CN111402235A - 菌落图像的生长记录方法、装置、电子设备及存储介质 - Google Patents

菌落图像的生长记录方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111402235A
CN111402235A CN202010183782.2A CN202010183782A CN111402235A CN 111402235 A CN111402235 A CN 111402235A CN 202010183782 A CN202010183782 A CN 202010183782A CN 111402235 A CN111402235 A CN 111402235A
Authority
CN
China
Prior art keywords
colony
image
growth
detection information
neural network
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
Application number
CN202010183782.2A
Other languages
English (en)
Other versions
CN111402235B (zh
Inventor
厉刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Junlikang Biotechnology Co ltd
Original Assignee
Beijing Junlikang Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Junlikang Biotechnology Co ltd filed Critical Beijing Junlikang Biotechnology Co ltd
Priority to CN202010183782.2A priority Critical patent/CN111402235B/zh
Publication of CN111402235A publication Critical patent/CN111402235A/zh
Application granted granted Critical
Publication of CN111402235B publication Critical patent/CN111402235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种菌落图像的生长记录方法、装置、电子设备及存储介质，方法包括：在菌落的生长过程中，根据预设周期采集当前的第一菌落图像；根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息；获取上一次记录的第二菌落图像对应的第二检测信息；若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。通过目标神经网络模型进行菌落检测，能够准确检测到所有生长中的菌落，以对菌落的生长进行准确地记录；同时通过与上一次记录的菌落图像的检测信息进行对比后记录，能够大大节省人力成本和存储空间。

Description

菌落图像的生长记录方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种菌落图像的生长记录方法、装置、电子设备及存储介质。
背景技术
食品、药品、化妆品以及饲料等微生物检验中，涉及菌落总数、大肠菌群、大肠杆菌、乳酸菌等项目，在统计结果时均需进行大量的菌落分析和计数。菌落是指将细菌接种在固体培养基表面培养后，培养基表面长出的肉眼可见单个的细菌集团。对目标采样后生成的菌落数量进行计数，是相关领域内一项基本而重要的工作。菌落图像是指菌落在培养基上培养后，用工业相机对菌落拍摄形成的图像，以便于对菌落目标信息进行统计分析。
由于菌落的生长较为缓慢，同时需要不断地监测，以得到理想的菌落。但是菌落的生长受多种因素影响，现有技术采用人为经验进行判断，人力成本较高，且由于肉眼的限制，无法对菌落的生长进行准确地记录。
发明内容
由于现有方法存在上述问题，本发明实施例提出一种菌落图像的生长记录方法、装置、电子设备及存储介质。
第一方面，本发明实施例提出一种菌落图像的生长记录方法，包括：
在菌落的生长过程中，根据预设周期采集当前的第一菌落图像；
根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息；
获取上一次记录的第二菌落图像对应的第二检测信息；
若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。
