CN105651679A - 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 - Google Patents
一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 Download PDFInfo
- Publication number
- CN105651679A CN105651679A CN201610079372.7A CN201610079372A CN105651679A CN 105651679 A CN105651679 A CN 105651679A CN 201610079372 A CN201610079372 A CN 201610079372A CN 105651679 A CN105651679 A CN 105651679A
- Authority
- CN
- China
- Prior art keywords
- culture medium
- image
- bacterial clump
- carried out
- bacterial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001580 bacterial effect Effects 0.000 title claims abstract description 54
- 239000001963 growth medium Substances 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000000701 chemical imaging Methods 0.000 title abstract 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000001228 spectrum Methods 0.000 claims description 33
- 230000000844 anti-bacterial effect Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 16
- 238000004611 spectroscopical analysis Methods 0.000 claims description 9
- 241000588724 Escherichia coli Species 0.000 claims description 6
- 241000186781 Listeria Species 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000002860 competitive effect Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 241000191967 Staphylococcus aureus Species 0.000 claims description 3
- 241000894007 species Species 0.000 claims description 3
- 238000012258 culturing Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 241001624918 unidentified bacterium Species 0.000 claims description 2
- 241000894006 Bacteria Species 0.000 abstract description 10
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 238000010187 selection method Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 7
- 244000052616 bacterial pathogen Species 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229920001817 Agar Polymers 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 239000008272 agar Substances 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000011081 inoculation Methods 0.000 description 2
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 241000589876 Campylobacter Species 0.000 description 1
- 238000002965 ELISA Methods 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 108010090804 Streptavidin Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- UHYPYGJEEGLRJD-UHFFFAOYSA-N cadmium(2+);selenium(2-) Chemical compound [Se-2].[Cd+2] UHYPYGJEEGLRJD-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 238000003752 polymerase chain reaction Methods 0.000 description 1
- 239000006041 probiotic Substances 0.000 description 1
- 235000018291 probiotics Nutrition 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 235000014347 soups Nutrition 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1022—Measurement of deformation of individual particles by non-optical means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N2015/1028—Sorting particles
Landscapes
- Chemical & Material Sciences (AREA)
