CN111414995B - 小目标菌落的检测处理方法、装置、电子设备及介质 - Google Patents

小目标菌落的检测处理方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111414995B
CN111414995B CN202010183775.2A CN202010183775A CN111414995B CN 111414995 B CN111414995 B CN 111414995B CN 202010183775 A CN202010183775 A CN 202010183775A CN 111414995 B CN111414995 B CN 111414995B
Authority
CN
China
Prior art keywords
colony
neural network
target
network model
image
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.)
Active
Application number
CN202010183775.2A
Other languages
English (en)
Other versions
CN111414995A (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 CN202010183775.2A priority Critical patent/CN111414995B/zh
Publication of CN111414995A publication Critical patent/CN111414995A/zh
Application granted granted Critical
Publication of CN111414995B publication Critical patent/CN111414995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明实施例公开了一种小目标菌落的检测处理方法、装置、电子设备及介质，方法包括：将待检测菌落图像输入目标神经网络模型，得到目标神经网络模型输出的待检测菌落图像中小目标菌落的检测和分类识别结果；其中，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标注样本训练得到；小目标菌落为待检测菌落图像中半径大于预设值的菌落。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和分类，能够准确得到待检测菌落图像中小目标菌落的位置和类别信息及相关属性，在菌落生长过程中实现对菌落的不断监测，对生长过程进行图像记录，用于菌落分析的相关研究工作。

Description

小目标菌落的检测处理方法、装置、电子设备及介质
技术领域
本发明涉及计算机技术领域，具体涉及一种小目标菌落的检测处理方法、装置、电子设备及介质。
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、类别进行计数，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。但是菌落在生长初期的菌落半径较小，现有技术无法对其进行准确识别。
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小目标菌落的检测处理方法、装置、电子设备及介质。
第一方面，本发明实施例提出一种小目标菌落的检测处理方法，包括：
将待检测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待检测菌落图像中小目标菌落的检测结果；
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；
所述小目标菌落为所述待检测菌落图像中菌落半径大于预设值的菌落。
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，并对各菌落原始图像标定为菌落图像实际样本；
根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型。
可选地，所述根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型，具体包括：
根据预设尺寸对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裁剪，并对裁剪后的图像样本进行特征提取，得到训练标签，并根据训练标签对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，具体包括：
确定若干个卷积核半径；
针对每个卷积核半径，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输出的目标菌落的菌落半径小于所述预设值，则记录所述目标菌落；
获取每个卷积核半径在训练过程中记录的目标菌落的数量，并将目标菌落的数量最大的卷积核半径确定为目标卷积核半径，并将所述目标卷积核半径对应的神经网络模型确定为所述目标神经网络模型。
可选地，所述标定参数包括以下至少一项：菌落中心点、菌落半径、菌落外接矩形、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度、菌落类别以及关键点在菌落图像中的位置比例。
第二方面，本发明实施例还提出一种小目标菌落的检测处理装置，包括：
模型检测模块，用于将待检测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待检测菌落图像中小目标菌落的检测结果；
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；
所述小目标菌落为所述待检测菌落图像中菌落半径大于预设值的菌落。
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，并对各菌落原始图像标定为菌落图像实际样本；
根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型。
可选地，所述根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型，具体包括：
根据预设尺寸对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裁剪，并对裁剪后的图像样本进行特征提取，得到训练标签，并根据训练标签对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，具体包括：
确定若干个卷积核半径；
针对每个卷积核半径，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输出的目标菌落的菌落半径小于所述预设值，则记录所述目标菌落；
获取每个卷积核半径在训练过程中记录的目标菌落的数量，并将目标菌落的数量最大的卷积核半径确定为目标卷积核半径，并将所述目标卷积核半径对应的神经网络模型确定为所述目标神经网络模型。
可选地，所述标定参数包括以下至少一项：菌落中心点、菌落半径、菌落外接矩形、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度、菌落类别以及关键点在菌落图像中的位置比例。
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和识别，能够准确得到待检测菌落图像中小目标菌落的检测结果，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。
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小目标菌落的检测处理方法的流程示意图；
图2为本发明一实施例提供的一种小目标菌落的检测处理装置的结构示意图；
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小目标菌落的检测处理方法的流程示意图，包括：
S101、将待检测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待检测菌落图像中小目标菌落的检测结果；
其中，所述待检测菌落图像为需要进行小目标菌落检测的菌落图像。
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。
所述小目标菌落为所述待检测菌落图像中菌落半径大于预设值的菌落。
所述预设值为预先设置的菌落半径的判断阈值，一般取30微米。
所述检测结果为待检测菌落图像中检测和识别得到的小目标菌落的位置等信息。
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小目标菌落的检测结果，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，并对各菌落原始图像标定为菌落图像实际样本；
根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，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。
进一步地，所述根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型，具体包括：
根据预设尺寸对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裁剪，并对裁剪后的图像样本进行特征提取，得到训练标签，并根据训练标签对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。
所述标定参数包括以下至少一项：菌落中心点、菌落半径、菌落外接矩形、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度、菌落类别以及关键点在菌落图像中的位置比例。
具体来说，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-y0r*＝x1-x b*＝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，所述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，具体包括：
确定若干个卷积核半径；
针对每个卷积核半径，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输出的目标菌落的菌落半径小于所述预设值，则记录所述目标菌落；
获取每个卷积核半径在训练过程中记录的目标菌落的数量，并将目标菌落的数量最大的卷积核半径确定为目标卷积核半径，并将所述目标卷积核半径对应的神经网络模型确定为所述目标神经网络模型。
其中，卷积核半径为神经网络模型中卷积核的半径。
所述目标菌落为训练过程中检测得到的菌落半径小于所述预设值的菌落。
所述目标卷积核半径为所述目标神经网络模型的卷积核半径。
举例来说，在训练过程中，采用2次上采样的过程，将3个粒度(卷积核半径)的神经网络模型的图像特征都作为输出，最终进行筛选，保证不同粒度菌落的检测的识别输出。训练过程采用全卷积，根据硬件性能选择合适的输入图像的尺寸进行训练。
本实施例提供的小目标菌落的检测方法根据训练样本的标定参数，建立神经网络架构，拟定网络训练及预测的各项参数设置，得到基于神经网络的小目标检测和识别结果；为建立快速的菌落检测和识别算法，利用了基于锚点无关(anchor free)和mobilenet为骨干网的模式，菌落的位置中心点，半径，表面光滑度、边缘整齐度，菌落类别等为目标值，经实验结果与分析，检测与识别结果可以证明该方法的有效性。
图2示出了本实施例提供的一种小目标菌落的检测处理装置的结构示意图，所述装置包括：模型检测模块201，其中：
所述模型检测模块201用于将待检测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待检测菌落图像中小目标菌落的检测结果；
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；
所述小目标菌落为所述待检测菌落图像中菌落半径大于预设值的菌落。
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小目标菌落的检测结果，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，并对各菌落原始图像标定为菌落图像实际样本；
根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，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，所述根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型，具体包括：
根据预设尺寸对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裁剪，并对裁剪后的图像样本进行特征提取，得到训练标签，并根据训练标签对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，具体包括：
确定若干个卷积核半径；
针对每个卷积核半径，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输出的目标菌落的菌落半径小于所述预设值，则记录所述目标菌落；
获取每个卷积核半径在训练过程中记录的目标菌落的数量，并将目标菌落的数量最大的卷积核半径确定为目标卷积核半径，并将所述目标卷积核半径对应的神经网络模型确定为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，所述标定参数包括以下至少一项：菌落中心点、菌落半径、菌落外接矩形、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度、菌落类别以及关键点在菌落图像中的位置比例。
本实施例所述的小目标菌落的检测处理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 (4)

