CN114170598B - 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 - Google Patents
菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 Download PDFInfo
- Publication number
- CN114170598B CN114170598B CN202111504708.7A CN202111504708A CN114170598B CN 114170598 B CN114170598 B CN 114170598B CN 202111504708 A CN202111504708 A CN 202111504708A CN 114170598 B CN114170598 B CN 114170598B
- Authority
- CN
- China
- Prior art keywords
- colony
- dimensional image
- colonies
- culture dish
- light source
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003384 imaging method Methods 0.000 title claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000001580 bacterial effect Effects 0.000 claims description 30
- 230000007797 corrosion Effects 0.000 claims description 21
- 238000005260 corrosion Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 10
- 230000000149 penetrating effect Effects 0.000 claims description 9
- 230000000712 assembly Effects 0.000 claims description 8
- 238000000429 assembly Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 17
- 238000005516 engineering process Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 9
- 238000003708 edge detection Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000003321 amplification Effects 0.000 description 5
- 239000002131 composite material Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241000894006 Bacteria Species 0.000 description 4
- 238000005530 etching Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 244000005700 microbiome Species 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 208000019331 Foodborne disease Diseases 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 2
- 235000009122 Rubus idaeus Nutrition 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001464 adherent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 125000001475 halogen functional group Chemical group 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000122205 Chamaeleonidae Species 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 206010016952 Food poisoning Diseases 0.000 description 1
- 241000191967 Staphylococcus aureus Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006799 invasive growth in response to glucose limitation Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M23/00—Constructional details, e.g. recesses, hinges
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M23/00—Constructional details, e.g. recesses, hinges
- C12M23/02—Form or structure of the vessel
- C12M23/10—Petri dish
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M23/00—Constructional details, e.g. recesses, hinges
- C12M23/52—Mobile; Means for transporting the apparatus
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M31/00—Means for providing, directing, scattering or concentrating light
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/30—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration
- C12M41/36—Means for regulation, monitoring, measurement or control, e.g. flow regulation of concentration of biomass, e.g. colony counters or by turbidity measurements
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12M—APPARATUS FOR ENZYMOLOGY OR MICROBIOLOGY; APPARATUS FOR CULTURING MICROORGANISMS FOR PRODUCING BIOMASS, FOR GROWING CELLS OR FOR OBTAINING FERMENTATION OR METABOLIC PRODUCTS, i.e. BIOREACTORS OR FERMENTERS
- C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
- C12M41/48—Automatic or computerized control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/20032—Median 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/30004—Biomedical image processing
-
- 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
