Literatürde şimdiye kadar birçok kan hücre sayım çalışması gerçekleştirilmiştir. Bu çalışmalarda genel olarak, impedans, radyo dalgaları ve ışık yayınımı yöntemlerinden biri kullanılmıştır. Bu çalışmalarda kan hücre tiplerinin tespit edilerek, sayılarının doğru sayılmasında karşılaşılan en önemli dezavantaj hücrelerin üst üste gelmesi ya da yapışık olması durumunda karşılaşılan hatalı hücre tanıma ve sayım sonuçlarının elde edilmesidir. Bu dezavantajları gidermek amacıyla, proje çalışmasında beyaz kan hücrelerinin (akyuvarların), kırmızı kan hücrelerinin ve trombositlerin mikroskop görüntüleri kullanılarak bu kan hücrelerinin otomatik tespiti ve sınıflandırılması yapılmıştır. Burada temel olarak, yapay zeka ve örüntü tanıma tabanlı bir kan sayım sistemi geliştirilmiştir. Bu sistem, donanım ve yazılım olmak üzere iki kısımdan meydana gelmektedir. Donanım kısmı, FPGA işlemci kiti, mikroskop, dijital kamera, servo motor sistemi, kamera ve FPGA işlemci arasındaki bağlantı kablosundan oluşmaktadır. Projenin yazılım kısmında, daha önceden kan hücrelerinin tanınması ve sayılması literatüründe kullanılmamış ve imgenin şekilsel detaylarını ortaya çıkaran ve gerekse piksel yoğunluklarını frekans domeninde en ince ayrıntılarına kadar tespit edip ayırt edici özellikleri ortaya koyan genetik algoritma tabanlı optimum dalgacık dönüşüm enerji ve entropi tekniği (GATODEE) kullanılmıştır. Bu proje çalışmasında önerilen GATODEE yöntemi kullanılarak, bu alanda kullanılan önceki eşikleme, kenar çıkarma, değişmez momentler gibi basit ve ayrıntılara önem vermeyen özellik çıkarım yöntemlerine göre daha iyi tanıma ve sayma başarımı elde edilmiştir. Daha sonra elde edilen bu optimum ayırt edici özellikler, sınıflandırılmak üzere yapay sinir ağları sınıflandırıcısının girişlerine verilmiştir. Bu yazılım işlemlerinin tamamı ise Xilinx System Generator yardımıyla oluşturularak, FPGA işlemcisine yüklenmiştir. Elde edilen sonuçlar, önerilen yöntemin yukarıda sayılan kan hücrelerinin doğru tanınması ve sayılması işleminde etkili sonuçlar verdiğini göstermiştir. Özellikle, üst üste binen veya yapışık durumda olan hücrelerin tanınması ve sayılmasında tekli hücrelerdeki gibi yüksek bir doğruluk oranı tespit edilmiştir. Bu önerilen genetik algoritma tabanlı optimum dalgacık dönüşüm enerji ve entropi tekniğinin ayrıntıları ve kan hücre görüntülerine uygulanmasından elde edilen sonuçlar detaylı bir şekilde bu raporda anlatılmıştır.