CN113205054A - 菌丝显微图像识别方法和系统、设备、可读介质 - Google Patents

菌丝显微图像识别方法和系统、设备、可读介质 Download PDF

Info

Publication number
CN113205054A
CN113205054A CN202110507248.7A CN202110507248A CN113205054A CN 113205054 A CN113205054 A CN 113205054A CN 202110507248 A CN202110507248 A CN 202110507248A CN 113205054 A CN113205054 A CN 113205054A
Authority
CN
China
Prior art keywords
hypha
microscopic image
model
hyphal
image recognition
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
Application number
CN202110507248.7A
Other languages
English (en)
Inventor
朱子豪
娄博华
朱慧敏
沈海东
刘中华
王国强
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.)
Jiangsu Bioperfectus Technologies Co ltd
Original Assignee
Jiangsu Bioperfectus Technologies 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 Jiangsu Bioperfectus Technologies Co ltd filed Critical Jiangsu Bioperfectus Technologies Co ltd
Priority to CN202110507248.7A priority Critical patent/CN113205054A/zh
Publication of CN113205054A publication Critical patent/CN113205054A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/698—Matching; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供了一种菌丝显微图像识别方法，包括如下步骤：步骤S1：利用显微镜采集含有或者不含有菌丝的图像；步骤S2：对采集的图像进行尺寸变换、去均值和归一化得到输入图像；步骤S3：搭建神经网络模型，输入图像进行模型训练；步骤S4：经过模型训练得到模型文件并进行菌丝测试。本发明还提供了一种菌丝显微图像识别系统、设备、可读介质。本发明基于CNN神经网络对菌丝图像进行识别，大幅降低菌丝形态，颜色较大的差异给识别准确率带来的影响。