可选地，所述根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息，具体包括：
将所述第一菌落图像输入目标神经网络模型，得到所述目标神经网络模型输出的所述第一菌落图像中各菌落的第一检测信息；
其中，所述目标神经网络模型根据菌落图像预测虚拟样本和菌落图像实际样本训练得到。
可选地，所述目标神经网络模型的训练过程具体包括：
获取生成式对抗网络输出的菌落生长图像，并将各菌落生长图像确定为菌落图像预测虚拟样本；
获取各菌落生长图像对应的菌落原始图像，并将各菌落原始图像确定为菌落图像实际样本；
根据预设的时间间隔对采集到的菌落图像实际样本进行目标检测，并根据目标记录方式对检测到的目标图像进行记录，得到菌落图像检测样本；
将各组菌落图像预测虚拟样本和对应的菌落图像检测样本输入神经网络模型进行训练；
根据所述标定参数对神经网络模型的各层特征进行融合判断，若判断当前的层特征满足预设条件，则完成所述神经网络模型的训练，得到所述目标神经网络模型。
可选地，所述若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息，具体包括：
根据改进后的随机抽样一致RANSAC算法对所述第一检测信息和所述第二检测信息进行匹配，得到映射矩阵；
若根据所述映射矩阵确定所述第一菌落图像中存在菌落半径的增长大于预设值的菌落，则记录所述第一菌落图像和所述第一检测信息。
可选地，检测信息包括菌落位置、菌落半径和以下至少一项：菌落成长速度、菌落颜色、菌落荧光、周围菌落的类别、培养环境温度、培养环境湿度和培养环境光照条件。
第二方面，本发明实施例还提出一种菌落图像的生长记录装置，包括：
图像采集模块，用于在菌落的生长过程中，根据预设周期采集当前的第一菌落图像；
菌落检测模块，用于根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息；
信息获取模块，用于获取上一次记录的第二菌落图像对应的第二检测信息；
信息记录模块，用于若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。
可选地，所述菌落检测模块具体用于：
将所述第一菌落图像输入目标神经网络模型，得到所述目标神经网络模型输出的所述第一菌落图像中各菌落的第一检测信息；
其中，所述目标神经网络模型根据菌落图像预测虚拟样本和菌落图像实际样本训练得到。
可选地，所述目标神经网络模型的训练过程具体包括：
获取生成式对抗网络输出的菌落生长图像，并将各菌落生长图像确定为菌落图像预测虚拟样本；
获取各菌落生长图像对应的菌落原始图像，并将各菌落原始图像确定为菌落图像实际样本；
根据预设的时间间隔对采集到的菌落图像实际样本进行目标检测，并根据目标记录方式对检测到的目标图像进行记录，得到菌落图像检测样本；
将各组菌落图像预测虚拟样本和对应的菌落图像检测样本输入神经网络模型进行训练；
根据所述标定参数对神经网络模型的各层特征进行融合判断，若判断当前的层特征满足预设条件，则完成所述神经网络模型的训练，得到所述目标神经网络模型。
可选地，所述信息记录模块具体用于：
根据改进后的随机抽样一致RANSAC算法对所述第一检测信息和所述第二检测信息进行匹配，得到映射矩阵；
若根据所述映射矩阵确定所述第一菌落图像中存在菌落半径的增长大于预设值的菌落，则记录所述第一菌落图像和所述第一检测信息。
可选地，检测信息包括菌落位置、菌落半径和以下至少一项：菌落成长速度、菌落颜色、菌落荧光、周围菌落的类别、培养环境温度、培养环境湿度和培养环境光照条件。
第三方面，本发明实施例还提出一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。
第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述方法。
由上述技术方案可知，本发明实施例通过目标神经网络模型进行菌落检测，能够准确检测到所有生长中的菌落，以对菌落的生长进行准确地记录；同时通过与上一次记录的菌落图像的检测信息进行对比后记录，能够大大节省人力成本和存储空间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种菌落图像的生长记录方法的流程示意图；
图2为本发明一实施例提供的一种菌落图像的生长记录装置的结构示意图；
图3为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种菌落图像的生长记录方法的流程示意图，包括：
S101、在菌落的生长过程中，根据预设周期采集当前的第一菌落图像。
其中，所述预设周期为根据菌落生长的历史数据预先确定的记录周期。在每个预设周期内，采集一次菌落图像进行判断，满足条件后才进行记录。
所述第一菌落图像为当前预设周期采集的菌落图像。
