福德大学的Alexander Beasley博士是一位嵌入式系统设计工程师，在机器学习方面拥有丰富的经验。比斯利博士与Ziath密切合作，使用卷积神经网络(CNN)技术从基于Ziath相机的条形码读取器中提取图像的特征。在这个开发项目中，他采用了CNN的概念，并将其具体应用于datammatrix条形码管架中区分空井和满井。
Ziath在其最新版本的DP5控制软件中实施了新的空井检测功能，使客户能够立即享受到新技术的全部好处。