- G06T2207/30241—Trajectory
-
- 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
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Zoology (AREA)
- Organic Chemistry (AREA)
- Wood Science & Technology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Sustainable Development (AREA)
- Genetics & Genomics (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Clinical Laboratory Science (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了菌落高度扫描成像装置,包括支撑框架,安装在支撑框架内的数据采集器、菌落承载机构、辅助光源组件和控制器,数据采集器包括摄像头和微型激光测距传感器,通过将高度扫描和拍摄功能集于一身,能够同时实现菌落二维图像采集和包含高度信息的菌落三维图像采集,为菌落计数与识别提供内容更加丰富的菌落图像信息,提高菌落自动计数设备的准确度。本发明还公开了一种可辨别非典型菌落的菌落自动计数设备及方法,先基于菌落二维图像,结合多种图像处理技术对菌落进行初步计数;然后基于菌落三维图像对初步菌落计数结果进行校验;多角度确保菌落计数结果的高准确度。本发明进一步将人工智能分类技术应用于菌落计数过程中,实现非典型菌落辨别。
Description
技术领域
本发明属于菌落检测技术领域,涉及人工智能分类技术在菌落计数问题中的应用,尤其涉及一种菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及菌落计数与识别方法。
背景技术
由微生物引起的食源性疾病是影响食品安全的首要因素,而食源性细菌在食源性微生物中又是最为重要的一类微生物。对食品中的食源性细菌含量高准确度检测尤为重要。
运用平板计数法进行食品卫生常规监测及发生聚集性食物中毒时致病菌的检测,在进行人工菌落计数时,诸多因素会导致计数误差存在,如工作人员视觉误差、鉴定经验、某些菌落特征肉眼不易识别等。随着计算机图像处理技术的快速发展,结合工业相机与计算机,使用机器视觉的方法对菌落进行自动化的计数的研究越来越多。目前的解决方法一般是基于图像处理技术和Android平台来完成菌落自动计数的系统。系统由硬件拍照设备采集菌落图像,以智能手机为主要操作载体,对图像进行光谱阈值分割、中值滤波、洪水填充、开值运算、八邻域边界跟踪等多种算法处理后实现自动计数。这类机器在某些实验室内也有少量应用,然而该类设备价格昂贵,准确率低,使用不便捷,数据不完善,不适用于大量使用,并且目前的菌落计数以及分类仅仅利用了二维特征,三维特征没有利用上,浪费了信息。
综上,现有普通人工计数对人力消耗过大,准确率无法保证;而商业化菌落计数设备虽然可以实现较高的自动化程度,然而往往价格昂贵且准确率低,难以大范围的推广应用,且目前商业化菌落计数设备无法进行非典型菌落分辨、数据保存与共享等。
发明内容
本发明的目的旨在针对目前菌落技术存在的设备昂贵、准确率低、难以进行非典型菌落分辨等问题,提供一种菌落高度扫描成像装置,能够实现对菌落二维图像和菌落高度信息的采集,为菌落计数提供有效数据支持。
本发明的另一目的旨在提供一种可辨别非典型菌落的菌落自动计数设备,简化菌落计数设备结构,以较低的成本实现高准确率的菌落自动计数,且可实现对非典型菌落的辨别。
本发明的第三个目的旨在提供一种菌落计数与识别方法,以图形处理技术为基础,以人工智能分类技术为补充,完成菌落计数统计,提升菌落技术准确度的同时,实现对非典型菌落的识别。
为了达到上述目的,本发明采用以下技术方案来实现。
本发明提供的菌落高度扫描成像装置,包括支撑框架,安装在支撑框架内的数据采集器、菌落承载机构、辅助光源组件和控制器;
所述支撑框架顶部安装有两组第一导向组件和一组第二导向组件;两组第一导向组件相对安装在支撑框架壳体顶部相对的两侧;第二导向组件跨接与两组第一导向组件之间;
所述数据采集器包括用于采集菌落二维图像的摄像头和用于采集高度信息的微型激光测距传感器;所述数据采集器安装于第二导向组件上,在第二导向组件带动下沿菌落培养皿径向往复移动;
所述菌落承载机构用于支撑盛有菌落的培养皿,且带动培养皿旋转;所述菌落承载机构安装于支撑框架中部的支撑平台上,其包括旋转平台,所述旋转平台由第二驱动电机驱动旋转;所述培养皿和辅助光源组件放置于旋转平台内,且辅助光源组件位于培养皿的下方;
所述辅助光源组件位于培养皿的下方,用于为培养皿提供背景光;
控制器用于控制摄像头和微型激光测距传感器的采集,以及控制辅助光源组件的启停。
上述菌落高度扫描成像装置,所述第一导向组件包括第一导向块和穿设于第一导向块上的第一导向杆,所述第一导向杆两端通过第一固定件和第二固定件固定于支撑框架壳体顶部;所述第二导向组件包括第二导向块和经轴承安装于第二导向块上的第二导向杆,所述第二导向杆两端安装于第一导向块上;所述第二导向块在驱动机构驱动下沿第二导向杆往复移动。所述驱动机构主要由驱动轮、同步带和第一驱动电机组成;所述驱动轮套设于第一驱动电机的输出轴上;所述同步带套设于驱动轮上,同步带同时穿过第二导向块、并与第二导向块固定连接。进一步的,可以在支撑框架壳体顶部或第一导向组件设计若干惰轮,使同步带跨接于惰轮上,使同步带运行路径更加合理、稳定。
上述菌落高度扫描成像装置,数据采集器包括摄像头和微型激光测距传感器。摄像头用于采集菌落的二维形貌图像。微型激光测距传感器用于在第二导向组件带动下沿着平行于菌落径向的方向移动,实时采集相应位置的高度信息。
上述菌落高度扫描成像装置,所述旋转平台为一端封闭的筒状结构,包括筒状壳体以及与之连为一体的底板;所述底板设置有穿过支撑平台、与第二驱动电机输出轴连接的转轴。所述旋转平台可以为简单的筒状结构,辅助光源组件和培养皿依次放置于旋转平台内,且培养皿位于辅助光源的上方。为了更加牢固的固定培养皿,并满足不同尺寸培养皿的要求。在优选实现方式中,所述旋转平台底板上安装有固定块,固定块的两边分别设置有一支撑板,两支撑板相对的一侧上各设置一穿入固定块导向孔内的导向柱,且两支撑板通过穿设于两者及固定块的螺栓连接;两支撑板上端分别固定有构成培养皿限位器的弧形限位块;通过螺栓调节两支撑板之间的距离,利用培养皿限位器将培养皿锁紧。
上述菌落高度扫描成像装置,所述辅助光源组件放置于旋转平台上,且位于培养皿的下方。所述辅助光源组件包括光源壳体、安装于光源壳体内的LED矩阵、位于LED矩阵上方的均光板、与LED矩阵电连接的光源供电端。所述均光板底部设置有菲涅尔透镜。光源供电端包括光源供电接口和LED控制开关。光源供电接口、具有高指向性的LED矩阵和LED控制开关构成供电电路。
上述菌落高度扫描成像装置,所述控制器用于控制摄像头和微型激光测距传感器的采集。还可以进一步控制第一驱动电机和第二驱动电机的启停。此外,所述控制器依据第一驱动电机和第二驱动电机的运转信息,可以得到微型激光测距传感器的轨迹;控制器还可以将高度值映射到灰度值,用灰度值深度表征高度信息,并进一步将灰度值表征的高度信息及同一时间点所在轨迹的位置信息关联构建包含高度信息的菌落三维图像。
本发明进一步提供了一种可辨别非典型菌落的菌落自动计数设备,其包括前面给出的菌落高度扫描成像装置,还包括服务器;控制器将数据采集器采集的数据发送给服务器;所述服务器依据数据采集器采集的数据对菌落进行计数与识别。
在优选实现方式中,控制器将摄像图采集的菌落二维图像和依据高度信息处理得到的包含高度信息的菌落三维图像发送给服务器;所述服务器依据数据采集器采集的数据对菌落进行计数与识别。
本发明进一步提供了一种菌落计数与识别方法,主要包括两部分:(1)对采集的菌落二维图像进行预处理、阈值分割等,实现对菌落数量的统计,并利用菌落三维图像对菌落计数结果进行矫正;(2)通过菌落分类模型检测出形态学特征异常的菌落,完成非典型菌落识别。本发明所提供的菌落计数与识别方法包括以下步骤:
S1利用上述菌落自动计数设备采集培养皿内的菌落二维图像以及包含高度信息的三维图像;
S2对获取的菌落二维图像进行预处理,获取感兴趣区域;
S3对预处理获取的菌落二维图像感兴趣区域进行阈值分割,将菌落与培养基区域分开;