S102、根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息。
其中，所述目标神经网络模型根据菌落图像预测虚拟样本和菌落图像实际样本训练得到，用于对输入的菌落图像进行检测，得到菌落图像中各菌落的检测信息，例如各菌落的半径、位置等。
所述第一检测信息为对第一菌落图像进行检测得到的检测信息。
S103、获取上一次记录的第二菌落图像对应的第二检测信息。
其中，所述第二菌落图像为上一次记录的菌落图像；
所述第二检测信息为对第二菌落图像进行检测得到的检测信息。
S104、若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。
其中，检测信息包括菌落位置、菌落半径和以下至少一项：菌落成长速度、菌落颜色、菌落荧光、周围菌落的类别、培养环境温度、培养环境湿度和培养环境光照条件。
所述预设条件根据菌落的历史生长信息预先设置，例如单位时间内菌落半径的增长大于阈值。
具体地，由于不同菌落的生长速度不同，因此各菌落在预设周期内生长的程度也不同：部分菌落生长较快，半径增长较多；而部分菌落的生长较慢，半径增长较少，记录的意义并不大。因此，并不是每个预设周期内采集的菌落图像均需要记录。在具体判断过程中，当判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落时，才记录所述第一菌落图像和所述第一检测信息。
本实施例根据菌落检测的与识别结果的历史数据，对每一次按时间输入的培养皿菌落图像进行目标跟踪与匹配，按时间序列记录每一个菌落的生长情况，为建立菌落成长的促进与抑制因素提供了有效分析手段，包括周围菌落的类别、培养环境的温度、湿度、光照(可见光、紫外)等条件，将这些参数作为输入，综合菌落成长过程基本信息(大小、位置、成长速度、颜色、荧光等)，分析并记录其不同生长环境下的成长速度或退化速度。
本实施例通过目标神经网络模型进行菌落检测，能够准确检测到所有生长中的菌落，以对菌落的生长进行准确地记录；同时通过与上一次记录的菌落图像的检测信息进行对比后记录，能够大大节省人力成本和存储空间。
进一步地，在上述方法实施例的基础上，S102具体包括：
将所述第一菌落图像输入目标神经网络模型，得到所述目标神经网络模型输出的所述第一菌落图像中各菌落的第一检测信息；
其中，所述目标神经网络模型根据菌落图像预测虚拟样本和菌落图像实际样本训练得到。
所述菌落图像预测虚拟样本为生成式对抗网络预测的菌落生长图像。
所述菌落图像实际样本为各菌落生长图像对应的菌落原始图像。
本实施例通过菌落图像预测虚拟样本和菌落图像实际样本训练得到目标神经网络模型，通过目标神经网络模型对待检测菌落图像进行检测，能够准确得到待检测菌落图像中各菌落的检测结果，在菌落生长初期实现对菌落的不断监测，以得到理想生长的菌落。
进一步地，在上述方法实施例的基础上，所述目标神经网络模型的训练过程具体包括：
获取生成式对抗网络输出的菌落生长图像，并将各菌落生长图像确定为菌落图像预测虚拟样本；
获取各菌落生长图像对应的菌落原始图像，并将各菌落原始图像确定为菌落图像实际样本；
根据预设的时间间隔对采集到的菌落图像实际样本进行目标检测，并根据目标记录方式对检测到的目标图像进行记录，得到菌落图像检测样本；
将各组菌落图像预测虚拟样本和对应的菌落图像检测样本输入神经网络模型进行训练；
根据所述标定参数对神经网络模型的各层特征进行融合判断，若判断当前的层特征满足预设条件，则完成所述神经网络模型的训练，得到所述目标神经网络模型。
其中，所述生成式对抗网络用于对输入的菌落原始图像和预测时间点进行计算，输出菌落生长图像。在所述生成式对抗网络的训练过程中，通过至少两个子模型(生成子模型和判别子模型)之间的互相博弈学习产生不断优化的输出。
具体地，为了建立所述生成式对抗网络，需要丰富的菌落图像样本，以及详细的训练参数。通过对菌落图像样本进行图像识别，能够挖掘菌落图像样本对应的各菌落的菌落基本属性以及培养皿基属性，方便后续根据菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息进行不断训练，将不同的菌落相关参数作为生成式对抗网络的输入，菌落生长图像作为输出，并采用对抗的方式不断训练，得到训练效果满足要求的生成式对抗网络。
在对所述生成式对抗网络进行训练之前，首先按照生命周期，将菌落的成长过程划分为50个序列图像；然后对所述生成式对抗网络进行训练的过程中，通过生成子模型根据训练图像中多种菌落的成长过程的形态变化序列图像，结合菌落基本参数以及前一幅图像的位置生成菌落图像；并通过判别子模型根据图像位置和对应序列号，对生成的菌落图像进行判别，交替多次迭代，得到逼真的虚拟菌落图像。