1.一种小目标菌落的检测处理方法，其特征在于，包括：
将待检测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待检测菌落图像中小目标菌落的检测结果，所述检测结果包括所述待检测菌落图像中检测和识别得到的小目标菌落的位置；
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；
所述小目标菌落为所述待检测菌落图像中菌落半径大于预设值的菌落；
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，并对各菌落原始图像标定为菌落图像实际样本；
根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型；
所述根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型，具体包括：
根据预设尺寸对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裁剪，并对裁剪后的图像样本进行特征提取，得到训练标签，并根据训练标签对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；
所述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，具体包括：
确定若干个卷积核半径；
针对每个卷积核半径，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输出的目标菌落的菌落半径小于所述预设值，则记录所述目标菌落；
获取每个卷积核半径在训练过程中记录的目标菌落的数量，并将目标菌落的数量最大的卷积核半径确定为目标卷积核半径，并将所述目标卷积核半径对应的神经网络模型确定为所述目标神经网络模型；
所述标定参数包括以下至少一项：菌落中心点、菌落半径、菌落外接矩形、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度、菌落类别以及关键点在菌落图像中的位置比例。
2.一种小目标菌落的检测处理装置，其特征在于，包括：
模型检测模块，用于将待检测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待检测菌落图像中小目标菌落的检测结果，所述检测结果包括所述待检测菌落图像中检测和识别得到的小目标菌落的位置；
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；
所述小目标菌落为所述待检测菌落图像中菌落半径大于预设值的菌落；
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，并对各菌落原始图像标定为菌落图像实际样本；
根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型；
所述根据菌落图像预测虚拟样本和菌落图像实际样本对神经网络模型进行训练，得到所述目标神经网络模型，具体包括：
根据预设尺寸对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裁剪，并对裁剪后的图像样本进行特征提取，得到训练标签，并根据训练标签对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；
所述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，具体包括：
确定若干个卷积核半径；
针对每个卷积核半径，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输出的目标菌落的菌落半径小于所述预设值，则记录所述目标菌落；
获取每个卷积核半径在训练过程中记录的目标菌落的数量，并将目标菌落的数量最大的卷积核半径确定为目标卷积核半径，并将所述目标卷积核半径对应的神经网络模型确定为所述目标神经网络模型；
所述标定参数包括以下至少一项：菌落中心点、菌落半径、菌落外接矩形、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度、菌落类别以及关键点在菌落图像中的位置比例。
3.一种电子设备，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所述的小目标菌落的检测处理方法。
4.一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所述的小目标菌落的检测处理方法。
CN202010183775.2A 2020-03-16 2020-03-16 小目标菌落的检测处理方法、装置、电子设备及介质 Active CN111414995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010183775.2A CN111414995B (zh) 2020-03-16 2020-03-16 小目标菌落的检测处理方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010183775.2A CN111414995B (zh) 2020-03-16 2020-03-16 小目标菌落的检测处理方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111414995A CN111414995A (zh) 2020-07-14
CN111414995B true CN111414995B (zh) 2023-05-19