S4基于分割后的菌落二维图像,进行初步菌落计数;
S5利用包含高度信息的菌落三维图像中高度信息对粘连菌落进行检验,对于存在粘连菌落的菌落计数进行修正,得到最终菌落计数结果;
S6采用卷积神经网络或者聚类方法对菌落二维图像进行异常菌落鉴别。
上述步骤S1主要是对菌落进行图像采集,包括以下分步骤:
S11将盛有菌落的培养皿置于菌落承载机构内;
S12在第二导向组件带动下,调整数据采集器位置,使摄像头窗口对准培养皿的中心位置,并启动辅助光源组件,通过摄像头拍摄包含菌落的二维图像;
S13关闭辅助光源组件,在第二导向组件带动下,调整数据采集器位置,使微型激光测距传感器发射激光中心对准培养皿的中心位置,驱动旋转平台转动的同时,驱动第二导向组件沿直线移动到培养皿边缘,利用微型激光测距传感器采集菌落高度信息,并结合微型激光测距传感器运行轨迹,得到包含高度信息的菌落三维图像。
本发明中,可以通过服务器将对第一驱动电机、第二驱动电机、辅助光源组件等的操作指令发送给控制器,再由控制器根据操作指令进行操作。
这里,步骤S12中,主要通过摄像头来采集菌落二维图像信息。为了使菌落二维图像与三维图像对应,本发明以培养皿的中心位置作为对准基点。首先,在第二导向组件带动下,调整数据采集器位置,使摄像头窗口对准培养皿的中心位置。然后,启动辅助光源组件,使摄像头获得清晰的拍摄视野;这里主要是启动辅助光源组件的LED控制开关,由高指向性的LED矩阵(例如白色LED)提供合适的亮度,再经均光板和以及位于均光板底部的菲涅尔透镜,能够产生非常清晰的硬光勾边效果,以便于图像识别能更精准的区分各种菌落。摄像头采集的菌落图像经控制器发送给服务器。
步骤S13中,通过微型激光测距传感器来采集高度信息。此时,需要先关闭辅助光源组件,然后同时驱动数据采集器和旋转平台旋转。本发明中用螺旋线来表征微型激光测距传感器的轨迹。微型激光测距传感器相对于培养皿运动函数为r=a+bθ,此为阿基米德螺旋线公式在极坐标下的表示,其中a为旋转起始点,在图中a=0,b为给定的旋转精度,即螺旋线之间的最小距离,θ为极坐标下的自变量,根据不同菌落的要求和初始设定值而变化,需要能实现菌落高度信息复现。基于上述分析,设微型激光测距传感器沿培养皿径向的匀速运动,速度为A;旋转平台的旋转角速度为ω;则在培养皿二维坐标系(XOY)下,微型激光测距传感器相对于培养皿的运动轨迹可以表示为t表示微型激光测距传感器(或旋转平台)运行时间。因此,可以根据微型激光测距传感器的速度和旋转平台的转速来确定轨迹,也可以根据指定轨迹,来确定旋转平台的转速及微型激光测距传感器沿第二导向杆移动的速度。所述控制器还将高度值映射到灰度值,用灰度值深度表征高度信息,并进一步将还原得到的高度信息与计算得到的相应轨迹位置信息构建包含高度信息的菌落三维图像,所得包含高度信息的菌落三维图像进一步发送给服务器;这些操作具体可以通过控制器设置的树莓派来实现。
在优选实现方式中,利用微型激光测距传感器采集的高度数据减去微型激光测距传感器采集的培养皿底部高度数据(这里取微型激光测距传感器采集到的有效数据最小值)获得菌落的有效高度数据,并以该有效高度数据作为最终的菌落高度数据。
上述步骤S2主要是对菌落二维图像进行预处理并进行边缘检测,包括以下分步骤:
S21对获取的菌落图像进行灰度处理,转化为灰度图;
S22对灰度处理后的菌落图像采用高斯滤波方法进行去噪处理;
S23采用边缘检测方法对去噪后的菌落图像进行边缘检测,检测出菌落边缘。
步骤S23中,可以采用自适应阈值Canny边缘检测算法找到菌落的边缘,获取感兴趣区域;具体操作可以参见陈可意.菌落计数与分类智能算法研究[D].天津大学,2014。
上述步骤S3主要是对预处理后的菌落二维图像进行阈值分割,将菌落与培养基区域分开,并且用迭代腐蚀算法解决菌落粘连问题,得到可以用于菌落计数的图像。该步骤具体包括以下分步骤:
S31对预处理后的菌落二维图像进行初次区域划分,将菌落图像感兴趣区域均分为若干等份;
S32依据初次区域划分结果,对划分后的各区域进行直方图统计分析,并基于直方图统计分析结果,在初次区域划分基础上进行二次区域划分得到一次分割区域和二次分割区域;
S33分别计算一次分割区域和二次分割区域的阈值;
S34依据一次分割区域和二次分割区域的阈值,设置阈值矩阵;
S35采用平滑方法对阈值矩阵进行处理,消除阈值矩阵的块状效应;
S36依据阈值矩阵对步骤S2预处理后的菌落二维图像感兴趣区域进行二值化分割;
S37通过迭代腐蚀法对二值化分割后的菌落二维图像进行处理,将菌落粘连区域分离成连通域,从而将菌落与培养基区域分开。
通过上述步骤S31-S37,形态学的处理最终使得二值化分割后的菌落图像中的菌落变成了一个一个的种子点,步骤S4中菌落计数的过程就是对这些种子点的个数进行统计。种子点都是二值图像中的非零像素点,因此统计的过程实际是寻找这些非零像素点,并确定哪些像素点处于同一个连通域,处在同一个连通域的像素,认为是来自同一个菌落,处于不同连通域的像素点,认为来自不同的菌落。连通域的统计采用递归的方法进行设计。
上述步骤S5主要是对初步菌落计数结果进行检验,利用菌落三维图像的高度信息对是否还存在粘连菌落进行检验;若检验结果仍然发现存在粘连菌落,则存在粘连菌落的区域把初步计数结果加上该连通域内极值点个数减去一,对菌落计数进行修正,达到校验目的。本发明中首先是将包含高度信息的菌落三维图像转换到与菌落二维图像相同的坐标系中,然后通过平均面积法对初步菌落计数结果进行检验,以降低计数误差。该步骤具体包括以下分步骤:
S51对步骤S1得到包含高度信息的菌落三维图像进行高斯滤波处理,然后对高斯滤波处理后的菌落三维图像寻找极大值点;并依据寻找的极大值点坐标,搜索步骤S3将菌落与培养基区域分开的菌落二维图像,判断同一个连通域是否存在多个极大值点,若同一个连通域内存在多个极大值点,则表明仍然存在粘连菌落,进入步骤S52;否则,表明初步菌落计数结果准确,完成菌落计数;
S52对于存在多个极值点的连通域,当前连通域的菌落个数为极大值点个数减去1;最终菌落计数结果为初步菌落计数结果加上步骤S51判断出的存在粘连菌落连通域的所有极大值点个数减去存在粘连菌落的连通域个数。
此外,本发明利用包含高度信息的三维图像还可以获取菌落二维图像各连通域的凹凸程度,具体步骤为:
S53针对分割后的菌落二维图像每个连通域,使用椭圆抛物面对菌落三维图像相应区域进行拟合,如果所得拟合参数值均为正数则相应连通域菌落为凹,如果连通域对应的所得拟合参数值均为负数则相应连通域菌落为凸,参数值绝对值之和越大则说明凹或者凸的程度越剧烈。
通过肉眼去鉴别出所有的非典型菌落是比较困难的,非典型菌落主要体现在大小,颜色,亮度,晕圈等特征上,以及连成片和连成链的菌落。上述步骤S6中,本发明主要是采用人工智能分类技术解决这一问题。基于菌落大小,颜色,亮度、凹凸程度,呈现出异常的菌落进行鉴别,本发明提出两种方案:第一种方案是使用卷积神经网络对呈现异常的菌落进行鉴别;第二种方案是采用DENCLUE与chameleon方法对菌落进行聚类。对于基于卷积神经网络的异常菌落识别方法,可以以步骤S1获取的原始菌落二维图像,或者S2/S3进行处理得到的菌落二维图像作为输入特征。对有晕圈的异常菌落,还可以采用霍夫圆检测的方法。对于连成片或连成链的菌落,还可以进一步采用了三位重建以及平均面积的方法。
本发明可以通过与服务器连接的显示装置,实现数据的可视化,便于实验人员的数据查看以及共享。实验人员可以通过登录服务器浏览过往数据、图片,也可以通过服务器操作菌落自动计数设备,使其完成菌落扫描、图像上传同步等功能。
与现有技术相比,本发明具有如下十分突出的优点和有益技术效果:
1、本发明所设计的菌落高度扫描成像装置,将高度扫描和拍摄功能集于一身,能够同时实现菌落二维图像采集和包含高度信息的菌落三维图像采集,为菌落计数与识别提供内容更加丰富的菌落图像信息,提高菌落自动计数设备的准确度。
2、本发明针对培养皿设计辅助光源组件,基于高指向性的白色LED、均光板和菲涅尔透镜,能够产生非常清晰的硬光勾边效果,以便于图像识别能更精准的区分各种菌落,并有助于菌落识别。
3、本发明通过菌落自动计数设备能够同时采集菌落二维图像和包含高度信息的菌落三维图像;先基于菌落二维图像,结合多种图像处理技术(包括预处理、边缘检测、阈值划分等)对菌落进行初步计数;然后基于包含高度信息的菌落三维图像对初步菌落计数结果进行校验;通过增加菌落计数结果校验过程,多角度确保菌落计数结果的高准确度。
4、本发明将人工智能分类技术应用于菌落计数过程中,可以从不同方面判断非典型菌落并标记,实现非典型菌落辨别,还便于研究人员的后续调查取样。