其中，所述菌落基本参数包括菌落的颜色、形状、生长速度等，以生长速度为例，该参数可以与菌落尺寸相关联，对所述生成式对抗网络进行训练的过程中，可以根据序列图像，拟合出一个尺寸变化序列值。不同的菌落类别，其生长速度也不同；同时环境对菌落尺寸的变化也有影响，比如生成过程随机定一个温度，同时设置菌落生长系数与温度成一定比例，同样的亮度、湿度、ph值等参数也可以与生长速度建立加权系数，不断地进行迭代训练，最终得到所述生成式对抗网络。
另外，在所述目标神经网络模型的训练过程中，首先需要对标注的图像样本(所述菌落图像预测虚拟样本和所述菌落图像实际样本)进行随机剪切为800*800，对剪切后图像样本进行特征提取，训练如下标签格式：(x0,y0,x1,y1,c,color,shape,surf,edgt)，x0,y0为菌落边框bbox左上角，x1,y1为右下角，c为类型,color为菌落颜色、shape为菌落形状、surf为菌落表面光滑度、edgt为菌落边缘整齐度。坐标点分类：每一个预测框都对应一个坐标点，如果坐标位置xy，坐落在一个标签的边框bbox范围内，且它的类别于标签类别一致，则该点为正样本，否则为负样本(背景)，点到bbox边缘的距离t,l,b,r分别表示中心点到边缘周围4个方向的距离。l*＝x-x0 t*＝y-y0 r*＝x1-xb*＝y1-y为训练标签值用于训练。公式逆运算可以得到预测的边框bbox的左上角和右下角点坐标。将网络的输出对应的类别向量、属性向量和4维坐标向量，通过点的位置及4维向量(t,l,b,r)得到预测的边框bbox。
具体地，对待训练的图像样本进行剪裁和特征提取，得到标准输入的菌落中心点、外接矩形、关键点在图像的位置比例以及菌落的类别等训练标签，在训练过程中根据这些标签在神经网络模型的多个层特征进行融判断，以训练得到最终的目标神经网络模型。
进一步地，在上述方法实施例的基础上，S104具体包括：
根据改进后的RANSAC(RANdom SAmple Consensus，随机抽样一致)算法对所述第一检测信息和所述第二检测信息进行匹配，得到映射矩阵；
若根据所述映射矩阵所述第一菌落图像中确定存在菌落半径的增长大于预设值的菌落，则记录所述第一菌落图像和所述第一检测信息。
其中，所述映射矩阵为对第一检测信息和第二检测信息进行匹配运算得到的矩阵。
具体地，对同一个观测目标的上一次图片识别结果，结合本次识别结果，使用改进后的RANSAC算法，对两次次识别结果(第一检测信息和第二检测信息)进行匹配，得到最优的映射矩阵，对原始图像中已经存在的菌落，用新图像中对应位置的菌落信息进行对比，变化超过阈值了，记录新图像。并对新图像中已存在、新增的菌落信息进行记录，用于下一次数据采集比对。
根据多个时间序列采集的图像，可以生成每一个菌落的成长过程。举例来说，第一张图像菌落数为零，记录为pic0,第00:00:05时，图像开始检测到菌落，这时候把它记录为pic1，第00:00:06时，对当前图像进行检测，并与pic1中的检测结果进行比对，对于已经出现的菌落，判断其半径生长值，根据阈值参数判断此图像是否需要记录。
本实施例通过与上一次记录的菌落图像的检测信息进行对比后记录，能够大大节省人力成本和存储空间。
图2示出了本实施例提供的一种菌落图像的生长记录装置的结构示意图，所述装置包括：图像采集模块201、菌落检测模块202、信息获取模块203和信息记录模块204，其中：
所述图像采集模块201用于在菌落的生长过程中，根据预设周期采集当前的第一菌落图像；
所述菌落检测模块202用于根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息；
所述信息获取模块203用于获取上一次记录的第二菌落图像对应的第二检测信息；
所述信息记录模块204用于若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。
具体地，所述图像采集模块201在菌落的生长过程中，根据预设周期采集当前的第一菌落图像；所述菌落检测模块202根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息；所述信息获取模块203获取上一次记录的第二菌落图像对应的第二检测信息；所述信息记录模块204若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。
本实施例通过目标神经网络模型进行菌落检测，能够准确检测到所有生长中的菌落，以对菌落的生长进行准确地记录；同时通过与上一次记录的菌落图像的检测信息进行对比后记录，能够大大节省人力成本和存储空间。
进一步地，在上述装置实施例的基础上，所述菌落检测模块202具体用于：
将所述第一菌落图像输入目标神经网络模型，得到所述目标神经网络模型输出的所述第一菌落图像中各菌落的第一检测信息；
其中，所述目标神经网络模型根据菌落图像预测虚拟样本和菌落图像实际样本训练得到。
