CN109214393A - 一种多孔培养板板孔菌群生长情况图像检测方法及系统 - Google Patents
一种多孔培养板板孔菌群生长情况图像检测方法及系统 Download PDFInfo
- Publication number
- CN109214393A CN109214393A CN201810824482.0A CN201810824482A CN109214393A CN 109214393 A CN109214393 A CN 109214393A CN 201810824482 A CN201810824482 A CN 201810824482A CN 109214393 A CN109214393 A CN 109214393A
- Authority
- CN
- China
- Prior art keywords
- image
- hole
- plate
- culture plate
- porous
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本发明公开了一种多孔培养板板孔菌群生长情况图像检测方法及系统,其中图像检测方法包括:采集原始图像;图像预处理;边缘检测;凸包检测并查找出多孔培养板的外围轮廓;找出多孔培养板外围轮廓的最小包围矩形并进行位置矫正;选取多孔培养板的区域;对多孔培养板上的各培养孔进行定位;提取各培养孔的有效位置区域;计算培养孔有效位置区域的颜色特征值;获取多孔培养板板孔菌群的生长情况。本发明针对多孔培养板板孔菌群生长情况的判断提出一种基于机器视觉的图像检测方法,有效地解决了微生物培养菌体检测和筛选过程中,传统方式效率低下、劳动强度大、误操作的各种问题,实现了同时对多孔培养板板孔菌群生长情况的大量快速自动检测。
Description
技术领域
本发明属于微生物自动化培养领域,特别涉及一种多孔培养板板孔菌群生长情况图像检测方法及系统。
背景技术
自然界中微生物的种数估计有10万种,但发现的仅为估计种类的10%~20%,而在人类生产和生活中仅开发利用了已发现微生物种类的1%,绝大多数在现有条件下未能被培养出来。
微生物培养在生物、医药、食品、污水处理等领域具有重要的意义,是微生物学研究、生物制药、食品检测、水质检测等操作过程中最基本最常见的技术手段。微生物的种类繁多且微生物培养的过程十分繁杂,需要多步操作处理且均需人工操作。培养过程中所需要的设备和器材较多,培养周期长,不仅占用了培养箱大量的宝贵空间,还需要操作人员熟练的掌握菌体培养的所有操作步骤和准确的使用各类器材,这也对操作人员提出了很高的要求。因此,现有的微生物培养过程不仅消耗大量的人力、物力和财力,而且培养的效率低,不易长时间工作,无法满足市场对微生物培养的需求,因此微生物的自动化培养的研究具有十分重要的意义。
微生物自动化培养是一种将传统微生物培养的操作步骤流程化、自动化的培养方案。作为一种新型微生物培养方案,有效地解决了传统方式需要在同一个培养箱由一个人完成所有的培养过程中存在的效率低下、劳动强度大、误操作的各种问题。
近些年来,随着智能硬件和软件算法的快速发展,人工智能成了实现设备和操作智能化的重要实现手段,机器视觉是人工智能的重要组成部分,是机器感知外部世界的重要媒介,也是未来机器传感器发展的主流方向。机器视觉使机器设备能够辨识目标物体及确定其位置,从而使机器替代人来完成自动化的生产过程。菌体生长情况判断是实现微生物培养步骤中的重要环节,因此对菌体生长情况的自动检测将会是微生物自动化培养的基础。虽然目前还没有对酶标板菌体生长情况自动检测的相关研究,对于利用机器视觉对酶标板菌体生长情况自动检测也未见报道,但是基于机器视觉的算法已经有了许多积累,利用机器视觉对菌体生长情况的图像检测的判断方法将会是一个重要研究方向。