5、本发明所设计的菌落自动计数设备,结构简单,且能够实现自动化计数,具有较高的泛用性。
附图说明
图1为本发明提供的菌落高度扫描成像装置主视图。
图2为本发明提供的菌落高度扫描成像装置立体图。
图3为本发明提供的菌落高度扫描成像装置另一视角的立体图。
图4为菌落承载机构去除筒状壳体之后的结构示意图。
图5为辅助光源组件结构示意图。
图6为控制器工作原理示意图。
图7为菌落计数与识别方法流程示意图。
图8为菌落二维图像处理结果;其中(a)对应阈值分割结果,(b)对应迭代腐蚀结果。
图9为Colony-Net卷积神经网络结构示意图。
附图中,1-支撑框架,10-支撑框架壳体,11-第一导向组件,111-第一导向块,112-第一固定件,112′-第二固定件,113-第一导向杆,12-驱动机构,121-驱动轮,122-同步带,123-第一驱动电机;124-惰轮,13-第二导向组件,131-第二导向块,132-第二导向杆,133-第三固定件,134-第一支撑件,135-第二支撑件,136-轴承,137-同步带固定件,14-支撑平台,2-数据采集器,21-摄像头,22-微型激光测距传感器,3-菌落承载机构,31-筒状壳体,32-底板,321-固定块,322-支撑板,323-导向柱,324-螺栓,325-弧形限位块,33-第二驱动电机,4,4′-辅助光源组件,41-光源壳体,42-LED矩阵,43-均光板,44-光源供电接口,45-LED控制开关,5-控制器。
具体实施方式
以下将结合附图给出本发明实施例,并通过实施例对本发明的技术方案进行进一步的清楚、完整说明。显然,所述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明内容,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
实施例1
本实施例提供的菌落高度扫描成像装置如图1至图3所示,其包括支撑框架1,安装在支撑框架1内的数据采集器2、菌落承载机构3、辅助光源组件4和控制器5。
如图1至图3所示,支撑框架1包括呈长方体结构的支撑框架壳体10,安装于支撑框架壳体顶部相对的两组第一导向组件11和跨接于两组第一导向组件11之间的第二导向组件13,以及安装于支撑框架壳体10纵梁上、用于支撑菌落承载机构3的支撑平台14。
如图2至图3所示,第一导向组件11包括第一导向块111和穿设于第一导向块上的第一导向杆113,第一导向块111与第一导向杆113之间通过螺纹连接。第一导向杆113两端通过第一固定件112和第二固定件112′固定于支撑框架壳体顶部。第二导向组件13包括第二导向块131和经轴承136安装于第二导向块上的第二导向杆132,第二导向杆132两端固定安装于与第一导向块连为一体的第三固定件133。第二导向块131在驱动机构12驱动下沿第二导向杆往复移动。驱动机构主要由驱动轮121、同步带122、第一驱动电机123和四个惰轮124组成;第一驱动电机123安装于支撑框架壳体10的第二固定件112′上,驱动轮121套设于第一驱动电机123的输出轴上;四个惰轮安装于两个第一固定件112和两个第三固定件133设置的卡槽内;同步带套设于驱动轮121和四个惰轮上,同步带同时穿过第二导向块131、并与第二导向块131固定连接。第一驱动电机123带动驱动轮121旋转,在同步带122带动下第二导向块沿第二导向杆往复移动。
如图2和图3所示,数据采集器包括用于采集菌落二维图像的摄像头21和用于采集高度信息的微型激光测距传感器22。摄像头21和微型激光测距传感器22分别经第一支撑件134和第二支撑件135安装于第二导向块131上。本实施例中,所用微型激光测距传感器22参数,其最佳探测范围为65mm-135mm。采用摄像头21视角为58°,常用图像比例为3:2,为获取常用培养皿的全部图像,摄像头21与培养皿距离应大于142mm。
如图1至图3所示,菌落承载机构包括旋转平台和旋转电机33。旋转平台为一端封闭的筒状结构,包括筒状壳体31以及与之连为一体的底板32。底板32一侧设置的转轴穿过支撑平台14与第二驱动电机输出轴连接。
如图5所示,辅助光源组件4放置于旋转平台上,用于为培养皿提供良好的照明。辅助光源组件4包括光源壳体41、安装于光源壳体41内的高指向性LED矩阵42、位于LED矩阵上方的均光板43、与LED矩阵电连接的光源供电端。高指向性LED矩阵由60颗白光LED均匀排列组成,根据LED两端电压的大小变化,每颗LED均可改变亮度。均光板43底部设置有菲涅尔透镜。光源供电端包括光源供电接口44和LED控制开关45。光源供电接口45、具有高指向性的LED矩阵42和LED控制开关45构成供电电路,由LED控制开关控制光源供电接口与LED矩阵的接通或断开。LED控制开关为辅助光源组件的核心,通过其可实现对高指向性LED矩阵电压的改变从而改变其亮度,以满足具体菌落厚度照明要求。辅助光源组件4可以为人工调整,也可以通过控制器调整。
如图6所示,控制器分别与数据采集器的摄像头、微型激光测距传感器、第一驱动电机、第二驱动电机和LED控制开关连接。控制器依据接收的操作指令:
(1)控制第一驱动电机和第二驱动电机旋转;从而实现数据采集器沿第二导向杆的移动或旋转平台的旋转;
(2)控制数据采集器摄像头和微型激光测距传感器的启停以及数据采集;并将采集的数据发送给与之连接的服务器。
(3)控制辅助光源组件4的启停等。
本实施例提供的上述菌落高度扫描成像装置的工作原理为:首先将辅助光源组件4放置于旋转平台内,再将盛有菌落的培养皿放置于辅助光源组件4上。调整数据采集器至摄像头窗口中心与培养皿中心位置重合。打开辅助光源组件,利用摄像头拍摄菌落二维图像。拍摄结束后,辅助光源组件4关闭,旋转平台在第二驱动电机33驱动下开始按指定速度旋转,同时控制数据采集器2按指定速度移动,微型激光测距传感器在移动过程中采集相应位置上的高度信息,完成菌落高度扫描。
扫描方法:微型激光测距传感器相对于培养皿运动函数为r=a+bθ,此为阿基米德螺旋线公式,其中a为旋转起始点(这里即为培养皿中心),在图中a=0,b为旋转精度,即螺旋线之间的最小距离,根据不同菌落的的要求和初始设定值而变化,需要能实现菌落高度信息复现。基于上述分析,设微型激光测距传感器沿极坐标正方向(即沿第二导向杆,也即培养皿径向)的匀速运动,速度为A;旋转平台的旋转角速度为ω;则在培养皿二维坐标系(XOY)下,微型激光测距传感器相对于培养皿的运动轨迹可以表示为t表示微型激光测距传感器(或旋转平台)运行时间。因此,可以根据微型激光测距传感器相对于培养皿的转速,来确定微型激光测距传感器的轨迹;当然也可以根据指定轨迹,确定旋转平台的转速及微型激光测距传感器沿滑轨移动的速度。
此外,控制器通过设置的树莓派利用高度还原算法还原高度图像,得到包含高度信息的菌落三维图像,所述高度还原算法具体实现方式为:控制器将高度值映射到灰度值,用灰度值深度表征高度信息,并进一步将用灰度值表征的高度信息与依据激光测距传感器移动速度和旋转平台转速计算得到的相应轨迹位置信息关联构建包含高度信息的菌落三维图像。
实施例2
本实施例提供的可辨别非典型菌落的菌落自动计数设备,其包括实施例1提供的菌落高度扫描成像装置和服务器。菌落高度扫描成像装置的控制器经无线通讯模块(例如WIFI)与服务器通信连接,用于控制菌落高度扫描成像装置操作,同时将菌落高度扫描成像装置获取的菌落二维图像和包含高度信息的菌落三维图像发送给服务器。服务器依据菌落二维图像和菌落三维图像对菌落进行计数与识别。
本实施例提供的上述可辨别非典型菌落的菌落自动计数设备的具体实施工作过程如下:
(1)将辅助光源组件4放置于旋转平台内,将培养皿放置于辅助光源组件上。
(2)通过服务器给控制器发送启动信息,旋转平台和数据采集器2在控制器控制下复位,稳定后利用摄像头21采集菌落二维图像信息并通过无限通讯模块将图像信息上传至服务器;拍照结束,辅助光源组件4关闭,旋转平台在第二驱动电机33驱动下开始按指定速度旋转,数据采集器2的微型激光测距传感器22按指定速度移动,同时微型激光测距传感器在移动过程中采集相应位置上的高度信息。控制器收集高度信息后通过高度还原算法(如前所述)还原高度图像,并利用无线通讯模块将包含高度信息的菌落三维图象上传服务器,服务器依据菌落二维图像和菌落三维图像对菌落进行计数与识别。
计数结束后,取出培养皿,通过服务器关闭上述各部件,然后关闭电源。
实施例3
本实施例是在实施例1基础上的进一步改进。