进一步地，在上述装置实施例的基础上，所述目标神经网络模型的训练过程具体包括：
获取生成式对抗网络输出的菌落生长图像，并将各菌落生长图像确定为菌落图像预测虚拟样本；
获取各菌落生长图像对应的菌落原始图像，并将各菌落原始图像确定为菌落图像实际样本；
根据预设的时间间隔对采集到的菌落图像实际样本进行目标检测，并根据目标记录方式对检测到的目标图像进行记录，得到菌落图像检测样本；
将各组菌落图像预测虚拟样本和对应的菌落图像检测样本输入神经网络模型进行训练；
根据所述标定参数对神经网络模型的各层特征进行融合判断，若判断当前的层特征满足预设条件，则完成所述神经网络模型的训练，得到所述目标神经网络模型。
进一步地，在上述装置实施例的基础上，所述信息记录模块204具体用于：
根据改进后的随机抽样一致RANSAC算法对所述第一检测信息和所述第二检测信息进行匹配，得到映射矩阵；
若根据所述映射矩阵确定所述第一菌落图像中存在菌落半径的增长大于预设值的菌落，则记录所述第一菌落图像和所述第一检测信息。
进一步地，在上述装置实施例的基础上，检测信息包括菌落位置、菌落半径和以下至少一项：菌落成长速度、菌落颜色、菌落荧光、周围菌落的类别、培养环境温度、培养环境湿度和培养环境光照条件。
本实施例所述的菌落图像的生长记录装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
参照图3，所述电子设备，包括：处理器(processor)301、存储器(memory)302和总线303；
其中，
所述处理器301和存储器302通过所述总线303完成相互间的通信；
所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (12)

1.一种菌落图像的生长记录方法，其特征在于，包括：
在菌落的生长过程中，根据预设周期采集当前的第一菌落图像；
根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息；
获取上一次记录的第二菌落图像对应的第二检测信息；
若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。
2.根据权利要求1所述的菌落图像的生长记录方法，其特征在于，所述根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息，具体包括：
将所述第一菌落图像输入目标神经网络模型，得到所述目标神经网络模型输出的所述第一菌落图像中各菌落的第一检测信息；
其中，所述目标神经网络模型根据菌落图像预测虚拟样本和菌落图像实际样本训练得到。
3.根据权利要求2所述的菌落图像的生长记录方法，其特征在于，所述目标神经网络模型的训练过程具体包括：
获取生成式对抗网络输出的菌落生长图像，并将各菌落生长图像确定为菌落图像预测虚拟样本；
获取各菌落生长图像对应的菌落原始图像，并将各菌落原始图像确定为菌落图像实际样本；
根据预设的时间间隔对采集到的菌落图像实际样本进行目标检测，并根据目标记录方式对检测到的目标图像进行记录，得到菌落图像检测样本；
将各组菌落图像预测虚拟样本和对应的菌落图像检测样本输入神经网络模型进行训练；
根据标定参数对神经网络模型的各层特征进行融合判断，若判断当前的层特征满足预设条件，则完成所述神经网络模型的训练，得到所述目标神经网络模型。
4.根据权利要求1所述的菌落图像的生长记录方法，其特征在于，所述若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息，具体包括：
根据改进后的随机抽样一致RANSAC算法对所述第一检测信息和所述第二检测信息进行匹配，得到映射矩阵；
若根据所述映射矩阵确定所述第一菌落图像中存在菌落半径的增长大于预设值的菌落，则记录所述第一菌落图像和所述第一检测信息。
5.根据权利要求1所述的菌落图像的生长记录方法，其特征在于，检测信息包括菌落位置、菌落半径和以下至少一项：菌落成长速度、菌落颜色、菌落荧光、周围菌落的类别、培养环境温度、培养环境湿度和培养环境光照条件。
6.一种菌落图像的生长记录装置，其特征在于，包括：
图像采集模块，用于在菌落的生长过程中，根据预设周期采集当前的第一菌落图像；
菌落检测模块，用于根据目标神经网络模型对所述第一菌落图像进行菌落检测，得到第一检测信息；
信息获取模块，用于获取上一次记录的第二菌落图像对应的第二检测信息；
信息记录模块，用于若判断所述第二检测信息和所述第一检测信息中存在生长满足预设条件的菌落，则记录所述第一菌落图像和所述第一检测信息。
7.根据权利要求6所述的菌落图像的生长记录装置，其特征在于，所述菌落检测模块具体用于：
将所述第一菌落图像输入目标神经网络模型，得到所述目标神经网络模型输出的所述第一菌落图像中各菌落的第一检测信息；
其中，所述目标神经网络模型根据菌落图像预测虚拟样本和菌落图像实际样本训练得到。