目前市面上多菌体培养生长情况的检测主要是使用比浊法和比色法。比浊法的主要依据是悬浊液中的颗粒对光线的散射的性质。当一束光线通过悬浊液时,液体中颗粒的大小若小于入射光相应减弱。在一定条件下散射光的程度(或透射光减弱的程度)和悬浊液中颗粒的数量成比例关系,以确定浑浊度和菌体生长情况的关系。比色法一种是人工目测法,另一种是在菌液中加入一些显色试剂,菌体生长到一定情况菌液会发生颜色变化,但是菌体显色试剂并不能反应出所有的菌体的生长情况,也会对有效菌体产生抑制作用。这两种方法也无法满足多孔同时检测的批量的自动化检测。
发明内容
本发明的目的在于,针对现有技术中利用多孔培养板进行微生物培养过程中板孔菌群的生长情况只能人工判断的不足,提供一种多孔培养板板孔菌群生长情况图像检测方法及系统,能够实现多孔培养板板孔菌群生长情况的自动化检测。
为解决上述技术问题,本发明所采用的技术方案是:
一种多孔培养板板孔菌群生长情况图像检测方法,其特点是包括以下步骤:
步骤A.采集多孔培养板的原始图像;
步骤B.对采集的原始图像进行图像预处理;
步骤C.对预处理后的图像进行边缘检测;
步骤D.对边缘检测后的图像进行凸包检测并查找出多孔培养板的外围轮廓;
步骤E.找出多孔培养板外围轮廓的最小包围矩形并进行多孔培养板的位置矫正;
步骤F.在经过位置矫正后的最小包围矩形内选取多孔培养板的区域;
步骤G.在选取的多孔培养板区域内,利用像素尺寸和多孔培养板实际尺寸之间的比例对多孔培养板上的各培养孔进行定位;
步骤H.提取各培养孔的有效位置区域;
步骤I.计算培养孔有效位置区域的颜色特征值;
步骤J.根据步骤I中获得的颜色特征值获取多孔培养板板孔菌群的生长情况。
借由上述方法,本发明实时采集多孔培养板的图像,对目标区域多孔培养板图像进行定位矫正,获得各培养孔的位置,并对各孔位有效位置的颜色特征值进行提取,根据浑浊度的不同获得各孔位菌群生长情况。在培养板培养孔进行菌体培养时,随着菌体的生长及数量的变化,培养液会发生浑浊,颜色会发生改变,因此可以通过提取培养孔区域颜色特征来判断菌群的生长情况,具有良好的准确性、可靠性、高效性和快捷性,为微生物自动化培养奠定了基础。
作为一种优选方式,所述步骤A中,多孔培养板为酶标板,采用酶标板进行微生物菌体的培养。
作为一种优选方式,所述步骤B中,对采集的原始图像依次进行GAMMA图像增强处理、灰度化处理及高斯滤波处理。
作为一种优选方式,所述步骤C中,采用Canny算子对预处理后的图像进行边缘检测。
作为一种优选方式,所述步骤D中,所述凸包为图像轮廓最外层上的点依次连接形成的凸多边形。
所述凸包为图像轮廓最外层上的点依次连接形成的凸多边形,它包含了轮廓点集上的所有点。本发明中,利用凸包检测可以将边缘检测后的图像的外围轮廓连接形成一个封闭的多边形包围区域,利用封闭的多边形可以更加准确的寻找到外围轮廓,排除内部轮廓的干扰。
作为一种优选方式,所述步骤E中,对多孔培养板进行位置矫正是指,旋转最小包围矩形,直至该最小包围矩形的一相对侧边平行于直角坐标系的横轴、另一相对侧边平行于直角坐标系的纵轴。
在菌体培养过程中,培养板可能会出现倾斜放置的情况,这样采集到的原始图像处于偏转的位置,对培养板区域选取时进行旋转矫正,可以提高培养板培养孔定位精度。
作为一种优选方式,所述步骤H中,首先对步骤G中计算出的培养孔圆心坐标设置偏差(Δx,Δy),得到调整后的培养孔圆心坐标;再根据培养孔半径得到各培养孔的有效位置区域。
根据摄像头的成像原理,采集到的图像会使培养板的孔位发生轻微变形,如直接采用实际计算孔位置进行区域颜色提取,会导致实际圆心位置与图像上的孔位不一致,因此这样选取的培养孔颜色判定区域会包含培养孔周围的其他区域,对颜色计算结果造成比较大的误差,所以本发明提出基于实际尺寸计算的圆心坐标给每一个圆心坐标设置一定的偏差Δx和Δy,得到调整后的培养孔圆形选取区域位置坐标,加上合适的半径选取,可以准确的提取各孔位的有效位置,提高颜色提取的精度。
基于同一个发明构思,本发明还提供了一种多孔培养板板孔菌群生长情况图像检测系统,其特点是包括:
图像采集模块:用于采集多孔培养板的原始图像;
图像预处理模块:用于对采集的原始图像进行图像预处理;
第一图像处理模块:用于对预处理后的图像进行边缘检测;
第二图像处理模块:用于对边缘检测后的图像进行凸包检测并查找出多孔培养板的外围轮廓;
第三图像处理模块:用于找出多孔培养板外围轮廓的最小包围矩形并进行多孔培养板的位置矫正;
第四图像处理模块:用于在经过位置矫正后的最小包围矩形内选取多孔培养板的区域;
第五图像处理模块:用于在选取的多孔培养板区域内,利用像素尺寸和多孔培养板实际尺寸之间的比例对多孔培养板上的各培养孔进行定位;
第六图像处理模块:用于提取各培养孔的有效位置区域;
第七图像处理模块:用于计算培养孔有效位置区域的颜色特征值;
判定模块:用于根据培养孔有效位置区域的颜色特征值获取多孔培养板板孔菌群的生长情况。
与现有技术相比,本发明针对多孔培养板板孔菌群生长情况的判断提出一种基于机器视觉的图像检测方法,采用孔位置纠偏方法可以有效地降低孔位区域颜色提取的误差和浑浊度计算,提高检测的准确率;有效地解决了微生物培养菌体检测和筛选过程中,传统方式效率低下、劳动强度大、误操作的各种问题,实现了同时对多孔培养板板孔菌群生长情况的大量快速自动检测,为使用培养箱进行微生物的自动化培养奠定了基础,具有良好的市场应用前景。
附图说明
图1为图像检测方法工作流程图。
图2为图像检测系统结构示意图。
图3为Canny边缘检测后得到的图像。
图4为外围轮廓检测图。
图5为最小包围矩形检测参数示意图。
图6为最小包围矩形图像。
图7为经过位置矫正后的最小包围矩形图像。
图8为96孔酶标板实际尺寸图。
图9为酶标板培养孔圆心定位图。
图10为酶标板培养孔区域选取示意图。
图11为选取酶标板上一个培养孔示意图。
图12为0h采集的酶标板图像。
图13为3h采集的酶标板图像。
图14为12h采集的酶标板图像。
图15为24h采集的酶标板图像。
图16为不同时间段酶标板培养孔菌体V通道颜色分量分布图。
图17为不同时间段酶标板培养孔菌体S通道颜色分量分布图。
图18为不同时间段酶标板培养孔菌体H通道颜色分量分布图。
具体实施方式
如图1所示,多孔培养板板孔菌群生长情况图像检测方法包括以下步骤:
步骤A.采集多孔培养板的原始图像;
步骤B.对采集的原始图像进行图像预处理;
步骤C.对预处理后的图像进行边缘检测;
步骤D.对边缘检测后的图像进行凸包检测并查找出多孔培养板的外围轮廓;
步骤E.找出多孔培养板外围轮廓的最小包围矩形并进行多孔培养板的位置矫正;
步骤F.在经过位置矫正后的最小包围矩形内选取多孔培养板的区域;
步骤G.在选取的多孔培养板区域内,利用像素尺寸和多孔培养板实际尺寸之间的比例对多孔培养板上的各培养孔进行定位;
步骤H.提取各培养孔的有效位置区域;
步骤I.计算培养孔有效位置区域的颜色特征值;
步骤J.根据步骤I中获得的颜色特征值获取多孔培养板板孔菌群的生长情况。
所述步骤A中,多孔培养板为酶标板。
所述步骤B中,对采集的原始图像依次进行GAMMA图像增强处理、灰度化处理及高斯滤波处理。
所述步骤C中,采用Canny算子对预处理后的图像进行边缘检测。
所述步骤D中,所述凸包为图像轮廓最外层上的点依次连接形成的凸多边形。
所述步骤E中,对多孔培养板进行位置矫正是指,旋转最小包围矩形,直至该最小包围矩形的一相对侧边平行于直角坐标系的横轴、另一相对侧边平行于直角坐标系的纵轴。
所述步骤H中,首先对步骤G中计算出的培养孔圆心坐标设置偏差(Δx,Δy),得到调整后的培养孔圆心坐标;再根据培养孔半径得到各培养孔的有效位置区域。
如图2所示,多孔培养板板孔菌群生长情况图像检测系统包括:
图像采集模块:用于采集多孔培养板的原始图像。
图像预处理模块:用于对采集的原始图像进行图像预处理。
第一图像处理模块:用于对预处理后的图像进行边缘检测。
第二图像处理模块:用于对边缘检测后的图像进行凸包检测并查找出多孔培养板的外围轮廓。