- Dispersion Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种对培养基上的细菌菌落进行快速分类的方法,利用高光谱成像系统采集培养基上细菌菌落的反射图像,该图像包含细菌菌落的光谱信息和图像信息,将高光谱反射图像经黑白文件校正后得到校正图像,运用图像处理技术对校正图像进行处理以获得原始高光谱图像的掩膜图像,利用掩膜图像中细菌菌落所在的位置提取每个细菌菌落的光谱数据信息,建立基于细菌类别和光谱数据信息的全波长线性预测模型,并运用该模型实现对未知细菌样本的种类预测。此外,本发明还运用多种波长选择方法对特征波长进行优选并建立对应简化模型,该简化模型也能对未知细菌样本种类进行预测。本发明实现了对培养基上细菌菌落高精度、快速、无损的识别检测和分类。
Description
技术领域
本发明涉及一种针对培养基上的细菌菌落进行快速分类的方法,尤其是指基于高光谱成像技术对培养基上的大肠杆菌、李斯特菌和金黄色葡萄球菌菌落进行快速分类的方法。
背景技术
细菌在环境中的普遍存在性决定了其在人类生活中所起的重要作用。其中,有益菌能够促进人类健康,而致病菌则会导致食源性疾病等不良影响的发生,特别的,致病菌不仅会威胁人类自身健康,也会因为对问题食品的召回和销毁导致社会资源的浪费。若致病菌被恐怖分子所利用,亦会诱发社会的不安因素。因此,对细菌的检测和识别具有极其重要的作用。
随着科学的发展,基于聚合酶链式反应、酶联免疫吸附、生物传感器的细菌检测方法有了突飞猛进的发展。何佳芮等人建立了以微珠为基础的集成型微流控芯片对细菌病原体的快速检测平台,该平台对微珠的捕获率达到了85.17~91.8%。黄爱华等人建立了链酶亲和素修饰的CdSe/ZnS量子点标记的基因芯片检测平台对食源性致病细菌进行鉴定,其鉴定结果与常规方法鉴定的结果一致性达到了100%。然而,虽然上述几种方法细菌分类准确率非常高,但其大多耗时、耗力且需要专业人员进行复杂繁琐的实验操作,远远不能满足现代细菌分类检测的需求。
高光谱技术集光谱技术和图像技术于一身,可以实现物料的快速、无损检测,其在细菌菌落快速识别和检测中具有广阔的应用前景。YoonS.C.等人运用高光谱成像技术对培养基上的弯曲杆菌和非弯曲杆菌进行分类,利用波段比算法对细菌进行分类,分类准确率达到了97~99%。此外,YoonS.C.等人还运用高光谱技术对6种非O157型大肠杆菌进行分类,在像素水平上对细菌的分类准确率达到了95%,在菌落水平上对细菌的分类准确率达到了97%。然而,将高光谱成像技术运用于细菌菌落分类检测在国内鲜见报道。
发明内容
针对背景技术中的问题,本发明采用高光谱成像技术对培养基上细菌菌落进行快速分类,为细菌识别分类提供一种快捷的、简便的、高精度的检测方法。此外,本发明利用竞争性自适应重加权算法(CARS)、遗传算法(GA)和最小角回归算法(LARS-Lasso)三种波长选择方法对波长进行优选,以实现简化模型的客观性、高效性和精确性。
为解决上述技术问题,本发明提供了一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,所述方法包括如下步骤:
S1.进行细菌培养,获得细菌菌落培养基;
S2.采集培养基上细菌菌落的高光谱图像,并对原始图像进行黑白文件校正处理;
S3.利用图像处理技术获取校正图像的掩膜图像,并提取细菌菌落的光谱数据信息;
S4.建立基于细菌类别和细菌光谱数据信息的全波长线性预测模型;
S5.运用多种波长选择方法进行特征波长优选并建立相应简化模型;
S6.利用上述全波长预测模型和简化模型分别对未知细菌样本进行预测。
优选地,在步骤S1中,所述的细菌菌落培养基为大肠杆菌培养基、李斯特菌培养基和金黄色葡萄球菌培养基。
优选地,在步骤S2中,所述高光谱图像为高光谱反射图像。
优选地,在步骤S2中,利用如下公式对原始图像进行黑白文件校正处理:
其中,R0为校正图像,R为原始图像,W为白板,D是黑板。
优选地,在步骤S3中,利用大津阈值分割法对校正图像进行二值分割以得到掩膜图像,并利用掩膜图像中细菌菌落所在的位置定位校正高光谱图像中细菌菌落所在的位置,从而提取出每个细菌菌落的光谱数据信息。
优选地,在步骤S3中,提取光谱数据信息时对原始光谱图像进行了均值滤波。
优选地,在步骤S4中,全波长线性预测模型为偏最小二乘判别模型。
优选地,在步骤S5中,运用的多种波长选择方法为竞争性自适应重加权算法(CARS)、遗传算法(GA)和最小角回归算法(LARS-Lasso)。
优选地,在步骤S5中,所述简化模型为以所选特征波长为自变量,以细菌种类为因变量的偏最小二乘判别模型。
优选地,在步骤S6中,全波长预测模型及简化模型对未知细菌预测性能好坏的评价指标为决定系数、均方根误差、潜变量数、优选波长数、校正准确率、预测准确率和置信预测准确率。
本发明的有益效果是:
本发明利用高光谱成像技术对培养基上的细菌菌落进行分类,在建立全波长模型的基础上,应用多种波长选择方法进行特征波长优选并建立基于这些特征波长的简化模型。利用全波长模型及简化模型预测未知细菌的种类,从而建立培养基上细菌菌落快速分类的无损检测方法。此外,简化模型中优选的特征波长可以为开发低成本检测仪器提供理论依据。
附图说明
图1是培养基上细菌菌落分类预测模型构建流程图;
图2是校正图像的掩膜图像;
图3是三类细菌的所有光谱;
图4是CARS简化模型构建所选择的波长;
图5是CARS简化模型选择的潜变量数;
图6是CARS简化模型对预测样本预测的结果。
具体实施方式
下面结合具体实施例对本发明予以详细说明。
将低温储存在甘油中的三种细菌划线接种于胰蛋白胨大豆琼脂平板上,并于37℃活化培养22-24h。挑取形态较好的单菌落接种于3ml胰蛋白大豆肉汤中于37℃培养18-20h。取0.1ml菌液接种于培养皿中,加入10~15mlTSA(45±0.5℃)使菌液均匀分布,待琼脂凝固后将平板倒置并于36±1℃条件下培养24h,获得三种细菌菌落的培养基。
在图1培养基上细菌菌落分类预测模型构建流程图中,在获得细菌菌落培养基后,利用高光谱成像系统采集培养基上细菌菌落的高光谱图像数据,该系统波长扫描范围为390~1040nm,曝光时间为100ms,移动平台的移动速度为2mm/s。
依如下计算公式对采集的高光谱图像进行黑白文件校正,获取样本的反射图像。
其中,R0为校正图像,R为原始图像,W为白板,D为黑板。
通过波段减法得到细菌菌落和背景培养基差别明显的灰度图像,在此基础上运用大津阈值分割法将灰度图像二值化,得到原始图像的掩膜图像(图2)。通过掩膜图像中细菌菌落所在位置提取原始图像中细菌菌落的光谱数据信息,如图3所示即为三种细菌菌落的所有光谱。并将所有光谱分为校正集和预测集两部分,样本组成如表1所示。其中,校正集用来建立模型,预测集则用来检验模型性能。
表1校正集和预测集样本
数据集 | 大肠杆菌 | 李斯特菌 | 金黄色葡萄球菌 | 总数 |
校正集 | 35 | 30 | 35 | 110 |
预测集 | 25 | 10 | 14 | 49 |
总数 | 70 | 40 | 49 | 159 |
建立基于细菌种类和细菌光谱的全波长偏最小二乘判别模型,并检验全波长模型对预测样本预测的准确率。