Description

菌丝显微图像识别方法和系统、设备、可读介质
技术领域
本发明涉及医学显微图像处理技术领域，具体地，涉及一种菌丝显微图像识别方法和系统、设备、可读介质。
背景技术
图像检测将边缘检测的思路扩展到识别整幅图像，通常达到判别被检测的图像是否属于已知图像数据库中的某一幅图像，或者经过综合判别后，推断该图像与某一幅已知的图像最相似的目的。图像检测有时也被用于从一幅已知图像中检索出某个给定的子图像。
菌丝，即单条管状细丝，为大多数真菌的结构单位。它是由孢子萌发成芽管，再由芽管不断生长成丝状或管状的菌体，可以不断地延伸和分枝，有隔膜或无隔膜两种。有隔膜的菌丝称为有隔菌丝，无隔膜的菌丝称为无隔菌丝。一些原核生物也有菌丝，如放线菌。菌丝细胞的分裂生长多在每条菌丝的顶端进行。菌丝在基质中或培养基上蔓延伸展，反复分枝网状成菌丝群。很多菌丝聚集在一起组成真菌的营养体。菌丝通过顶端生长而延伸，通过侧生而分枝。埋入基质中以吸取营养为主的菌丝称营养菌丝，有的种类还可分化成假根、吸器等构造；伸展在空间的菌丝称气生菌丝，成熟后可分化成各种形式的产孢子构造，如放线菌的孢子丝或真菌中的子实体。
现在真菌感染很常见，对人类有致病性的真菌约有300多个种类。目前，真菌检测的主要技术包括直接镜检、真菌培养以及培养检查。以前最常用的是通过镜检的方式，医护人员利用显微镜对样本进行观察和判断，如果在显微图像中发现有致病相的菌丝成分，则诊断为真菌感染。现有技术中也有利用卷积神经网络对菌丝进行检测，但是市面上常见的都是使用分割类算法对目标物进行识别，从而因为缺少环境信息，对形态相近的目标误判。
经过检索，专利文献CN110796661A公开了一种基于卷积神经网络的真菌显微图像分割检测方法及系统，包括：将若干真菌显微图像分为正样本与负样本，同时对正样本中的菌丝进行标记得到标记后的正样本；将未标记的负样本和标记后的正样本进行切片和样本增强操作，生成可供进行深度学习的训练数据集；构建深度卷积神经网络模型，读取训练数据集生成用于分割检测的分割模型，以采用分割模型识别待检测真菌显微图像中的致病相和非致病相后，用热值图表示全局的真菌显微图像，并且将致病相结构在待检测真菌显微图像中的轮廓描绘出来。该现有技术的不足之处在于需要对正负样本训练，然后再对负样本进行训练，方法较为繁琐。
因此，亟需研发设计一种误判率低且方法简单的菌丝显微图像识别系统和方法。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种一种菌丝显微图像识别方法和系统、设备、可读介质，大幅降低菌丝形态，颜色较大的差异给识别准确率带来的影响。
根据本发明提供的一种菌丝显微图像识别方法，包括如下步骤：
步骤S1：利用显微镜采集含有或者不含有菌丝的图像；
步骤S2：对采集的图像进行尺寸变换、去均值和归一化得到输入图像；
步骤S3：搭建神经网络模型，输入图像进行模型训练；
步骤S4：经过模型训练得到模型文件并进行菌丝测试。
优选地，步骤S3包括如下步骤：
步骤S3.1：基于VGG19卷积主干进行修改作为卷积块；
步骤S3.2：对卷积块输出的特征图融合为全局特征；
步骤S3.3：构建全连接分类器；
步骤S3.4：将全局特征传输至全连接分类器中；
步骤S3.5：基于ImageNet预训练权重进行迁移学习训练。
优选地，步骤3搭建多输入-单输出模型。
优选地，首先对含有或者不含有菌丝的图像进行训练，再对不含有菌丝的图像进行训练。
优选地，针对含有或者不含有菌丝的图像进行训练的模型为A，输出为A1；再对不含有菌丝的图像进行训练的模型为B，输出为B1，对A1和B1进行比较得到菌丝匹配结果。
根据本发明提供的一种菌丝显微图像识别系统，利用上述的菌丝显微图像识别方法进行菌丝显微的图像识别。
优选地，包括：
模块M1：利用显微镜采集含有或者不含有菌丝的图像；
模块M2：对采集的图像进行尺寸变换、去均值和归一化得到输入图像；
模块M3：搭建神经网络模型，输入图像进行模型训练；
模块M4：经过模型训练得到模型文件并进行菌丝测试。
优选地，通过对含有或者不含有菌丝的图像进行一次分类即完成训练。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时实现上述的方法的步骤。
根据本发明提供的一种菌丝显微图像识别设备，包括上述的菌丝显微图像识别系统或者上述的存储有计算机程序的计算机可读存储介质。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过采用神经网络对图像进行特征提取，大幅降低了由于菌丝形态复杂度较高，颜色差异较大导致的手工特征提取的难度，达到了大幅提升菌丝显微图像识别准确率的效果。
2、本发明只需一次分类便可直接完成训练，同时由于是分类问题，样本标注成本较分割问题大幅下降。
3、本发明使用多输入-单输出模型，能够大幅减少单模型误判率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中菌丝显微图像识别方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，一种菌丝显微图像识别方法，包括如下步骤：
