CN111429361A - 一种基于机器视觉的菌落计数方法 - Google Patents
一种基于机器视觉的菌落计数方法 Download PDFInfo
- Publication number
- CN111429361A CN111429361A CN202010095436.9A CN202010095436A CN111429361A CN 111429361 A CN111429361 A CN 111429361A CN 202010095436 A CN202010095436 A CN 202010095436A CN 111429361 A CN111429361 A CN 111429361A
- Authority
- CN
- China
- Prior art keywords
- contour
- culture dish
- photo
- suspected
- threshold value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001580 bacterial effect Effects 0.000 title claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 description 5
- 239000003550 marker Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 230000007797 corrosion Effects 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 241000894006 Bacteria Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06M—COUNTING MECHANISMS; COUNTING OF OBJECTS NOT OTHERWISE PROVIDED FOR
- G06M11/00—Counting of objects distributed at random, e.g. on a surface
- G06M11/02—Counting of objects distributed at random, e.g. on a surface using an electron beam scanning a surface line by line, e.g. of blood cells on a substrate
-
- 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
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明提供了菌落计数领域的一种基于机器视觉的菌落计数方法,包括如下步骤:步骤S10、获取培养皿的原始照片,并对所述原始照片进行预处理,生成优化照片;步骤S20、在所述优化照片中遍历查找培养皿的第一轮廓,并将所述第一轮廓外的区域设为黑色,生成培养皿照片;步骤S30、在所述培养皿照片中遍历查找各菌落的第二轮廓;步骤S40、对所述第二轮廓进行计数。本发明的优点在于:极大的提升了菌落计数的效率以及精度。
Description
技术领域
本发明涉及菌落计数领域,特别指一种基于机器视觉的菌落计数方法。
背景技术
菌落总数测定是用来判定食品被细菌污染的程度及卫生质量,它反映食品在生产过程中是否符合卫生要求,以便对被检样品做出适当的卫生学评价,菌落总数的多少在一定程度上标志着食品卫生质量的优劣。为了对菌落进行计数,首先需将待检测样品进行稀释,然后倾注在培养皿上进行培养,培养一定时间后再对菌落进行计数。
传统上,针对菌落的计数采用人工用记号笔对培养皿盖进行打点的方法,打完点后再进行统计,传统的方法容易使人产生疲劳,打点过程容易受到外界环境的干扰,使得不同人或者不同次的计数结果不同,且计数效率低下;虽然市面上存在菌落计数器,但仅是简单的将记号笔替换为电子笔,还是需要人工进行打点,省下的仅是统计的时间,并未从根本上解决问题。
因此,如何提供一种基于机器视觉的菌落计数方法,实现提升菌落计数的效率以及精度,成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题,在于提供一种基于机器视觉的菌落计数方法,实现提升菌落计数的效率以及精度。
本发明是这样实现的:一种基于机器视觉的菌落计数方法,包括如下步骤:
步骤S10、获取培养皿的原始照片,并对所述原始照片进行预处理,生成优化照片;