利用竞争性自适应重加权算法(CARS)、遗传算法(GA)和最小角回归算法(LARS-Lasso)三种波长选择方法对特征波长进行优选并建立对应简化模型,利用预测集检验简化模型的性能。
全波长模型及简化模型对预测集样本预测的准确率及其他性能如表2所示。
表2基于不同波长选择方法的简化模型性能
从表2可知,全波长模型和简化模型对细菌分类的校正准确率和预测准确率均达到了100%,说明全波长模型和简化模型均能对样本进行很好的预测,但是在置信预测准确率上其差别却较大。比较可知,CARS简化模型的性能比GA和LARS-Lasso简化模型好,且在模型精度和简单度方面略优于全波长模型。
CARS简化模型对预测集样本的校正和预测结果:
图4为建立CARS简化模型所用的30个波段,他们分别为415,444,446,453,454,462,464,472,542,551,567,568,570,571,572,575,601,602,603,605,606,607,610,611,625,631,698,744,864,872nm。
图5表明在潜变量数取6时,模型剩余残差平方和最小,此时对应最优模型。
图6是预测分类结果图,从图中可以看出,虽然该模型对预测样本的预测准确率达到了100%,但第16个样本(大肠杆菌)的预测置信区间超出了大肠杆菌的类别区间,即该细菌虽然被正确分类,但其可信度并不是100%。经计算,预测集样本置信预测准确率为97.96%,具有较好的可信分类准确度。
由上可见,利用高光谱成像技术能实现培养基上细菌菌落快速准确的分类。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,包含以下步骤:
S1.进行细菌培养,获得细菌菌落培养基;
S2.采集培养基上细菌菌落的高光谱图像,并对原始图像进行黑白文件校正处理;
S3.利用图像处理技术获取校正图像的掩膜图像,并提取细菌菌落的光谱数据信息;
S4.建立基于细菌类别和细菌光谱数据信息的全波长线性预测模型;
S5.运用多种波长选择方法进行特征波长优选并建立相应简化模型;
S6.利用上述全波长预测模型和简化模型分别对未知细菌样本进行预测。
2.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S1中,所述的细菌菌落培养基为大肠杆菌培养基、李斯特菌培养基和金黄色葡萄球菌培养基。
3.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S2中,所述高光谱图像为高光谱反射图像。
4.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S2中,利用如下公式对原始图像进行黑白文件校正处理:
其中,R0为校正图像,R为原始图像,W为白板,D是黑板。
5.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S3中,利用大津阈值分割法对校正图像进行二值分割以得到掩膜图形,并利用掩膜图像中细菌菌落所在的位置定位校正高光谱图像中细菌菌落所在的位置,从而提取出每个细菌菌落的光谱数据信息。
6.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S3中,提取光谱数据信息时对原始光谱进行了均值滤波。
7.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S4中,全波长线性预测模型为偏最小二乘判别模型。
8.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S5中,运用的多种波长选择方法为竞争性自适应重加权算法、遗传算法和最小角回归算法。
9.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S5中,所述简化模型为以所选特征波长为自变量,以细菌种类为因变量的偏最小二乘判别模型。
10.如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法,其特征在于,在步骤S6中,全波长预测模型及简化模型对未知细菌菌落预测性能好坏的评价指标为决定系数、均方根误差、潜变量数、优选波长数、校正准确率、预测准确率和置信预测准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610079372.7A CN105651679A (zh) | 2016-02-04 | 2016-02-04 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610079372.7A CN105651679A (zh) | 2016-02-04 | 2016-02-04 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105651679A true CN105651679A (zh) | 2016-06-08 |
Family
ID=56489349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610079372.7A Pending CN105651679A (zh) | 2016-02-04 | 2016-02-04 | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105651679A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843593A (zh) * | 2017-10-13 | 2018-03-27 | 上海工程技术大学 | 一种基于高光谱成像技术的纺织品材料识别方法及系统 |
CN108982406A (zh) * | 2018-07-06 | 2018-12-11 | 浙江大学 | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 |
CN109060674A (zh) * | 2018-08-24 | 2018-12-21 | 张晓焦 | 微生物识别方法 |
CN109187385A (zh) * | 2018-08-22 | 2019-01-11 | 河南科技大学 | 一种高光谱成像鉴定微生物的方法 |
CN111492065A (zh) * | 2017-12-21 | 2020-08-04 | 生物梅里埃公司 | 一种鉴别细菌革兰氏类型的系统和方法 |
CN114252318A (zh) * | 2021-12-27 | 2022-03-29 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
CN114255205A (zh) * | 2020-09-10 | 2022-03-29 | 合同会社予幸集团中央研究所 | 菌种鉴定支援方法、多菌落学习模型的生成方法、菌种鉴定支援装置和程序产品 |