本实施例提供的菌落高度扫描成像装置包括支撑框架1,安装在支撑框架1内的数据采集器2、菌落承载机构3、辅助光源组件4和控制器。支撑框架1,安装在支撑框架1内的数据采集器2和控制器结构在实施例1中已经给出了详细的描述。
本实施例采用的菌落承载机构包括旋转平台和旋转电机33。旋转平台为一端封闭的筒状结构,包括筒状壳体31以及与之连为一体的底板32。底板32一侧设置的转轴穿过支撑平台14与第二驱动电机输出轴连接。进一步的,如图4所示,旋转平台底板上安装有固定块321,固定块321的两边分别设置有一支撑板322,两支撑板相对的一侧上各设置一穿入固定块321导向孔内的导向柱323,且两支撑板通过穿设于两者及固定块的螺栓324连接。为了便于牢固固定支撑板,导向柱上可以进一步设置具有一定弹性的卡接头,并在固定块导向孔内设置相应的卡槽,两者通过卡接结构进一步紧密连接。培养皿通过培养皿限位器固定于旋转平台上。培养皿限位器由两弧形限位块325构成,两弧形限位块325分别位于两支撑板322上,与支撑板为一体式设计。两弧形限位块的弧形开口相对,构成容纳培养皿的空间。通过螺栓324可调节两支撑板之间的距离,利用培养皿限位器将培养皿锁紧。培养皿限位器可以选择便于与培养皿区分的颜色(例如黑色)。针对不同尺寸的培养皿可以选取不同尺寸的培养皿限位器。保证所述细菌培养皿放置位置后在旋转过程中不变,同时保证培养皿的中心始终保持不变。
本实施例采用的辅助光源组件4′与辅助光源组件4结构相同。
本实施例提供的菌落高度扫描成像装置工作原理与实施例1中的菌落高度扫描成像装置相同。
实施例4
本实施例提供的可辨别非典型菌落的菌落自动计数设备,其包括实施例3提供的菌落高度扫描成像装置和服务器。菌落高度扫描成像装置的控制器经无线通讯模块(例如WIFI)与服务器通信连接,用于控制菌落高度扫描成像装置操作,同时将菌落高度扫描成像装置获取的菌落二维图像和包含高度信息的菌落三维图像发送给服务器。服务器依据菌落二维图像和菌落三维图像对菌落进行计数与识别。
本实施例提供的上述可辨别非典型菌落的菌落自动计数设备的具体实施工作过程如下:
(1)根据所使用的细菌培养皿5的规格调节尺寸培养皿限位器尺寸,将培养皿固定到培养皿限位器后,通过螺栓324将培养皿限位器固定到旋转平台上,将辅助光源组件4′放置于培养皿下方,连接电源并登录服务器。
(2)通过服务器给控制器发送启动信息,旋转平台和数据采集器2在控制器控制下复位,稳定后利用摄像头21采集菌落二维图像信息并通过无限通讯模块将图像信息上传至服务器;拍照结束,辅助光源组件4′关闭,旋转平台在第二驱动电机33驱动下开始按指定速度旋转,数据采集器2的微型激光测距传感器22按指定速度移动,同时微型激光测距传感器在移动过程中采集相应位置上的高度信息。控制器收集高度信息后通过高度还原算法(如前所述)还原高度图像,并利用无线通讯模块将包含高度信息的菌落三维图象上传服务器,服务器依据菌落二维图像和菌落三维图像对菌落进行计数与识别。
计数结束后,取出培养皿,通过服务器关闭上述各部件,然后关闭电源。
实施例5
本实施例以食源性细菌菌落为例,对本发明提供的菌落计数与识别方法进行详细说明。待检测对象食源性细菌菌落置于培养皿内。
本实施例提供了的菌落计数与识别方法,如图7所示,包括以下步骤:
S1利用实施例4提供的菌落自动计数设备采集培养皿内的菌落二维图像以及包含高度的三维图像。
本步骤包括以下分步骤:
S11将盛有菌落的培养皿置于菌落承载机构内。
本步骤中,根据所使用的细菌培养皿的规格调节尺寸培养皿限位器尺寸,将培养皿固定到培养皿限位器后,通过螺栓324将培养皿限位器固定到旋转平台上,将辅助光源组件4′放置于培养皿下方,连接电源并登录服务器。然后按照以下步骤进行操作。
S12在第二导向组件13带动下,调整数据采集器位置,使摄像头窗口对准培养皿的中心位置,并启动辅助光源组件,通过摄像头拍摄包含菌落的二维图像。
本步骤中,通过服务器给控制器5发送启动信息,第一驱动电机123和第二驱动电机33在控制器5控制下复位(本实施例中以培养皿中心位置作为初始对准位置)。通过控制器控制第一驱动电机123,使得摄像头21对准培养皿中心位置;同时启动辅助光源组件的LED控制开关45,由高指向性的LED矩阵42(例如白色LED)提供合适的亮度,再经均光板43和位于均光板底部的菲涅尔透镜,能够产生非常清晰的硬光勾边效果,以便于图像识别能更精准的区分各种菌落。
S13关闭辅助光源组件,在第二导向组件带动下,调整数据采集器位置,使微型激光测距传感器33发射激光中心对准培养皿的中心位置,驱动旋转平台转动的同时,驱动第二导向组件沿直线移动到培养皿边缘,利用微型激光测距传感器采集菌落高度信息,并结合微型激光测距传感器运行轨迹,得到包含高度信息的菌落三维图像。
本步骤中,按照前面给出的解释,可以事先确定好微型激光测距仪传感器22沿第二导向杆的直线移动速度和旋转平台的转速,然后按照确定的轨迹利用微型激光测距传感器进行扫描,采集高度信息。获取的有效数据即为菌落的高度信息。这里的有效数据是指微型激光测距传感器在可测范围内测量得到的距离数据,是相对于无用数据而言的,无用数据是因为高度超过探测范围而呈现一个相同的最大值,据此,可以对微型激光测距传感器测量数据进行初步筛选,剔除无用数据。
本实施例中,直接以微型激光测距传感器测量得到的高度数据作为测量的菌落高度数据。然后按照前面给出的高度还原算法,控制器将到高度值映射为灰度值深度,一步将还原得到的高度信息及所在轨迹的位置信息关联构建包含高度信息的菌落三维图像(此时坐标系为直角标系),从而将原始高度扫描图像转化为使用灰度值深度表示高度信息的二维图像。这样可以便于与摄像头采集的二维图像进行对比,对计数结果进行矫正,并且提取出凹凸特征用于菌落的分类;且可以使用四分位数方法来消除离群点。
控制器将菌落二维图像和包含高度信息的菌落三维图像发送给服务器。
S2对获取的菌落二维图像进行预处理,获取感兴趣区域。
本步骤包括以下分步骤:
S21对获取的菌落图像进行灰度处理,转化为灰度图。
S22对灰度处理后的菌落图像采用常规高斯滤波方法进行去噪处理。
S23采用边缘检测方法对去噪后的菌落图像进行边缘检测,检测出菌落边缘。
本步骤中,首先按照固定的拍摄位置确定培养皿外壁区域固定参数,然后按照固定参数去除培养皿外壁区域;再采用自适应阈值Canny边缘检测算法找到菌落的边缘,具体操作参见陈可意.菌落计数与分类智能算法研究[D].天津大学,2014。
S3对预处理获取的菌落图像感兴趣区域进行阈值分割,将菌落与培养基区域分开。
本步骤包括以下分步骤:
S31对预处理后的菌落二维图像进行初次区域划分,将菌落图像感兴趣区域均分为若干等份。
这里,对预处理后的菌落二维图像进行初次区域划分,首先对图像进行等均匀的划分,常用的分割模板尺寸有8*8,16*16,32*32等,本实施例中优选采用32*32的模板先对图像进行区域划分。
S32依据初次区域划分结果,对划分后的各区域进行直方图统计分析,并基于直方图统计分析结果,在初次区域划分基础上进行二次区域划分得到一次分割区域和二次分割区域。
这里,首先对初次划分后的各个区域进行直方图统计分析,并计算该区域的灰度均值g,灰度最大值gmax和灰度最小值gmin。灰度均值非常接近灰度最大值或灰度最小值的情况时(可通过|g-gmax|<t或|g-gmin|<t来判定,t为设定为10),说明区域中目标与背景的比例比较悬殊,不适于设置阈值,因此将这一区域再等分为4个区域,称为二次分割区域,记作{s1,s2,s3,....,sn}。若不出现上述这种情况,则称为这些区域为一次分割区域,记作{f1,f2,...fn}。
S33分别计算一次分割区域和二次分割区域的阈值。
这里,对于一次分割区域可以直接利用Otsu算法进行阈值计算,二次分割区域则需要重复直方图统计步骤,并仍然将统计结果按照步骤S32的方法分为两种情况。如果二次分割区域新的统计结果不再出现|g-gmax|<t或|g-gmin|<t的情况,则与一次分割区域相同,用Otsu算法进行阈值计算。否则采用如下方法:①当均值接近最大值时,用最小值作阈值;②当均值接近最小值时,用最大值做阈值。
S34依据一次分割区域和二次分割区域的阈值,设置阈值矩阵。
这里,将一次分割与二次分割区域按照在原图像的位置,相应存入一个矩阵中。但由于一次分割与二次分割区域面积不同,为保持一致权重,对于不存在二次分割区域的一次分割区域,相应一次分割区域的阈值要在阈值矩阵中复制4次。
S35采用平滑方法对阈值矩阵进行处理,消除阈值矩阵的块状效应;
由于图像的分割采用了局部阈值分割的方法,因此各个区域的阈值可能差异较大,出现块状效应。因此,这里采用常规的平滑方法(高斯滤波)对阈值矩阵进行处理,从而消除矩阵中一些突变的阈值。