步骤S20、在所述优化照片中遍历查找培养皿的第一轮廓,并将所述第一轮廓外的区域设为黑色,生成培养皿照片;
步骤S30、在所述培养皿照片中遍历查找各菌落的第二轮廓;
步骤S40、对所述第二轮廓进行计数。
进一步地,所述步骤S10具体包括:
步骤S11、获取培养皿的原始照片;
步骤S12、将所述原始照片的格式转换为RGB888;
步骤S13、利用双边滤波算法对格式为RGB888的所述原始照片进行滤波降噪;
步骤S14、利用加权平均法将滤波降噪后的所述原始照片转为灰度图,生成优化照片。
进一步地,所述步骤S20具体包括:
步骤S21、设置一第一遍历块尺寸以及一第一阈值,利用自适应阈值法对各所述第一遍历块尺寸的优化照片进行二值化处理;
步骤S22、在二值化后的所述优化照片内利用轮廓法遍历查找培养皿的第一疑似轮廓,排除各所述第一疑似轮廓中偏差大于第一阈值的第一疑似轮廓,进而确定培养皿的第一轮廓;
步骤S23、将所述优化照片中,所述第一轮廓以外的区域设为黑色,生成培养皿照片。
进一步地,所述步骤S30具体包括:
步骤S31、设置一第二遍历块尺寸以及一第二阈值,利用自适应阈值法对各所述第二遍历块尺寸的培养皿照片进行二值化处理;
步骤S32、在二值化后的所述培养皿照片内遍历查找菌落的第二疑似轮廓,排除各所述第二疑似轮廓中偏差大于第二阈值的第二疑似轮廓;
步骤S33、找出各所述第二疑似轮廓的共性参数;
步骤S34、基于所述第二疑似轮廓以及共性参数确定各菌落的第二轮廓。
进一步地,所述步骤S33中,所述共性参数具体为菌落的颜色均值以及方差。
进一步地,所述步骤S40具体包括:
步骤S41、判断各所述第二轮廓是否异常,若是,则进入步骤S42;若否,则进入步骤S43;
步骤S42、将异常的所述第二轮廓中的图像,基于RGB方差最大的通道生成单通道灰度图,以所述单通道灰度图的RGB均值作为阈值对图像进行二值化处理,并利用轮廓法分割异常的所述第二轮廓;
步骤S43、利用计数函数对所述第二轮廓进行计数。
进一步地,所述步骤S41中,所述判断各所述第二轮廓是否异常具体为:
设置一色差阈值,判断各所述第二轮廓内图像的色差均值是否小于色差阈值,若是,则说明所述第二轮廓异常;若否,则说明所述第二轮廓正常。
本发明的优点在于:
通过获取培养皿的所述原始照片,并对所述原始照片进行预处理生成优化照片,对所述优化照片进行遍历找到培养皿的第一轮廓,进而将所述第一轮廓外的区域设为黑色生成培养皿照片,对所述培养皿照片内进行遍历找到菌落的第二轮廓,进而通过计数函数统计所述第二轮廓的数量计算菌落的数量,相对于传统上采用人工用记号笔对培养皿盖进行打点的方法,极大的提升了菌落计数的效率以及精度。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于机器视觉的菌落计数方法的流程图。
图2是本发明原始照片与二值化后的照片的对比图。
具体实施方式
本申请实施例中的技术方案,总体思路如下:对获取的所述原始照片进行预处理以降低噪声,便于后期的二值化处理以及轮廓的遍历;对预处理后生成的所述优化照片进行二次遍历,第一次遍历找出培养皿的所述第一轮廓,并把所述第一轮廓外的区域设为黑色以降低干扰,减少计算量,第二次遍历找出所述培养皿照片内菌落的第二轮廓,通过计数函数统计所述第二轮廓的数量对菌落进行计数。
请参照图1至图2所示,本发明一种基于机器视觉的菌落计数方法的较佳实施例,包括如下步骤:
步骤S10、获取培养皿的原始照片,并对所述原始照片进行预处理,生成优化照片,即对所述原始照片进行降噪处理;
步骤S20、在所述优化照片中遍历查找培养皿的第一轮廓,并将所述第一轮廓外的区域设为黑色,生成培养皿照片,即去除背景保留培养皿部分,以减少干扰和计算量,进而提升菌落计数效率;
步骤S30、在所述培养皿照片中遍历查找各菌落的第二轮廓;
步骤S40、对所述第二轮廓进行计数。
所述步骤S10具体包括:
步骤S11、获取培养皿的原始照片;
步骤S12、将所述原始照片的格式转换为RGB888,由于获取的各所述原始照片的的初始格式不尽相同,将获取的所述原始照片转换为统一的格式,可避免对所述原始照片进行处理的过程中产生不必要的bug;RGB888为8位3通道的图片格式,能够提供较好的精度使得菌落和培养基充分辨析;3通道可根据需要转成不同的单通道灰度图,适用性强;第4通道为透明度,摒弃第4通道极大的提升了对所述原始照片进行处理时的运算效率;
步骤S13、利用双边滤波算法对格式为RGB888的所述原始照片进行滤波降噪;