Family

ID=71494199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010183775.2A Active CN111414995B (zh) 2020-03-16 2020-03-16 小目标菌落的检测处理方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111414995B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968174A (zh) * 2020-09-03 2020-11-20 山东省蚕业研究所 一种菌落面积的测量方法及其应用
CN112528947B (zh) * 2020-12-24 2023-05-23 山东仕达思生物产业有限公司 一种通过增加方向维度的假菌丝检测方法、设备及存储介质
CN113240640B (zh) * 2021-05-13 2024-07-09 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
CN116870211B (zh) * 2023-07-12 2024-05-24 广州海珠海之康医疗科技有限公司 一种等离子灭菌消毒系统及智能消毒柜
CN118038449B (zh) * 2024-02-29 2024-06-14 南京康之春生物科技有限公司 一种食用菌菌种的选育方法与应用

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102676634A (zh) * 2012-05-05 2012-09-19 上海海洋大学 一种气调包装生鲜冷却牛肉腐败菌生长预测方法
CN109657077A (zh) * 2018-10-31 2019-04-19 百度在线网络技术（北京）有限公司 模型训练方法、车道线生成方法、设备及存储介质
WO2019119301A1 (zh) * 2017-12-20 2019-06-27 华为技术有限公司 在卷积神经网络模型中确定特征图像的方法和装置
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
CN110599463A (zh) * 2019-08-26 2019-12-20 依脉人工智能医疗科技(天津)有限公司 一种基于轻量级联神经网络的舌像检测及定位算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8645076B2 (en) * 2011-06-03 2014-02-04 Rockwell Automation Technologies, Inc. Microbial monitoring and prediction

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102676634A (zh) * 2012-05-05 2012-09-19 上海海洋大学 一种气调包装生鲜冷却牛肉腐败菌生长预测方法
WO2019119301A1 (zh) * 2017-12-20 2019-06-27 华为技术有限公司 在卷积神经网络模型中确定特征图像的方法和装置
CN109657077A (zh) * 2018-10-31 2019-04-19 百度在线网络技术（北京）有限公司 模型训练方法、车道线生成方法、设备及存储介质
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
CN110599463A (zh) * 2019-08-26 2019-12-20 依脉人工智能医疗科技(天津)有限公司 一种基于轻量级联神经网络的舌像检测及定位算法

Also Published As

Publication number Publication date
CN111414995A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111414995B (zh) 小目标菌落的检测处理方法、装置、电子设备及介质
CN104200237B (zh) 一种基于核化相关滤波高速自动多目标跟踪方法
CN111402235B (zh) 菌落图像的生长记录方法、装置、电子设备及存储介质
CN107403426B (zh) 一种目标物体检测方法及设备
CN111415709B (zh) 菌落生长图像的预测方法、装置、电子设备及存储介质
CN112418130A (zh) 一种基于bp神经网络的香蕉成熟度检测方法及装置
CN113221787A (zh) 基于多元差异性融合的行人多目标跟踪方法
CN105976397B (zh) 一种目标跟踪方法
CN107516102B (zh) 图像数据分类与建立分类模型方法、装置及系统
JP2018081442A (ja) 学習済モデル生成方法及び信号データ判別装置
CN112734031A (zh) 神经网络模型训练方法、识别方法、存储介质以及设备
CN109325440A (zh) 人体动作识别方法及系统
CN108038515A (zh) 无监督多目标检测跟踪方法及其存储装置与摄像装置
CN114359199A (zh) 一种基于深度学习的鱼类计数方法、装置、设备和介质
CN116304705A (zh) 一种基于有条件扩散模型的流量数据集生成方法及装置
CN117253071B (zh) 基于多级伪标签增强的半监督目标检测方法及系统
CN113192108A (zh) 一种针对视觉跟踪模型的人在回路训练方法及相关装置
CN117746423A (zh) 微生物实验室培养菌落识别方法、系统及电子设备
CN111626197B (zh) 一种基于人体行为识别网络模型的识别方法
CN117315376A (zh) 基于机器学习的机械零件工业质检方法
CN112270404A (zh) 一种基于ResNet64网络的紧固件产品鼓包缺陷的检测结构及其方法
CN110111307B (zh) 一种免疫教学用免疫系统反馈模拟系统及方法
Vijay et al. DV-PSO-Net: A novel deep mutual learning model with Heuristic search using Particle Swarm optimization for Mango leaf disease detection
CN113886578B (zh) 一种表单分类方法及装置
WO2020194583A1 (ja) 異常検知装置、制御方法、及びプログラム

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