S36依据阈值矩阵对步骤S2预处理后的菌落二维图像感兴趣区域进行二值化分割。
这里,根据阈值矩阵对步骤S2预处理后的菌落二维图像感兴趣区域完成二值化分割,即将感兴趣区域中的像素与阈值矩阵对应位置的阈值相比较,如果大于等于相应阈值,则将该像素设置为255;如果小于相应阈值,则将该像素设置为0。图像开始选用32*32的模板进行分割是因为在做单纯的局部阈值分割时,尺寸为30*30左右的模板进行分割是因为在做单纯的局部阈值分割时,尺寸30*30左右的模板分割效果好,而典型的图像尺寸和显示器分辨率一般都是32的倍数,因此整幅图像可以刚好被完全等分,同时32*32的尺寸又方便图像的三次等分,这是因为15*15的局部阈值分割模板已经出现了一定程度的“过分割”现象,因此认为进行更小尺寸的分割已经没有意义,反而会引入更多干扰。
二值化处理后的菌落二维图像,如图8(a)所示,图中的非0像素点称为种子点。
S37通过迭代腐蚀法对二值化分割后的菌落图像进行处理,将菌落粘连区域分离成连通域,从而将菌落与培养基区域分开。
这里,通过迭代腐蚀法来使粘连菌落被分割。由于直接采用单一的圆形结构元素进行迭代腐蚀时,算法不利于保留图像中较小的凹陷信息。对于一些粘连较紧而使得粘连处凹陷不显著的粘连图像区域,经过若干次腐蚀运算后,凹陷会逐步消失,导致粘连区域最终不会产生应有的分割。所以本实施例使用4领域-N4(P)结构元素与8邻域-N8(P)结构元素交替腐蚀的方法,称为4/8结构元素交替腐蚀法。研究表明,使用4/8结构元素交替腐蚀法比单一使用固定的圆形结构元素算法的腐蚀效果更佳,对圆形图像的腐蚀效果更符合真实情况,从而更真实地体现图像中像素点间地位置关系。
迭代腐蚀算法对二值化细胞图像进行4领域与8领域结构元素交替腐蚀,1次迭代腐蚀包括1次4领域结构元素腐蚀和1次8领域结构元素腐蚀,每次腐蚀运算相当于将原二值化图像腐蚀掉一层。不断的交替腐蚀会导致不断地出现新的连通域,但同时也会导致一些已经存在的连通域消失,这就会造成种子点的流失。为了解决这个问题,在腐蚀后得到的图像中,迭代腐蚀法能够保存在此过程中消失的连通域,从而保证在整个迭代腐蚀过程中菌落的种子点不会被错误的腐蚀掉,即在每一次迭代后,细胞种子区域小代替大,有代替无。该方法以原始二值化图像为初始图象,原始二值化图像中的连通域为初始种子点,在不断的迭代腐蚀过程中,种子点数目不断增加或者保持不变。具体操作方法参见基于迭代腐蚀的粘连细胞图像分割研究,王鑫等,南京理工大学学报,第40卷,第3期,2016年6月,286-289。
迭代腐蚀处理后的菌落二维图像,如图8(b)所示。
S4基于分割后的菌落图像,进行初步菌落计数。
这里,经腐蚀处理后的二值化菌落图像中,菌落计数的过程就是对这些种子点进行统计。种子点都是二值图像的非0像素点,因此统计的过程实际上就是在寻找这些非零像素点,并确定哪些非零像素点处于同一连通域,处在同一连通域的像素则认为是来自同一个菌落,处在不同连通域的像素点则认为是来自不同菌落。本实施例中,对于连通域的像素点,按照以下步骤进行统计:按行对图像进行遍历,访问到非零像素点则检查该像素点是否已经被访问过了,若未访问过则对非零像素点进行8领域的访问,并将其标记为访问,若8领域的像素点依旧是未被访问过的状态并且是非零像素点,那么就再次重复上述操作,直到递归结束,菌落数量+1。
按照上述操作,对经腐蚀处理后的二值化菌落图像8(b)中菌落进行统计,初步菌落计数结果为1177。
S5利用包含高度信息的菌落三维图像中高度信息对于粘连菌落进行检验,对于存在粘连菌落的菌落计数进行修正,得到最终菌落计数结果。
本步骤包括以下分步骤:
S51对步骤S1得到包含高度信息的菌落三维图像进行高斯滤波处理,然后对高斯滤波处理后的菌落三维图像寻找极大值点;并依据寻找的极大值点坐标,搜索步骤S3将菌落与培养基区域分开的菌落二维图像,判断同一个连通域是否存在多个极大值点,若同一个连通域内存在多个极大值点,则表明仍然存在粘连菌落,进入步骤S52;否则,表明初步菌落计数结果准确,完成菌落计数;
本步骤的目的是使用三维扫描结果对初步菌落计数结果进行检验。步骤S1得到的包含高度信息的菌落三维图像中使用灰度值来反映菌落的高度,灰度值越高,平板该处凸起层度就越高,并且对该灰度图进行高斯滤波,然后使用python的find_peaks函数寻找极大值点,并且存储这些极大值点的坐标。接着搜索步骤S3将菌落于培养基区域分开后的菌落二维图像,在迭代腐蚀后的图像中,同一个连通域内存在多个极值点,则说明仍然存在粘连菌落,进入步骤S52。否则,表明初步菌落计数结果准确,完成菌落计数。
S52对于存在多个极值点的连通域,将当前连通域的菌落个数为极大值点个数减去1;最终菌落计数结果为初步菌落计数结果加上步骤S51判断出的存在粘连菌落连通域的所有极大值点个数减去存在粘连菌落的连通域个数。
通过本步骤操作,可以实现对仍然存在粘连菌落的连通域统计结果进行修正,进而完成对初步菌落计数结果的修正,达到校验目的。
S6采用卷积神经网络对菌落二维图像进行异常菌落鉴别。
本实施例中使用的是Colony-Net(余辉,杜培培,刘祥,刘政,朱险峰,曹玉珍.基于卷积神经网络的复合菌落智能分类识别[J].中国生物医学工程学报,2020,39(01):26-32)卷积神经网络模型,其网络拓扑结构如图9及表1所示,包括输入层、模块1、模块2、模块3、全连接层和输出层。该卷积神经网络的输入层(input layer)可输入归一化后的单张菌落图像,输入尺寸为70×70×3。由于实验是对多类图像样本进行训练预测,所以选用的损失函数为多类对数损失(categorical_crossentropy)(余辉,杜培培,刘祥,刘政,朱险峰,曹玉珍.基于卷积神经网络的复合菌落智能分类识别[J].中国生物医学工程学报,2020,39(01):26-32)。在模块1中,最大池化层后添加了dropout层,指定以0.25的概率随机丢弃本层节点,以防止模型过拟合。参数更新使用Adagrad算法(余辉,杜培培,刘祥,刘政,朱险峰,曹玉珍.基于卷积神经网络的复合菌落智能分类识别[J].中国生物医学工程学报,2020,39(01):26-32)。该算法可在训练中自动对学习率进行调整,使得训练过程较为平稳。由于本实施例中是二分类,所以在全连接层中使用的激活函数为针对多分类模型使用的Softmax函数。输出层(output layer)输出的2个种类分别用数字0,1代替,“0”表示正常菌落,“1”表示异常菌落。
表1Colony-Net网络结构参数设置
此外,由于本研究是以菌落形态作为分类标准,所以在菌落数据扩增时选取的扩增方式不能破坏训练样本的形态学特征。选定旋转、翻转两种样本数据扩增方式,再叠加信噪比不超过5%的随机噪声进行数据扩增。旋转是指在指定旋转角度为[0°,90°],样本图像即在这个范围内选取某一角度随机旋转。翻转是指对样本进行随机上下翻转或左右翻转操作。
本实施例首先从复合菌落样本中提取大肠杆菌和金色葡萄球菌两种非典型菌落样本,对菌落类型判断进行解释。按照步骤S1获取的原始菌落二维图像进行归一化处理得到菌落样本;然后对菌落样本按照旋转或/和翻转等方式对样本数据进行数据扩增;扩增后的数据按照9:1,划分为训练集和测试集;接着按照前面给出的网络结构及网络参数设置,采用常规训练方法(参见余辉,杜培培,刘祥,刘政,朱险峰,曹玉珍.基于卷积神经网络的复合菌落智能分类识别[J].中国生物医学工程学报,2020,39(01):26-32)采用训练集对Colony-Net卷积神经网络模型进行训练至模型收敛,得到训练好的Colony-Net卷积神经网络模型。
再将测试集对应的步骤S1得到的菌落二维图像作为输入特征输入到训练好的Colony-net卷积申请网络模型中,根据输出结果即可判断该菌落属于哪种菌落。上述Colony-net卷积申请网络模型对测试集的测试准确率可达到98.90%。由此可见,通过本发明提供的方法能够实现对异常菌落的有效识别。
实施例6
本实施例以食源性细菌菌落为例,对本发明提供的菌落计数与识别方法进行详细说明。待检测对象食源性细菌菌落置于培养皿内。
本实施例提供了的菌落计数与识别方法,如图7所示,包括以下步骤:
S1利用实施例2提供的菌落自动计数设备采集培养皿内的菌落二维图像以及包含高度的三维图像。
S2对获取的菌落二维图像进行预处理,获取感兴趣区域。
S3对预处理获取的菌落图像感兴趣区域进行阈值分割,将菌落与培养基区域分开。
S4基于分割后的菌落图像,进行初步菌落计数。
S5利用包含高度信息的菌落三维图像中高度信息对于粘连菌落进行检验,对于存在粘连菌落的菌落计数进行修正,得到最终菌落计数结果。