滤波法包括均值滤波、中值滤波、高斯滤波、腐蚀加边缘检测法以及双边滤波等;均值滤波在图像去噪的同时也模糊了图像,导致之后操作中菌落更加难以识别;中值滤波能有效去除椒盐噪声,但同时也会将细小的菌落误作噪声除去;高斯滤波可消除高斯噪声,应用最广泛但不适用于菌落的识别;腐蚀(erode)加边缘检测法(canny)虽然可以去除噪声,但同时也将菌落的原始数据改变,常造成结果偏差;而双边滤波(bilteralFilter)在降噪的同时加强了图像中菌落的边缘性,进而极大的提升了菌落计数的准确性,因此选用双边滤波进行降噪。
步骤S14、利用加权平均法将滤波降噪后的所述原始照片转为灰度图,生成优化照片,即利用灰度化公式将RGB888格式的原始照片由三通道转为单通道,保留了所述原始图像的轮廓、基本色差等特性,并降低多通道间的干扰。
所述步骤S20具体包括:
步骤S21、设置一第一遍历块尺寸以及一第一阈值,利用自适应阈值法对各所述第一遍历块尺寸的优化照片进行二值化处理;二值化即将将图像上的像素点的灰度值设置为0或255;
步骤S22、在二值化后的所述优化照片内利用轮廓法遍历查找培养皿的第一疑似轮廓,排除各所述第一疑似轮廓中偏差大于第一阈值的第一疑似轮廓,进而确定培养皿的第一轮廓;也可利用霍尔夫变换算法HoughCircles查找培养皿的轮廓;
步骤S23、将所述优化照片中,所述第一轮廓以外的区域设为黑色,生成培养皿照片。
所述步骤S21中,所述利用自适应阈值法对各所述第一遍历块尺寸的优化照片进行二值化处理具体为:对所述优化照片进行二值化后查找并遍历非子集轮廓(含有子轮廓的父轮廓),若没有找到合适的培养皿轮廓,则循环调整所述第一遍历块尺寸(block_size)的参数重新进行二值化,直至找到培养皿为止。
利用自适应阈值法(adaptiveThreshold)进行二值化处理,可根据所述第一遍历块尺寸对优化照片进行分割后,分别进行局部的二值化,该方法允许偏光,取像时摄像设备与培养皿的平面尽量平行即可,允许有角度偏差,性能更加的强大,但所述优化照片不能有强烈反光和明显倒影。相对于传统上利用threshold方法进行二值化,需要人工设定合适的阈值,取像时若光照或背景颜色稍不均匀就无法取得正确的二值化结果,需要将培养皿和摄像设备放在遮光容器中操作,摄像设备和培养皿均需固定,本申请极大的提升了所述原始照片获取的便利性,进而极大的提升了菌落计数的适用范围。
所述步骤S22中,所述排除各所述第一疑似轮廓中偏差大于第一阈值的第一疑似轮廓具体为:判断各所述第一疑似轮廓的面积与其最小外切椭圆面积的比值是否大于第一阈值,若是,说明偏差合理,可判定所述第一疑似轮廓的形状为近似椭圆形(若培养皿为方形或其他形状,需要另外调整算法),并选取比值大于所述第一阈值的第一疑似轮廓;若否,说明偏差过大,并排除比值小于所述第一阈值的第一疑似轮廓;所述第一阈值优选为0.95;由于拍摄所述原始照片时拍摄角度的偏差,可能使培养皿呈椭圆形,因此选取最小外切椭圆面积作为比值的分母。
所述轮廓法(findcontour)具体为:对所述优化照片各行各列的RGB值分别进行求导,找出RGB值变化的拐点,即颜色变化的拐点,将各所述拐点连接起来即需要查找的轮廓。
所述步骤S30具体包括:
步骤S31、设置一第二遍历块尺寸以及一第二阈值,利用自适应阈值法对各所述第二遍历块尺寸的培养皿照片进行二值化处理;
由于培养皿的大小与菌落的大小相差较大,需要设置所述第二遍历块尺寸,并循环调整所述第二遍历块尺寸,根据非父集轮廓(不含子轮廓的子集轮廓)的颜色方差大小,找出培养皿内部菌落的轮廓。
步骤S32、在二值化后的所述培养皿照片内遍历查找菌落的第二疑似轮廓,排除各所述第二疑似轮廓中偏差大于第二阈值的第二疑似轮廓;
步骤S33、找出各所述第二疑似轮廓的共性参数;
步骤S34、基于所述第二疑似轮廓以及共性参数确定各菌落的第二轮廓。
所述步骤S32中,所述排除各所述第二疑似轮廓中偏差大于第二阈值的第二疑似轮廓具体为:
判断各所述第二疑似轮廓的面积与其最小外切圆面积的比值是否大于第二阈值,若是,说明偏差合理,可判定所述第二疑似轮廓的形状为近似圆形,并选取比值大于所述第二阈值的第二疑似轮廓;若否,说明偏差过大,并排除比值小于所述第二阈值的第二疑似轮廓;所述第二阈值优选为0.8;由于单个细菌繁殖生成的菌落多为圆形或者类似圆形,因此选取最小外切圆面积作为比值的分母。
所述步骤S33中,所述共性参数具体为菌落的颜色均值以及方差。由于单个细菌繁殖生成的菌落多为圆形或者类似圆形,菌落内部颜色较为均匀,菌落内部没有其他轮廓(即非父集轮廓),根据以上3个条件即可找出菌落,因此将菌落的颜色均值以及方差作为共性参数。
所述步骤S40具体包括:
步骤S41、判断各所述第二轮廓是否异常,若是,则进入步骤S42;若否,则进入步骤S43;