8.根据权利要求7述的菌落图像的生长记录装置，其特征在于，所述目标神经网络模型的训练过程具体包括：
获取生成式对抗网络输出的菌落生长图像，并将各菌落生长图像确定为菌落图像预测虚拟样本；
获取各菌落生长图像对应的菌落原始图像，并将各菌落原始图像确定为菌落图像实际样本；
根据预设的时间间隔对采集到的菌落图像实际样本进行目标检测，并根据目标记录方式对检测到的目标图像进行记录，得到菌落图像检测样本；
将各组菌落图像预测虚拟样本和对应的菌落图像检测样本输入神经网络模型进行训练；
根据所述标定参数对神经网络模型的各层特征进行融合判断，若判断当前的层特征满足预设条件，则完成所述神经网络模型的训练，得到所述目标神经网络模型。
9.根据权利要求6所述的菌落图像的生长记录装置，其特征在于，所述信息记录模块具体用于：
根据改进后的随机抽样一致RANSAC算法对所述第一检测信息和所述第二检测信息进行匹配，得到映射矩阵；
若根据所述映射矩阵确所述第一菌落图像中定存在菌落半径的增长大于预设值的菌落，则记录所述第一菌落图像和所述第一检测信息。
10.根据权利要求6所述的菌落图像的生长记录装置，其特征在于，检测信息包括菌落位置、菌落半径和以下至少一项：菌落成长速度、菌落颜色、菌落荧光、周围菌落的类别、培养环境温度、培养环境湿度和培养环境光照条件。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一所述的菌落图像的生长记录方法。
12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至5任一所述的菌落图像的生长记录方法。
CN202010183782.2A 2020-03-16 2020-03-16 菌落图像的生长记录方法、装置、电子设备及存储介质 Active CN111402235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010183782.2A CN111402235B (zh) 2020-03-16 2020-03-16 菌落图像的生长记录方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010183782.2A CN111402235B (zh) 2020-03-16 2020-03-16 菌落图像的生长记录方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111402235A true CN111402235A (zh) 2020-07-10
CN111402235B CN111402235B (zh) 2023-12-26

Family

ID=71431047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010183782.2A Active CN111402235B (zh) 2020-03-16 2020-03-16 菌落图像的生长记录方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111402235B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113025483A (zh) * 2021-03-24 2021-06-25 四川若斌生物科技有限责任公司 一种微生物培养分析柜的采集分析系统及其分析方法
CN113088555A (zh) * 2021-04-26 2021-07-09 四川大学 基于机器学习模型的微生物菌落检验方法以及检验系统
CN113240640A (zh) * 2021-05-13 2021-08-10 广东粤港供水有限公司 菌落计数方法、装置及计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163179A (zh) * 2019-05-29 2019-08-23 浙江啄云智能科技有限公司 一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质
JP2019208377A (ja) * 2018-05-31 2019-12-12 株式会社日立ソリューションズ コロニー検出装置、コロニー検出方法、及びコロニー検出プログラム
CN110830768A (zh) * 2019-10-31 2020-02-21 北京君立康生物科技有限公司 一种菌落图像的采集处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019208377A (ja) * 2018-05-31 2019-12-12 株式会社日立ソリューションズ コロニー検出装置、コロニー検出方法、及びコロニー検出プログラム