S6采用卷积神经网络对菌落二维图像进行异常菌落鉴别。
上述步骤S1-S4与实施例5中的步骤S1-S4解释相同。
对于步骤S5,除了步骤S51和S52,还包括:
S53针对分割后的菌落二维图像每个连通域,使用椭圆抛物面对菌落三维图像相应区域进行拟合,如果所得拟合参数值均为正数则相应连通域菌落为凹,如果连通域对应的所得拟合参数值均为负数则相应连通域菌落为凸,参数值绝对值之和越大则说明凹或者凸的程度越剧烈。
本步骤的目的是获取菌落图像的凹凸程度,使用椭圆抛物面(a′、b′分别表示在x轴和y轴上的离原点的偏移程度,p、q分别表示拟合参数)对分割后的菌落二维图像每个连通域对应的步骤S51得到的三维扫描结果进行拟合,如果p>0,q>0则菌落为凹,若p<0,q<0则菌落为凸,|p|+|q|越大则说明凹或者凸的层度越剧烈,并且将凹的菌落的凹凸程度特征记为|p|+|q|,将凸的菌落的凹凸程度特征记为-|p|-|q|;
本实施例中步骤S6与实施例5中S6的区别在于,以经归一化处理后的步骤S1获取的原始菌落二维图像和按照步骤S53得到的菌落凹凸程度作为卷积神经网络模型的输入特征。相比于实施例5,由于增加了菌落凹凸程度作为输入特征,可以对在凹凸特征上区分明显的菌落进行分类。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种菌落高度扫描成像装置,其特征在于,包括支撑框架(1),安装在支撑框架(1)内的数据采集器(2)、菌落承载机构(3)、辅助光源组件(4,4′)和控制器(5);
所述支撑框架(1)顶部安装有两组第一导向组件(11)和一组第二导向组件(13);两组第一导向组件(11)相对安装在支撑框架壳体(10)顶部相对的两侧;第二导向组件(13)跨接与两组第一导向组件(11)之间;所述第一导向组件(11)包括第一导向块(111)和穿设于第一导向块上的第一导向杆(113),所述第一导向杆(113)两端通过第一固定件(112)和第二固定件(112′)固定于支撑框架壳体顶部;
所述数据采集器(2)包括用于采集菌落二维图像的摄像头(21)和用于采集高度信息的微型激光测距传感器(22);所述数据采集器安装于第二导向组件(13)上,在第二导向组件带动下沿菌落培养皿径向往复移动;所述第二导向组件(13)包括第二导向块(131)和经轴承(136)安装于第二导向块上的第二导向杆(132),所述第二导向杆(132)两端安装于与第一导向块(111)连为一体的第三固定件(133);第二导向块在驱动机构驱动下沿第二导向杆往复移动,所述驱动机构由驱动轮(121)、同步带(122)、第一驱动电机(123)和四个惰轮(124)组成;所述第一驱动电机(123)安装于支撑架壳体(10)的第二固定件(112′)上;所述驱动轮(121)套设于第一驱动电机(123)的输出轴上;所述四个惰轮安装于两个第一固定件(112)和第三固定件(133)设置的卡槽内;所述同步带套设于驱动轮(121)和四个惰轮上,同步带同时穿过第二导向块(131)、并与第二导向块(131)固定连接;第一驱动电机(123)带动驱动轮(121)旋转,在同步带(122)带动下第二导向块沿第二导向杆往复移动;
所述菌落承载机构(3)用于支撑盛有菌落的培养皿,且带动培养皿旋转;所述菌落承载机构(3)安装于支撑框架中部的支撑平台(14)上,其包括旋转平台,所述旋转平台由第二驱动电机驱动旋转;所述培养皿和辅助光源组件(4,4′)放置于旋转平台内,且辅助光源组件(4,4′)位于培养皿的下方;
所述辅助光源组件(4,4′)位于培养皿的下方,用于为培养皿提供背景光;
控制器(5)用于控制摄像头和微型激光测距传感器的采集,以及控制辅助光源组件的启停。
2.根据权利要求1所述的菌落高度扫描成像装置,其特征在于,所述旋转平台为一端封闭的筒状结构,包括筒状壳体(31)以及与之连为一体的底板(32);所述底板设置有穿过支撑平台、与第二驱动电机输出轴连接的转轴;所述旋转平台底板上安装有固定块(321),固定块(321)的两边分别设置有一支撑板(322),两支撑板相对的一侧上各设置一穿入固定块(321)导向孔内的导向柱(323),且两支撑板通过穿设于两者及固定块的螺栓(324)连接;两支撑板上端分别固定有构成培养皿限位器的弧形限位块(325);通过螺栓调节两支撑板之间的距离,利用培养皿限位器将培养皿锁紧。
3.根据权利要求1所述的菌落高度扫描成像装置,其特征在于,所述辅助光源组件放置于旋转平台上,且位于培养皿的下方;所述辅助光源组件(4)包括光源壳体(41)、安装于光源壳体(41)内的LED矩阵(42)、位于LED矩阵上方的均光板(43)、与LED矩阵电连接的光源供电端。
4.一种可辨别非典型菌落的菌落自动计数设备,其特征在于,包括权利要求1至3任一权利要求所述的菌落高度扫描成像装置,还包括服务器;控制器将数据采集器采集的数据发送给服务器;所述服务器依据数据采集器采集的数据对菌落进行计数与识别。
5.一种菌落计数与识别方法,其特征在于,包括以下步骤:
S1 利用权利要求4所述菌落自动计数设备采集培养皿内的菌落二维图像以及包含高度信息的三维图像;
S2 对获取的菌落二维图像进行预处理,获取感兴趣区域;
S3 对预处理获取的菌落二维图像感兴趣区域进行阈值分割,将菌落与培养基区域分开;
S4 基于分割后的菌落二维图像,进行初步菌落计数;
S5利用包含高度信息的三维图像中高度信息对于粘连菌落进行检验,对于存在粘连菌落的菌落计数进行修正,得到最终菌落计数结果;
S6 采用卷积神经网络或者聚类方法对菌落二维图像进行异常菌落鉴别。
6.根据权利要求5所述菌落计数与识别方法,其特征在于,步骤S1包括以下分步骤:
S11 将盛有菌落的培养皿置于菌落承载机构内;
S12 在第二导向组件带动下,调整数据采集器位置,使摄像头窗口对准培养皿的中心位置,并启动辅助光源组件,通过摄像头拍摄包含菌落的二维图像;
S13 关闭辅助光源组件,在第二导向组件带动下,调整数据采集器位置,使微型激光测距传感器发射激光中心对准培养皿的中心位置,驱动旋转平台转动的同时,驱动第二导向组件沿直线移动到培养皿边缘,利用微型激光测距传感器采集菌落高度信息,并结合微型激光测距传感器运行轨迹,得到包含高度信息的菌落三维图像。
7.根据权利要求5所述菌落计数与识别方法,其特征在于,步骤S3包括以下分步骤:
S31 对预处理后的菌落二维图像进行初次区域划分,将菌落图像感兴趣区域均分为若干等份;
S32 依据初次区域划分结果,对划分后的各区域进行直方图统计分析,并基于直方图统计分析结果,在初次区域划分基础上进行二次区域划分得到一次分割区域和二次分割区域;
S33 分别计算一次分割区域和二次分割区域的阈值;
S34 依据一次分割区域和二次分割区域的阈值,设置阈值矩阵;
S35 采用平滑方法对阈值矩阵进行处理,消除阈值矩阵的块状效应;
S36 依据阈值矩阵对步骤S2预处理后的菌落二维图像感兴趣区域进行二值化分割;
S37 通过迭代腐蚀法对二值化分割后的菌落图像进行处理,将菌落粘连区域分离成连通域,从而将菌落与培养基区域分开。
8.根据权利要求5所述的菌落计数与识别方法,其特征在于,步骤S5包括以下分步骤:
S51对步骤S1得到包含高度信息的菌落三维图像进行高斯滤波处理,然后对高斯滤波处理后的菌落三维图像寻找极大值点;并依据寻找的极大值点坐标,搜索步骤S3将菌落与培养基区域分开的菌落二维图像,判断同一个连通域是否存在多个极大值点,若同一个连通域内存在多个极大值点,则表明仍然存在粘连菌落,进入步骤S52;否则,表明初步菌落计数结果准确,完成菌落计数;
S52 对于存在多个极值点的连通域,将当前连通域的菌落个数为极大值点个数减去1;最终菌落计数结果为初步菌落计数结果加上步骤S51判断出的存在粘连菌落连通域的所有极大值点个数减去存在粘连菌落的连通域个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504708.7A CN114170598B (zh) | 2021-12-10 | 2021-12-10 | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111504708.7A CN114170598B (zh) | 2021-12-10 | 2021-12-10 | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114170598A CN114170598A (zh) | 2022-03-11 |