步骤S42、将异常的所述第二轮廓中的图像,基于RGB方差最大的通道生成单通道灰度图,以所述单通道灰度图的RGB均值作为阈值对图像进行二值化处理,并利用轮廓法分割异常的所述第二轮廓;
也可以利用凸点连线法、分水岭算法或者形态学算法分割异常的所述第二轮廓,或者采用手动画图的方式自己分割菌落,对个别误判的菌落手动修正;
凸点连线法即将有黏连菌落的所述第二轮廓取出,采用convexHull方法查找图像的凸缺陷,若数量=2,直接通过缺陷最短距离进行分割;若凸缺陷>2,则不断迭代遍历各凸缺陷来进行排列组合,再根据匹配程度来判定是否需要分割。
分水岭算法即采用watershed方法,利用所述第二轮廓中心与外围灰度差,根据分水岭的构成来考虑图像的分割;首先遍历各像素灰度并从低到高排序,再从低到高淹没,最终得到集水盆图像,其边界即为分水岭。
形态学算法即利用界线与菌落之间的颜色差,运用基于腐蚀/膨胀为基础的形态学梯度算法,将菌落团块中间界线突出后再进行分割。
步骤S43、利用计数函数对所述第二轮廓进行计数;所述计数函数优选为vector::size()。
所述步骤S41中,所述判断各所述第二轮廓是否异常具体为:
设置一色差阈值,判断各所述第二轮廓内图像的色差均值是否小于色差阈值,若是,则说明所述第二轮廓异常;若否,则说明所述第二轮廓正常;所述色差阈值优选为30,极少数样本中,菌落颜色偏差过大,需要调整所述色差阈值为40。
综上所述,本发明的优点在于:
通过获取培养皿的所述原始照片,并对所述原始照片进行预处理生成优化照片,对所述优化照片进行遍历找到培养皿的第一轮廓,进而将所述第一轮廓外的区域设为黑色生成培养皿照片,对所述培养皿照片内进行遍历找到菌落的第二轮廓,进而通过计数函数统计所述第二轮廓的数量计算菌落的数量,相对于传统上采用人工用记号笔对培养皿盖进行打点的方法,极大的提升了菌落计数的效率以及精度。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (7)
1.一种基于机器视觉的菌落计数方法,其特征在于:包括如下步骤:
步骤S10、获取培养皿的原始照片,并对所述原始照片进行预处理,生成优化照片;
步骤S20、在所述优化照片中遍历查找培养皿的第一轮廓,并将所述第一轮廓外的区域设为黑色,生成培养皿照片;
步骤S30、在所述培养皿照片中遍历查找各菌落的第二轮廓;
步骤S40、对所述第二轮廓进行计数。
2.如权利要求1所述的一种基于机器视觉的菌落计数方法,其特征在于:所述步骤S10具体包括:
步骤S11、获取培养皿的原始照片;
步骤S12、将所述原始照片的格式转换为RGB888;
步骤S13、利用双边滤波算法对格式为RGB888的所述原始照片进行滤波降噪;
步骤S14、利用加权平均法将滤波降噪后的所述原始照片转为灰度图,生成优化照片。
3.如权利要求1所述的一种基于机器视觉的菌落计数方法,其特征在于:所述步骤S20具体包括:
步骤S21、设置一第一遍历块尺寸以及一第一阈值,利用自适应阈值法对各所述第一遍历块尺寸的优化照片进行二值化处理;
步骤S22、在二值化后的所述优化照片内利用轮廓法遍历查找培养皿的第一疑似轮廓,排除各所述第一疑似轮廓中偏差大于第一阈值的第一疑似轮廓,进而确定培养皿的第一轮廓;
步骤S23、将所述优化照片中,所述第一轮廓以外的区域设为黑色,生成培养皿照片。
4.如权利要求1所述的一种基于机器视觉的菌落计数方法,其特征在于:所述步骤S30具体包括:
步骤S31、设置一第二遍历块尺寸以及一第二阈值,利用自适应阈值法对各所述第二遍历块尺寸的培养皿照片进行二值化处理;
步骤S32、在二值化后的所述培养皿照片内遍历查找菌落的第二疑似轮廓,排除各所述第二疑似轮廓中偏差大于第二阈值的第二疑似轮廓;
步骤S33、找出各所述第二疑似轮廓的共性参数;
步骤S34、基于所述第二疑似轮廓以及共性参数确定各菌落的第二轮廓。
5.如权利要求4所述的一种基于机器视觉的菌落计数方法,其特征在于:所述步骤S33中,所述共性参数具体为菌落的颜色均值以及方差。
6.如权利要求1所述的一种基于机器视觉的菌落计数方法,其特征在于:所述步骤S40具体包括:
步骤S41、判断各所述第二轮廓是否异常,若是,则进入步骤S42;若否,则进入步骤S43;
步骤S42、将异常的所述第二轮廓中的图像,基于RGB方差最大的通道生成单通道灰度图,以所述单通道灰度图的RGB均值作为阈值对图像进行二值化处理,并利用轮廓法分割异常的所述第二轮廓;
步骤S43、利用计数函数对所述第二轮廓进行计数。
7.如权利要求6所述的一种基于机器视觉的菌落计数方法,其特征在于:所述步骤S41中,所述判断各所述第二轮廓是否异常具体为:
设置一色差阈值,判断各所述第二轮廓内图像的色差均值是否小于色差阈值,若是,则说明所述第二轮廓异常;若否,则说明所述第二轮廓正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095436.9A CN111429361A (zh) | 2020-02-17 | 2020-02-17 | 一种基于机器视觉的菌落计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095436.9A CN111429361A (zh) | 2020-02-17 | 2020-02-17 | 一种基于机器视觉的菌落计数方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111429361A true CN111429361A (zh) | 2020-07-17 |
Family
ID=71547786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095436.9A Pending CN111429361A (zh) | 2020-02-17 | 2020-02-17 | 一种基于机器视觉的菌落计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429361A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614062A (zh) * | 2020-12-17 | 2021-04-06 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
CN113850740A (zh) * | 2021-09-30 | 2021-12-28 | 中国科学院长春光学精密机械与物理研究所 | 一种菌落计数方法 |
CN114495098A (zh) * | 2022-01-30 | 2022-05-13 | 南水北调中线干线工程建设管理局 | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998059314A1 (en) * | 1997-06-24 | 1998-12-30 | Pilot Industries, Inc. | Bacteria colony counter and classifier |
CN102637262A (zh) * | 2012-03-09 | 2012-08-15 | 上海凯度机电科技有限公司 | 一种自适应细菌计数方法 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN107480662A (zh) * | 2017-10-11 | 2017-12-15 | 青岛华晶生物技术有限公司 | 一种霉菌图像识别方法及其装置 |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
CN108376403A (zh) * | 2018-01-30 | 2018-08-07 | 西安电子科技大学 | 基于霍夫圆变换的网格菌落图像分割方法 |
CN109509173A (zh) * | 2018-09-27 | 2019-03-22 | 上海海恒机电仪表有限公司 | 一种细菌菌落的计数方法及计数装置 |
-
2020
- 2020-02-17 CN CN202010095436.9A patent/CN111429361A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998059314A1 (en) * | 1997-06-24 | 1998-12-30 | Pilot Industries, Inc. | Bacteria colony counter and classifier |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN102637262A (zh) * | 2012-03-09 | 2012-08-15 | 上海凯度机电科技有限公司 | 一种自适应细菌计数方法 |
CN103914841A (zh) * | 2014-04-03 | 2014-07-09 | 深圳大学 | 基于超像素和深度学习的细菌分割与分类方法及其应用 |
CN107644210A (zh) * | 2017-09-22 | 2018-01-30 | 哈尔滨工业大学(威海) | 基于图像处理的微生物数量估算方法 |
CN107480662A (zh) * | 2017-10-11 | 2017-12-15 | 青岛华晶生物技术有限公司 | 一种霉菌图像识别方法及其装置 |