CN110163179A (zh) * 2019-05-29 2019-08-23 浙江啄云智能科技有限公司 一种基于深度学习的违禁品检测识别方法、系统、设备及其存储介质
CN110830768A (zh) * 2019-10-31 2020-02-21 北京君立康生物科技有限公司 一种菌落图像的采集处理方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
傅里叶藏花: "RANSAC算法原理及其早估计单应性变换矩阵上的应用", 《HTTPS://BLOG.CSDN.NET/AK47FOURIER/ARTICLE/DETAILS/80343372》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113025483A (zh) * 2021-03-24 2021-06-25 四川若斌生物科技有限责任公司 一种微生物培养分析柜的采集分析系统及其分析方法
CN113088555A (zh) * 2021-04-26 2021-07-09 四川大学 基于机器学习模型的微生物菌落检验方法以及检验系统
CN113240640A (zh) * 2021-05-13 2021-08-10 广东粤港供水有限公司 菌落计数方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN111402235B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN111402235B (zh) 菌落图像的生长记录方法、装置、电子设备及存储介质
CN111414995A (zh) 小目标菌落的检测处理方法、装置、电子设备及介质
Cang et al. An intelligent pig weights estimate method based on deep learning in sow stall environments
JP2018525746A5 (zh)
Balomenos et al. Image analysis driven single-cell analytics for systems microbiology
CN109858476B (zh) 标签的扩充方法和电子设备
CN111415709A (zh) 菌落生长图像的预测方法、装置、电子设备及存储介质
CN105976397B (zh) 一种目标跟踪方法
CN110458096A (zh) 一种基于深度学习的大规模商品识别方法
CN110969200A (zh) 基于一致性负样本的图像目标检测模型训练方法及装置
CN117495865B (zh) 菌落计数样本的优化方法、装置、设备及存储介质
CN113240640B (zh) 菌落计数方法、装置及计算机可读存储介质
CN113223037B (zh) 一种面向大规模数据的无监督语义分割方法及系统
CN113222889B (zh) 高分辨率图像下水产养殖物的工厂化养殖计数方法及装置
Kolhar et al. Phenomics for Komatsuna plant growth tracking using deep learning approach
CN107563327B (zh) 一种基于自步反馈的行人重识别方法及系统
CN117253071B (zh) 基于多级伪标签增强的半监督目标检测方法及系统
Li et al. Classification of spatiotemporal events based on random forest
CN111814653B (zh) 一种视频中异常行为的检测方法、装置、设备及存储介质
CN117746423A (zh) 微生物实验室培养菌落识别方法、系统及电子设备
CN110111307B (zh) 一种免疫教学用免疫系统反馈模拟系统及方法
CN107452001A (zh) 一种基于改进fcm算法的遥感图像序列分割方法
Rahman et al. BiofilmScanner: A computational intelligence approach to obtain bacterial cell morphological attributes from biofilm image
CN108845075B (zh) 基于深度学习网络的堆肥腐熟实时预测方法
Barry Quantifying the branching frequency of virtual filamentous microbes using fractal analysis

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