第三图像处理模块:用于找出多孔培养板外围轮廓的最小包围矩形并进行多孔培养板的位置矫正。
第四图像处理模块:用于在经过位置矫正后的最小包围矩形内选取多孔培养板的区域。
第五图像处理模块:用于在选取的多孔培养板区域内,利用像素尺寸和多孔培养板实际尺寸之间的比例对多孔培养板上的各培养孔进行定位。
第六图像处理模块:用于提取各培养孔的有效位置区域。
第七图像处理模块:用于计算培养孔有效位置区域的颜色特征值。
判定模块:用于根据培养孔有效位置区域的颜色特征值获取多孔培养板板孔菌群的生长情况。
实施例1
本例采用在酶标板培养孔滴入等量的同种颜色的溶液做实验说明。
1.酶标板目标区域的识别和定位算法实现
酶标板孔菌群生长情况图像检测方法的核心在于对图像采集模块采集到的图像进行酶标板目标区域识别和孔位定位。采集到的原始图像区域范围比较大,也无法准确计算定位酶标板每个培养孔孔位,因此需要识别原图片中的酶标板区域,分割出酶标板区域。对摄像头在某一场景采集到的图像信息会因为环境、采集设备、大小等因素造成如分辨率低、光照不均等。这些因素将会影响着后期图像识别的各个流程。因此对摄像头采集到图像进行识别处理之前,本发明对图像进行了灰度化和高斯滤波的预处理,有助于提高定位和识别正确率。
1.1边缘检测
边缘检测,是用来标记数字图像中亮度变化明显的点,提取出文字的边缘,这也是图像处理和计算机视觉中的基本问题,因此边缘检测在文字识别中也起着很重要的作用。
本发明采用Canny算子进行边缘检测,图像边缘检测剔除了与识别不相关的信息,通过大幅度地减少了数据量来节约识别时间,并保留了图像重要的结构属性,提升了对酶标板外围轮廓检测的效率。Canny边缘检测后得到的图像如图3所示。
1.2酶标板轮廓识别及培养孔定位
1.2.1寻找酶标板外围轮廓
在寻找最外围轮廓之前要进行凸包检测,凸包是几何学中一个常见的图形概念,通俗的来讲就是在二维平面上通过给定的点集数据,将图像轮廓的最外层上的点都连接起来形成一个凸多边形,这就是所谓的凸包,它包含了轮廓点集上的所有点。本发明中利用凸包检测可以将Canny边缘检测的图像的外围边缘轮廓连接成一个封闭的多边形。利用获取到这个封闭的边缘检测图寻找到酶标板的最外围轮廓,剔除外围轮廓内部边缘检测曲线,获得一个只剩下外围轮廓酶标板区域图,如图4所示。
1.2.2酶标板区域选取与矫正
由于最终需求的是准确定位每个孔位区域,故首先要完成的就是在酶标板目标区域的选取。对上述寻找的酶标板外围轮廓图的轮廓曲线是由一个个点连接起来封闭多边形,通过这些点求解一个可以包围外围轮廓点集的最小矩形,获取矩形的四个顶点坐标及width和height,同时计算矩形的width边与水平轴的夹角θ,以此来确定酶标板区域。如θ不等于0,则说明酶标板出现了倾斜,此时通过θ来旋转补偿矫正酶标板的位置再获取酶标板的区域。矫正参数原理图如图5所示,酶标板最小矩形包围如图6所示,倾斜矫正之后的图如图7所示。
1.2.3酶标板培养孔定位
通过获取的最小包围矩形得到的顶点坐标及矩形的width和height即可使用在矫正后的图像上圈定想要处理的酶标板区域。在确定酶标板区域后可以通过像素和实际尺寸的比例关系确定,通过比例可以准确计算定位到每个培养孔的实际圆心位置。酶标板实际尺寸如图8所示。酶标板实际圆心位置如图9所示。
2酶标板培养孔孔区域的颜色特征提取
本发明中的酶标板放在一块均匀的led灯板上,这样酶标板孔受到均匀的光照,由于菌体生长不同时期溶液浑浊情况不同,这样底部透光也将不同,溶液颜色相对直观观察的颜色变化将出现更加明显差别。
2.1图像校正之白平衡算法
由于在不同光线条件下,物体本身的颜色会发生变化,而相对于人眼而言,电子设备自身并不能根据光线的改变进行自我修正,输出的图像可能会出现色彩失真,图像偏红或偏蓝,所以引入了图像的白平衡处理,图像白平衡是针对偏色图像进行校正的主要处理方法。本发明使用基于白点检测的自动白平衡算法实现白平衡处理。