步骤S1：利用显微镜采集含有或者不含有菌丝的图像；
步骤S2：对采集的图像进行尺寸变换、去均值和归一化得到输入图像；针对图像性质，分析其频域规律，找到并抽出最能使目标物特征突出的频域。
步骤S3：搭建神经网络模型，输入图像进行模型训练。搭建多输入-单输出模型。首先对含有或者不含有菌丝的图像进行训练，再对不含有菌丝的图像进行训练。针对含有或者不含有菌丝的图像进行训练的模型为A，输出为A1；再对不含有菌丝的图像进行训练的模型为B，输出为B1，对A1和B1进行比较得到菌丝匹配结果。具体地：
基于VGG19卷积主干进行修改作为卷积块；对卷积块输出的特征图融合为全局特征；构建全连接分类器；将全局特征传输至全连接分类器中；基于ImageNet预训练权重进行迁移学习训练；经过模型训练得到模型文件并进行菌丝测试。
根据本发明提供的一种菌丝显微图像识别系统，利用上述的菌丝显微图像识别方法进行菌丝显微的图像识别。
模块M1：利用显微镜采集含有或者不含有菌丝的图像；
模块M2：对采集的图像进行尺寸变换、去均值和归一化得到输入图像；
模块M3：搭建神经网络模型，输入图像进行模型训练；
模块M4：经过模型训练得到模型文件并进行菌丝测试。
优选地，通过对含有或者不含有菌丝的图像进行一次分类即完成训练。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时实现上述的方法的步骤。
根据本发明提供的一种菌丝显微图像识别设备，包括上述的菌丝显微图像识别系统或者上述的存储有计算机程序的计算机可读存储介质。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明融合了全局抽样特征，即包括了背景中的上下文信息，从而大幅减少误判。传统训练方法约能达到70％左右的样本泛化一致性，使用特殊频域训练后可达到85％的泛化一致性，使用多输入单输出算法可以达到95％左右的泛化一致性。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种菌丝显微图像识别方法，其特征在于，包括如下步骤：
步骤S1：利用显微镜采集含有或者不含有菌丝的图像；
步骤S2：对采集的图像进行尺寸变换、去均值和归一化得到输入图像；
步骤S3：搭建神经网络模型，输入图像进行模型训练；
步骤S4：经过模型训练得到模型文件并进行菌丝测试。
2.根据权利要求1所述的菌丝显微图像识别方法，其特征在于，所述步骤S3包括如下步骤：
步骤S3.1：基于VGG19卷积主干进行修改作为卷积块；
步骤S3.2：对卷积块输出的特征图融合为全局特征；
步骤S3.3：构建全连接分类器；
步骤S3.4：将全局特征传输至全连接分类器中；
步骤S3.5：基于ImageNet预训练权重进行迁移学习训练。
3.根据权利要求1所述的菌丝显微图像识别方法，其特征在于，所述步骤3搭建多输入-单输出模型。
4.根据权利要求3所述的菌丝显微图像识别方法，其特征在于，首先对含有或者不含有菌丝的图像进行训练，再对不含有菌丝的图像进行训练。
5.根据权利要求4所述的菌丝显微图像识别方法，其特征在于，针对含有或者不含有菌丝的图像进行训练的模型为A，输出为A1；再对不含有菌丝的图像进行训练的模型为B，输出为B1，对A1和B1进行比较得到菌丝匹配结果。
6.一种菌丝显微图像识别系统，其特征在于，利用权利要求1-5中任一项所述的菌丝显微图像识别方法进行菌丝显微的图像识别。
7.根据权利要求6所述的菌丝显微图像识别系统，其特征在于，包括：
模块M1：利用显微镜采集含有或者不含有菌丝的图像；
模块M2：对采集的图像进行尺寸变换、去均值和归一化得到输入图像；
模块M3：搭建神经网络模型，输入图像进行模型训练；
模块M4：经过模型训练得到模型文件并进行菌丝测试。
8.根据权利要求7所述的菌丝显微图像识别系统，其特征在于，通过对含有或者不含有菌丝的图像进行一次分类即完成训练。
9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种菌丝显微图像识别设备，其特征在于，包括权利要求6至8中任一项所述的菌丝显微图像识别系统或者权利要求9所述的存储有计算机程序的计算机可读存储介质。
CN202110507248.7A 2021-05-10 2021-05-10 菌丝显微图像识别方法和系统、设备、可读介质 Pending CN113205054A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110507248.7A CN113205054A (zh) 2021-05-10 2021-05-10 菌丝显微图像识别方法和系统、设备、可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110507248.7A CN113205054A (zh) 2021-05-10 2021-05-10 菌丝显微图像识别方法和系统、设备、可读介质

