CN105651679A

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

Info

Publication number: CN105651679A
Application number: CN201610079372.7A
Authority: CN
Inventors: 冯耀泽; 余伟; 陈伟; 彭宽宽; 穆渴心; 李骏杨
Original assignee: Huazhong Agricultural University
Current assignee: Huazhong Agricultural University
Priority date: 2016-02-04
Filing date: 2016-02-04
Publication date: 2016-06-08

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

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

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：

R_{0} = \frac{R - D}{W - D}

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。

R_{0} = \frac{R - D}{W - D}

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

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；

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：

R_{0} = \frac{R - D}{W - D}

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。