由于酶标板的每一个孔里都培养了一种菌体,这就要求根据酶标板的孔位进行分割,提取出每一个不同的区域进行单独颜色识别,培养孔孔区域采用的掩膜的方法进行区域分割提取。
图像掩膜指的是使用选定的图像、图形或物体,对处理图片的全部或局部进行遮挡,来控制和选取图像处理的区域。掩膜可以帮助我们提取图片中任意形状的区域。具体实现原理是用预先制作的想要截取处理图片形状的掩膜的像素值与待处理图像的像素值进行位与运算,得到特定形状区域的图像,选取区域内图像的像素值保持不变(即保持原有的颜色不变),而区外图像值都为0(即为纯黑色)。
考虑到实际情况中摄像头的成像原理,采集到的图像会使酶标板的孔位发生轻微变形,实际计算圆心位置与图像上的孔位圆心位置会不一致,因此这样直接利用实际圆心位置和孔径大小选取的培养孔颜色判定区域会包含培养孔周围的其他区域,对颜色计算结果造成比较大的误差,所以本实验提出基于实际尺寸计算的圆心坐标给每一个圆心坐标设置一定的偏差,偏差值Δx和Δy通过多次实验计算合理给出,得到调整后的培养孔圆形选取区域圆心坐标
2.3颜色特征值计算
具体到本发明就是要利用酶标板整后的培养孔圆形选取区域圆心坐标和合理半径制作掩膜来提取每一个特定圆孔区域。如图10、11所示。本发明选取的颜色空间是HSV颜色空间,作为颜色提取特征的标准。提取的每个孔位区域保留了原有孔位区域的H、S、V值,每个像素点都对应一个H值、S值、V值,针对本发明是对细菌整体生长情况的筛选,需要对整个区域观察且要求满足自动化的高效率的特点,所以采用提取每个截取圆形区域的HSV平均值AVG_H、AVG_V、AVG_S作为菌体生长情况的判定依据。
采用这两种方案分别在酶标板培养孔中滴入等量同种颜色进行实验,方案一为培养区域不进行圆心位置纠偏和圆半径的合理选取,方案二为进行纠偏的处理。进行多组不同颜色的实验对照,分别计算代表酶标板96个孔位区域的H、V、S颜色分量平均值,96孔位的三个颜色分量平均值的不同颜色的两种方案的实验误差如下表1所示。
表1
实施例2进行菌体实际培养观察
本次菌体培养实验采用了JM09菌株和LB液体培养基,实验开始在无菌酶标板的1~6列加入196ul培养基和4ul菌体,7-12列只加入200ulLB液体培养作为对照观察,将酶标板放在设定温度为36.7摄氏度的恒温培养箱中进行培养观察。使用摄像头每间隔1小时在led灯板上采集一次酶标板板孔菌体的图像信息。由于采集的图片均在光照比较强的白光上采集,对于人眼观察和图像显示容易观察出细微的浑浊度变化带来的颜色改变,故对所采集的图片进行了GAMMA变换,GAMMA变换主要用于图像的校正,将灰度过高或者灰度过低的图片进行修正,增强对比度,这样有助于观察。图12~图15展示了0h,3h,12h,24h采集到的酶标板菌体生长过程图,所示图片经过了gamma图像增强。从不同时期采集到的图片来看,不同时期的菌液的浑浊度不同也带来了明显的的颜色差异,为我们提供了判断依据。
通过对摄像头采集的24h的酶标板图像利用上述实施例1图像检测处理过程,带偏差纠正的酶标板培养孔颜色特征提取方案计算酶标板1-6列菌体培养孔培菌液每个时期的三通道颜色平均值,在MATLAB中对得到的不同时期的HSV三通道颜色平均值进行正弦类函数的曲线拟合,得到不同生长时期颜色变化的曲线。图16~图18分别为不同时期酶标板酶标板培养孔菌体的H、S、V颜色通道平均值分布图。
通过不同时期的三颜色通道分布图可以看出,该菌体不同生长时期浑浊度的不同带来的HSV颜色平均值的变化满足一定的曲线变化规律,也符合菌体繁殖生长所经历的的迟缓期、对数期、稳定期三个时期的变化。能够客观的通过颜色特征值的改变反映培养孔菌体不同生长时期菌体数量的变化,能为菌体生长情况的筛选提供依据。