CN108376403A (zh) * | 2018-01-30 | 2018-08-07 | 西安电子科技大学 | 基于霍夫圆变换的网格菌落图像分割方法 |
CN109509173A (zh) * | 2018-09-27 | 2019-03-22 | 上海海恒机电仪表有限公司 | 一种细菌菌落的计数方法及计数装置 |
Non-Patent Citations (2)
Title |
---|
侯宏花: "《数字图像处理与分析》", 北京理工大学出版社, pages: 202 - 204 * |
张力新等: "基于改进水平集的菌落图像智能计数算法", 《天津大学学报(自然科学与工程技术版)》, no. 01, 25 December 2018 (2018-12-25) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614062A (zh) * | 2020-12-17 | 2021-04-06 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
CN112614062B (zh) * | 2020-12-17 | 2024-04-26 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
CN113850740A (zh) * | 2021-09-30 | 2021-12-28 | 中国科学院长春光学精密机械与物理研究所 | 一种菌落计数方法 |
CN113850740B (zh) * | 2021-09-30 | 2024-03-19 | 中国科学院长春光学精密机械与物理研究所 | 一种菌落计数方法 |
CN114495098A (zh) * | 2022-01-30 | 2022-05-13 | 南水北调中线干线工程建设管理局 | 一种基于显微镜图像的盘星藻类细胞统计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116721106B (zh) | 一种基于图像处理的型材瑕疵视觉检测方法 | |
CN107255641B (zh) | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN111429361A (zh) | 一种基于机器视觉的菌落计数方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN109816644A (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN115082451B (zh) | 一种基于图像处理的不锈钢汤勺缺陷检测方法 | |
CN111738256B (zh) | 基于改进分水岭算法的复合材料ct图像分割方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN111027546A (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
CN116051543B (zh) | 一种用于钢材剥皮的缺陷识别方法 | |
CN115330645A (zh) | 一种焊接图像增强方法 | |
CN116805316B (zh) | 基于图像增强的可降解塑料加工质量检测方法 | |
CN114092682A (zh) | 基于机器学习的小金具类缺陷检测算法 | |
CN108205678A (zh) | 一种含有亮斑干扰的铭牌文字识别处理方法 | |
CN112184619A (zh) | 一种基于深度学习的金属部件表面缺陷检测方法 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
CN114511851B (zh) | 一种基于显微镜图像的游丝藻类细胞统计方法 | |
CN116363097A (zh) | 一种光伏板的缺陷检测方法及系统 | |
CN115082379A (zh) | 一种活性污泥相差显微图像絮体和丝状菌分割方法 | |
CN115187788A (zh) | 一种基于机器视觉的农作物种子自动计数方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200717 |
|
WD01 | Invention patent application deemed withdrawn after publication |