CN115747036A (zh) * | 2023-01-05 | 2023-03-07 | 中国人民解放军空军特色医学中心 | 一种寻找和筛选可被菌群强吸收的激光波长的方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2237189A2 (en) * | 2005-01-27 | 2010-10-06 | Cambridge Research & Instrumentation, Inc. | Classifying image features |
WO2012063241A1 (en) * | 2010-11-11 | 2012-05-18 | Avi Buzaglo Yoresh | System and method for detection of minefields |
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
CN103398994A (zh) * | 2013-07-22 | 2013-11-20 | 华南理工大学 | 一种基于高光谱的食源性致病菌检测系统及方法 |
CN104237235A (zh) * | 2014-09-15 | 2014-12-24 | 江苏大学 | 基于近红外成像技术的食源性致病菌的快速检测方法 |
CN104297136A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 |
CN105158186A (zh) * | 2015-09-17 | 2015-12-16 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
CN105158175A (zh) * | 2015-09-01 | 2015-12-16 | 中国科学院合肥物质科学研究院 | 一种采用透射光谱鉴别水中细菌的方法 |
WO2015193885A2 (en) * | 2014-06-15 | 2015-12-23 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center). | Method for huanglongbing (hlb) detection |
-
2016
- 2016-02-04 CN CN201610079372.7A patent/CN105651679A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2237189A2 (en) * | 2005-01-27 | 2010-10-06 | Cambridge Research & Instrumentation, Inc. | Classifying image features |
WO2012063241A1 (en) * | 2010-11-11 | 2012-05-18 | Avi Buzaglo Yoresh | System and method for detection of minefields |
CN102628794A (zh) * | 2012-04-19 | 2012-08-08 | 江苏大学 | 一种基于高光谱成像技术的畜肉细菌总数快速测定方法 |
CN103398994A (zh) * | 2013-07-22 | 2013-11-20 | 华南理工大学 | 一种基于高光谱的食源性致病菌检测系统及方法 |
WO2015193885A2 (en) * | 2014-06-15 | 2015-12-23 | The State Of Israel, Ministry Of Agriculture & Rural Development, Agricultural Research Organization (Aro) (Volcani Center). | Method for huanglongbing (hlb) detection |
CN104237235A (zh) * | 2014-09-15 | 2014-12-24 | 江苏大学 | 基于近红外成像技术的食源性致病菌的快速检测方法 |
CN104297136A (zh) * | 2014-10-28 | 2015-01-21 | 南京农业大学 | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 |
CN105158175A (zh) * | 2015-09-01 | 2015-12-16 | 中国科学院合肥物质科学研究院 | 一种采用透射光谱鉴别水中细菌的方法 |
CN105158186A (zh) * | 2015-09-17 | 2015-12-16 | 南京农业大学 | 一种基于高光谱图像对白萝卜黑心检测的方法 |
Non-Patent Citations (2)
Title |
---|
YOON S. C. 等: ""Differentiation of big-six non-O157 Shiga-toxin producing Escherichia coli (STEC) on spread plates of mixed cultures using hyperspectral imaging"", 《JOURNAL OF FOOD MEASUREMENT AND CHARACTERIZATION》 * |
郑彩英: ""基于高光谱成像技术的冷却羊肉表面微生物活细胞数量无损检测方法研究"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843593A (zh) * | 2017-10-13 | 2018-03-27 | 上海工程技术大学 | 一种基于高光谱成像技术的纺织品材料识别方法及系统 |
CN111492065A (zh) * | 2017-12-21 | 2020-08-04 | 生物梅里埃公司 | 一种鉴别细菌革兰氏类型的系统和方法 |
US12006529B2 (en) | 2017-12-21 | 2024-06-11 | Biomerieux | Method and system for identifying the gram type of a bacterium |
CN108982406A (zh) * | 2018-07-06 | 2018-12-11 | 浙江大学 | 一种基于算法融合的土壤氮素近红外光谱特征波段选取方法 |
CN109187385A (zh) * | 2018-08-22 | 2019-01-11 | 河南科技大学 | 一种高光谱成像鉴定微生物的方法 |
CN109187385B (zh) * | 2018-08-22 | 2022-03-04 | 河南科技大学 | 一种高光谱成像鉴定微生物的方法 |
CN109060674A (zh) * | 2018-08-24 | 2018-12-21 | 张晓焦 | 微生物识别方法 |
CN114255205A (zh) * | 2020-09-10 | 2022-03-29 | 合同会社予幸集团中央研究所 | 菌种鉴定支援方法、多菌落学习模型的生成方法、菌种鉴定支援装置和程序产品 |