利用在均匀白光上采集到的酶标板图像,根据上述所截取的培养孔区域的颜色特征值,颜色特征值会和浑浊度成一定比例关系,设定菌体生长情况的判断浑浊度阈值,通过阈值进行自动检测获得酶标板培养孔菌群的生长情况。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是局限性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护范围之内。
Claims (8)
1.一种多孔培养板板孔菌群生长情况图像检测方法,其特征在于,包括以下步骤:
步骤A.采集多孔培养板的原始图像;
步骤B.对采集的原始图像进行图像预处理;
步骤C.对预处理后的图像进行边缘检测;
步骤D.对边缘检测后的图像进行凸包检测并查找出多孔培养板的外围轮廓;
步骤E.找出多孔培养板外围轮廓的最小包围矩形并进行多孔培养板的位置矫正;
步骤F.在经过位置矫正后的最小包围矩形内选取多孔培养板的区域;
步骤G.在选取的多孔培养板区域内,利用像素尺寸和多孔培养板实际尺寸之间的比例对多孔培养板上的各培养孔进行定位;
步骤H.提取各培养孔的有效位置区域;
步骤I.计算培养孔有效位置区域的颜色特征值;
步骤J.根据步骤I中获得的颜色特征值获取多孔培养板板孔菌群的生长情况。
2.如权利要求1所述的多孔培养板板孔菌群生长情况图像检测方法,其特征在于,所述步骤A中,多孔培养板为酶标板。
3.如权利要求1所述的多孔培养板板孔菌群生长情况图像检测方法,其特征在于,所述步骤B中,对采集的原始图像依次进行GAMMA图像增强处理、灰度化处理及高斯滤波处理。
4.如权利要求1所述的多孔培养板板孔菌群生长情况图像检测方法,其特征在于,所述步骤C中,采用Canny算子对预处理后的图像进行边缘检测。
5.如权利要求1所述的多孔培养板板孔菌群生长情况图像检测方法,其特征在于,所述步骤D中,所述凸包为图像轮廓最外层上的点依次连接形成的凸多边形。
6.如权利要求1所述的多孔培养板板孔菌群生长情况图像检测方法,其特征在于,所述步骤E中,对多孔培养板进行位置矫正是指,旋转最小包围矩形,直至该最小包围矩形的一相对侧边平行于直角坐标系的横轴、另一相对侧边平行于直角坐标系的纵轴。
7.如权利要求1所述的多孔培养板板孔菌群生长情况图像检测方法,其特征在于,所述步骤H中,首先对步骤G中计算出的培养孔圆心坐标设置偏差(Δx,Δy),得到调整后的培养孔圆心坐标;再根据培养孔半径得到各培养孔的有效位置区域。
8.一种多孔培养板板孔菌群生长情况图像检测系统,其特征在于,包括:
图像采集模块:用于采集多孔培养板的原始图像;
图像预处理模块:用于对采集的原始图像进行图像预处理;
第一图像处理模块:用于对预处理后的图像进行边缘检测;
第二图像处理模块:用于对边缘检测后的图像进行凸包检测并查找出多孔培养板的外围轮廓;
第三图像处理模块:用于找出多孔培养板外围轮廓的最小包围矩形并进行多孔培养板的位置矫正;
第四图像处理模块:用于在经过位置矫正后的最小包围矩形内选取多孔培养板的区域;
第五图像处理模块:用于在选取的多孔培养板区域内,利用像素尺寸和多孔培养板实际尺寸之间的比例对多孔培养板上的各培养孔进行定位;
第六图像处理模块:用于提取各培养孔的有效位置区域;
第七图像处理模块:用于计算培养孔有效位置区域的颜色特征值;
判定模块:用于根据培养孔有效位置区域的颜色特征值获取多孔培养板板孔菌群的生长情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810824482.0A CN109214393B (zh) | 2018-07-25 | 2018-07-25 | 一种多孔培养板板孔菌群生长情况图像检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810824482.0A CN109214393B (zh) | 2018-07-25 | 2018-07-25 | 一种多孔培养板板孔菌群生长情况图像检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109214393A true CN109214393A (zh) | 2019-01-15 |