CN114170598B true CN114170598B (zh) | 2023-07-07 |
Family
ID=80485481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111504708.7A Active CN114170598B (zh) | 2021-12-10 | 2021-12-10 | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170598B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115029209A (zh) * | 2022-06-17 | 2022-09-09 | 杭州天杭空气质量检测有限公司 | 一种菌落图像采集处理装置及其处理方法 |
CN116625254B (zh) * | 2023-07-18 | 2023-09-15 | 中国农业大学 | 一种草地灌丛实时多角度监测装置 |
CN118196087B (zh) * | 2024-05-15 | 2024-08-02 | 江苏海枫达生物科技有限公司 | 一种基于图像采集的微生物菌落检测系统及其方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508844A (zh) * | 2018-04-17 | 2018-09-07 | 四川大学 | 基于平面辅助光源与机器视觉的产品转移系统及转移方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6381353B1 (en) * | 1996-08-30 | 2002-04-30 | Marvin Weiss | System for counting colonies of micro-organisms in petri dishes and other culture media |
US6002789A (en) * | 1997-06-24 | 1999-12-14 | Pilot Industries, Inc. | Bacteria colony counter and classifier |
US20040102903A1 (en) * | 2002-11-27 | 2004-05-27 | Graessle Josef A. | Biological growth plate scanner |
US7298886B2 (en) * | 2003-09-05 | 2007-11-20 | 3M Innovative Properties Company | Counting biological agents on biological growth plates |
JP4213142B2 (ja) * | 2005-06-15 | 2009-01-21 | 株式会社エヌテック | コロニーの計数方法 |
CN101782527B (zh) * | 2010-03-11 | 2012-09-05 | 北京纳克分析仪器有限公司 | 全自动断口图像分析仪 |
CN102590218B (zh) * | 2012-01-16 | 2014-04-02 | 安徽中科智能高技术有限责任公司 | 基于机器视觉的金属零件光洁表面微缺陷检测装置及方法 |
CN102676633A (zh) * | 2012-03-08 | 2012-09-19 | 天津大学 | 一种菌落自动计数方法 |
CN207198048U (zh) * | 2017-05-26 | 2018-04-06 | 齐鲁工业大学 | 细胞dna倍体分析的三维运动扫描平台及扫描成像系统 |
CN109060827B (zh) * | 2018-10-05 | 2024-03-05 | 深圳爱为视智能科技有限公司 | 一种智能视觉检测识别设备 |
CN110272816A (zh) * | 2019-05-21 | 2019-09-24 | 广西曼森生物科技有限公司 | 菌落计数仪及菌落计数方法 |
CN210528938U (zh) * | 2019-07-08 | 2020-05-15 | 贵州安美固科技有限责任公司 | 一种培养皿菌落自动计数仪 |
CN110794569B (zh) * | 2019-11-14 | 2021-01-26 | 武汉兰丁智能医学股份有限公司 | 细胞微型显微图像采集装置及图像识别方法 |
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 |
CN218059015U (zh) * | 2022-04-25 | 2022-12-16 | 深圳市利和兴股份有限公司 | 一种菌落自动挑选装置 |
-
2021
- 2021-12-10 CN CN202111504708.7A patent/CN114170598B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508844A (zh) * | 2018-04-17 | 2018-09-07 | 四川大学 | 基于平面辅助光源与机器视觉的产品转移系统及转移方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114170598A (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114170598B (zh) | 菌落高度扫描成像装置、可辨别非典型菌落的菌落自动计数设备及方法 | |
US11227142B2 (en) | Culture imaging system | |
US20200401787A1 (en) | Culture Detection and Measurement Over Time | |
CN111368643B (zh) | 一种大肠杆菌动态生长监测方法 | |
CN112598701B (zh) | 一种养殖场目标自动跟踪监测视频采集系统与方法 | |
CN102998316B (zh) | 一种透明液体杂质检测系统及其检测方法 | |
CN106442556A (zh) | 一种板状带孔工件表面缺陷检测装置和方法 | |
CN111260788A (zh) | 一种基于双目视觉的配电柜开关状态识别方法 | |
CN111062938B (zh) | 基于机器学习的板材涨塞检测系统和检测方法 | |
CN108652678B (zh) | 一种自动跟踪尿液的方法及装置 | |
CN114549441B (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN109191421A (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
CN111611953B (zh) | 一种基于目标特征训练的抽油机识别方法与系统 | |
CN109509173A (zh) | 一种细菌菌落的计数方法及计数装置 | |
CN111257329A (zh) | 一种智能手机摄像头缺陷检测方法以及检测系统 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN109738454A (zh) | 一种软包电池极耳焊缝检测装置及方法 | |
CN114438548B (zh) | 一种电解生产中的添加剂异常监控方法和系统 | |
CN109035296A (zh) | 一种改进的视频中运动物体检测方法 | |
CN106501278B (zh) | 基于旋转不变纹理特征的灯管表面瑕疵分类方法及系统 | |
CN109064497A (zh) | 一种基于颜色聚类补充学习的视频跟踪方法 | |
CN109657682A (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
CN112633090A (zh) | 机器人视觉的集中风系统内部霉菌与积尘辨识方法及应用 | |
CN112329893A (zh) | 基于数据驱动的异源多目标智能检测方法及系统 | |
CN108876802B (zh) | 对车轮的荧光磁粉缺陷进行自动定位的装置和方法 |
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 |