CN114252318A (zh) * | 2021-12-27 | 2022-03-29 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
CN114252318B (zh) * | 2021-12-27 | 2023-11-17 | 浙江大学 | 一种鸡肉中金黄色葡萄球菌的检测方法及系统 |
CN115747036A (zh) * | 2023-01-05 | 2023-03-07 | 中国人民解放军空军特色医学中心 | 一种寻找和筛选可被菌群强吸收的激光波长的方法和装置 |
CN115747036B (zh) * | 2023-01-05 | 2023-05-02 | 中国人民解放军空军特色医学中心 | 一种寻找和筛选可被菌群强吸收的激光波长的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105651679A (zh) | 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法 | |
Li et al. | Comparative review and the recent progress in detection technologies of meat product adulteration | |
CN104297165B (zh) | 一种基于高光谱图像对腐败真菌生长预测的方法 | |
Yoon et al. | Detection of Campylobacter colonies using hyperspectral imaging | |
Shi et al. | Noise-free microbial colony counting method based on hyperspectral features of agar plates | |
CN104316473A (zh) | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 | |
US20080102487A1 (en) | Method and apparatus for non-invasive rapid fungal specie (mold) identification having hyperspectral imagery | |
Sabzi et al. | Segmentation of apples in aerial images under sixteen different lighting conditions using color and texture for optimal irrigation | |
Dong et al. | Prediction of infertile chicken eggs before hatching by the Naïve-Bayes method combined with visible near infrared transmission spectroscopy | |
CN109765196A (zh) | 一种大西洋鲑鱼与虹鳟鱼的快速鉴别方法 | |
CN104237235A (zh) | 基于近红外成像技术的食源性致病菌的快速检测方法 | |
CN104297136B (zh) | 一种基于高光谱图像对铜绿假单胞杆菌生长预测的方法 | |
Almoujahed et al. | Detection of fusarium head blight in wheat under field conditions using a hyperspectral camera and machine learning | |
Devi et al. | Web enabled paddy disease detection using Compressed Sensing | |
CN111492065A (zh) | 一种鉴别细菌革兰氏类型的系统和方法 | |
Kamal et al. | Comparison of Google Earth Engine (GEE)-based machine learning classifiers for mangrove mapping | |
CN111492064A (zh) | 一种鉴别酵母或细菌的方法 | |
AbuHassan et al. | Automatic diagnosis of tuberculosis disease based on Plasmonic ELISA and color-based image classification | |
Ke et al. | Identifying patch-level MSI from histological images of colorectal cancer by a knowledge distillation model | |
Meenakshi et al. | Soil health analysis and fertilizer prediction for crop image identification by Inception-V3 and random forest | |
Ma et al. | Differentiation of fecal Escherichia coli from human, livestock, and poultry sources by rep-PCR DNA fingerprinting on the shellfish culture area of East China Sea | |
CN105203467B (zh) | 一种通用无损的真菌的生长拟合方法 | |
Cum et al. | Machine learning models comparison for water stress detection based on stem electrical impedance measurements | |
Xu et al. | A Band Math-ROC operation for early differentiation between sclerotinia sclerotiorum and botrytis cinerea in oilseed rape | |
S Subramani et al. | Classification learning assisted biosensor data analysis for preemptive plant disease detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160608 |
|
RJ01 | Rejection of invention patent application after publication |