Publications (1)

Publication Number Publication Date
CN113205054A true CN113205054A (zh) 2021-08-03

Family

ID=77030614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110507248.7A Pending CN113205054A (zh) 2021-05-10 2021-05-10 菌丝显微图像识别方法和系统、设备、可读介质

Country Status (1)

Country Link
CN (1) CN113205054A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908178A (zh) * 2023-09-13 2023-10-20 吉林农业大学 一种菌丝表型获取装置及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609585A (zh) * 2017-09-08 2018-01-19 湖南友哲科技有限公司 一种基于卷积神经网络的体液细胞显微图像识别方法
CN108229379A (zh) * 2017-12-29 2018-06-29 广东欧珀移动通信有限公司 图像识别方法、装置、计算机设备和存储介质
CN110298388A (zh) * 2019-06-10 2019-10-01 天津大学 基于改进vgg19网络的玉米5种旱情识别方法
CN110555446A (zh) * 2019-08-19 2019-12-10 北京工业大学 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法
CN110796661A (zh) * 2018-08-01 2020-02-14 华中科技大学 基于卷积神经网络的真菌显微图像分割检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609585A (zh) * 2017-09-08 2018-01-19 湖南友哲科技有限公司 一种基于卷积神经网络的体液细胞显微图像识别方法
CN108229379A (zh) * 2017-12-29 2018-06-29 广东欧珀移动通信有限公司 图像识别方法、装置、计算机设备和存储介质
CN110796661A (zh) * 2018-08-01 2020-02-14 华中科技大学 基于卷积神经网络的真菌显微图像分割检测方法及系统
CN110298388A (zh) * 2019-06-10 2019-10-01 天津大学 基于改进vgg19网络的玉米5种旱情识别方法
CN110555446A (zh) * 2019-08-19 2019-12-10 北京工业大学 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908178A (zh) * 2023-09-13 2023-10-20 吉林农业大学 一种菌丝表型获取装置及方法
CN116908178B (zh) * 2023-09-13 2024-03-08 吉林农业大学 一种菌丝表型获取装置及方法

Similar Documents

Publication Publication Date Title
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN106204642B (zh) 一种基于深度神经网络的细胞追踪方法
CN111507296A (zh) 基于无人机遥感与深度学习的违章建筑智能化提取方法
CN107292314A (zh) 一种基于cnn的鳞翅目昆虫种类自动鉴别方法
Jayakumar et al. Automatic prediction and classification of diseases in melons using stacked RNN based deep learning model
CN113192076B (zh) 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法
CN101763514A (zh) 基于特征重要度排序谱聚类的图像分割方法
CN109948429A (zh) 图像分析方法、装置、电子设备及计算机可读介质
CN110501741A (zh) 一种有效信号检测方法及系统
CN111508006A (zh) 一种基于深度学习的运动目标同步检测、识别与跟踪方法
Chen et al. Segmentation of field grape bunches via an improved pyramid scene parsing network
Kshirsagar et al. Plant disease detection in image processing using MATLAB
Reddy et al. Mulberry leaf disease detection using yolo
CN116664944A (zh) 一种基于属性特征知识图谱的葡萄园害虫识别方法
CN113205054A (zh) 菌丝显微图像识别方法和系统、设备、可读介质
Gawade et al. Early-stage apple leaf disease prediction using deep learning
CN113077438B (zh) 针对多细胞核彩色图像的细胞核区域提取方法及成像方法
Al-Saad et al. Autonomous palm tree detection from remote sensing images-uae dataset
CN112489689B (zh) 基于多尺度差异对抗的跨数据库语音情感识别方法及装置
Chiu et al. Semantic segmentation of lotus leaves in UAV aerial images via U-Net and deepLab-based networks
CN114049346B (zh) 一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法
CN115496948A (zh) 一种基于深度学习的网络监督细粒度图像识别方法和系统
US11386340B2 (en) Method and apparatus for performing block retrieval on block to be processed of urine sediment image
Cheng et al. Attention to contour: A contour-guided deep network for pollen classification
Chavan et al. Crop Disease Detection Accelerated by GPU

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