CN109214393B CN109214393B (zh) | 2020-12-22 |
Family
ID=64990244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810824482.0A Active CN109214393B (zh) | 2018-07-25 | 2018-07-25 | 一种多孔培养板板孔菌群生长情况图像检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214393B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110701741A (zh) * | 2019-10-10 | 2020-01-17 | 珠海格力电器股份有限公司 | 空调机组调控方法及空调机组 |
CN113933304A (zh) * | 2021-10-25 | 2022-01-14 | 南京航空航天大学苏州研究院 | 基于视觉的金针菇成熟状态检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110285837A1 (en) * | 2010-05-19 | 2011-11-24 | General Electric Company | Methods and systems for identifying well wall boundaries of microplates |
CN104119287A (zh) * | 2013-04-25 | 2014-10-29 | 中国人民解放军第二军医大学 | 异噁唑类新型顶体酶抑制剂及其制备方法 |
CN104463892A (zh) * | 2014-12-24 | 2015-03-25 | 福州大学 | 基于水平集及GVF Snake精确定位的菌落图像分割方法 |
CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
-
2018
- 2018-07-25 CN CN201810824482.0A patent/CN109214393B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110285837A1 (en) * | 2010-05-19 | 2011-11-24 | General Electric Company | Methods and systems for identifying well wall boundaries of microplates |
CN104119287A (zh) * | 2013-04-25 | 2014-10-29 | 中国人民解放军第二军医大学 | 异噁唑类新型顶体酶抑制剂及其制备方法 |
CN104463892A (zh) * | 2014-12-24 | 2015-03-25 | 福州大学 | 基于水平集及GVF Snake精确定位的菌落图像分割方法 |
CN107633253A (zh) * | 2017-10-23 | 2018-01-26 | 江苏鸿信系统集成有限公司 | 基于含噪图像中矩形包围框的精确提取和定位方法 |
Non-Patent Citations (2)
Title |
---|
喻梦婷: ""宫颈细胞的图像分割算法对比及应用"", 《机械工程师》 * |
韩雯晴: ""基于图像处理技术的微生物鉴定系统酶标板正反检测方法研究"", 《生物医学工程学进展》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110701741A (zh) * | 2019-10-10 | 2020-01-17 | 珠海格力电器股份有限公司 | 空调机组调控方法及空调机组 |
CN113933304A (zh) * | 2021-10-25 | 2022-01-14 | 南京航空航天大学苏州研究院 | 基于视觉的金针菇成熟状态检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109214393B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178173B (zh) | 一种目标菌落生长特征识别方法 | |
CN107580715B (zh) | 用于自动计数微生物菌落的方法和系统 | |
CN103080331B (zh) | 微生物检测方法、微生物检测设备和程序 | |
CN110211093A (zh) | 一种用于自动饮水机的出水控制方法 | |
CN102288606B (zh) | 基于机器视觉的花粉活力测定方法 | |
CN108830272A (zh) | 基于rgb-d相机的马铃薯图像采集装置及芽眼识别和定位方法 | |
CN107145890B (zh) | 一种远距离多视角环境下的指针式仪表盘自动读数方法 | |
KR20150096718A (ko) | 이미지 내의 미생물 콜로니를 구분하는 방법 | |
WO2014099644A1 (en) | Method of detecting gas-producing microbial colonies | |
Gao et al. | Study on navigating path recognition for the greenhouse mobile robot based on K-means algorithm | |
CN106683137A (zh) | 基于人工标志的单目多目标识别与定位方法 | |
CN109214393A (zh) | 一种多孔培养板板孔菌群生长情况图像检测方法及系统 | |
CN105865329A (zh) | 基于视觉的成捆圆钢端面中心坐标的获取系统和方法 | |
US20220213523A1 (en) | Methods and systems for automated assessment of antibiotic sensitivity | |
CN105954281A (zh) | 一种稻谷霉变真菌菌落无损识别的方法 | |
CN104197900A (zh) | 一种汽车仪表指针刻度识别方法 | |
CN102663397A (zh) | 一种小麦出苗的自动检测方法 | |
CN108710766A (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
CN110084791B (zh) | 一种基于图像处理的番茄早疫病与晚疫病自动检测方法 | |
CN109948544A (zh) | 一种目标菌落自动定位与识别方法 | |
CN105891420A (zh) | 一种大数据智能分析植物生长状态的方法 | |
CN102288776A (zh) | 玉米植株生长速率测量装置及方法 | |
CN113853607A (zh) | 用于监测菌落的细菌生长和预测菌落生物量的系统和方法 | |
Hu et al. | Image segmentation method for crop nutrient deficiency based on fuzzy c-means clustering algorithm | |
CN110223339A (zh) | 一种基于机器视觉热保护器校准点中心定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |