CN115063340A - 一种菌落计数方法及菌落计数器 - Google Patents
一种菌落计数方法及菌落计数器 Download PDFInfo
- Publication number
- CN115063340A CN115063340A CN202210344047.4A CN202210344047A CN115063340A CN 115063340 A CN115063340 A CN 115063340A CN 202210344047 A CN202210344047 A CN 202210344047A CN 115063340 A CN115063340 A CN 115063340A
- Authority
- CN
- China
- Prior art keywords
- image
- culture dish
- colony
- area
- segmentation
- 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
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
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种菌落计数方法及菌落计数器,克服了现有技术成本高、计数效果高度依赖照明方式和图像处理参数的选择的问题,包括对于采集模块拍摄到的菌落图像进行预处理、将预处理后的图像进行分割和确认当前区域是否为菌落等步骤。本发明通过相机采集培养皿放置舱内图像并根据预设菌落计数方法,可以实现放置即可自动计数,正常情况无需人工干预;基于信号分析的背景建模可以较好地还原培养基背景以获得差分图像,提高可见光图片的信噪比;可自动消除培养皿表面的点阵字体喷码的干扰;使用大量自动标定数据预训练的支持向量机模型对已经定位的疑似菌落作分类。
Description
技术领域
本发明涉及菌落计数领域,尤其是涉及一种菌落计数方法及菌落计数器。
背景技术
在含有营养物质的琼脂培养基上以一定的温湿度培养微生物,并对培养后的微生物菌落数量进行计数是广泛运用于食品、药品行业微生物限度试验的一种质量控制方法。此外,微生物生长的动力学在菌种分析、个性化的抗菌素治疗中有着越来越广泛的应用。近年来,免培养的快速检测技术的发展使得实时、在线的微生物检查在一些领域得到应用,但平板培养法检查菌落数(Colony Forming Units,CFU)仍然是法规适用最为广泛,最为行业所接受的检查手段。在可预见的未来,CFU法仍然会是微生物检查的主流方法。
目前,行业中普遍采用的培养、计数方法仍然是在普通的恒温培养箱中培养后由人工计数。计数可能发生在培养结束后或培养过程中多次计数。无论采用哪种方法,人工计数大量的培养皿耗费了微生物实验人员的大量精力。且对可见“菌落”并没有明确、系统的定义,因此不同的实验人员、不同的实验室之间对同样的培养皿可能会得出不同的结果。在一些关键的场合,这种计量上的不确定性会带来不可接受的质量风险。此外,人工计数的过程完全依赖于实验人员的判断而缺乏某些客观标准,为篡改实验结果留下了可能性,这不符合GMP 的可追溯性原则。
针对这些问题,人们曾多次尝试开发基于计算机图像采集、分析的自动菌落计数器,并已有商业产品面世。这些方案均有自动图像处理功能和与之相适应的采集、存储系统,有些还配有用户权限管理。有一些产品配置了专用的照明和图像采集系统以加强图像的一致性,另一些则允许使用例如智能手机拍摄的照片来分析。
对获得的图片,计算机上的图像分析软件提供一系列针对性开发的图像算法供用户选择最适合当前培养皿、菌落情况的一种,并对图像处理参数作适当调整。
图像分析完成之后,通常还会有一些后处理的步骤,例如将确定为菌落的区域数量加和为当前皿的菌落计数,并根据前述的特征对菌落做一些分类,和/或根据当前皿上的菌落生成一些统计信息。最后,一些产品会生成一个报告。
受制于计算机视觉领域的学科水平,计算机的处理效率,以及光学、数字成像系统的成本,现存这类设备的分析能力普遍较弱。为了适配形态、颜色复杂的菌落和各类用途的培养基,一些例子选择提供一系列的光源和算法预设,并提供了大量可调节的参数。这种做法高度依赖实验人员使用自动计数器的经验来选择针对当前培养皿最合适的光照和算法,学习成本较高,且计数的结果高度依赖照明方式和图像处理参数的选择,重复性较差,相对于人工计数不具备优势。
例如,在中国专利文献上公开的“一种细菌菌落计数器”,其公开号CN208903298U,包括底座、光轴、顶板、相机安装板、相机、转动电机、光源、支腿、培养皿放置台、转动支座、镜头。该方案计数时需要不断调节相机的角度和顶板的高度,结构复杂,使用困难,需要控制的因素过多会影响最终的计数效果。
发明内容
本发明是为了克服现有技术的成本高、计数效果高度依赖照明方式和图像处理参数的选择的问题,提供一种菌落计数方法及菌落计数器,能够根据图片自动处理,无需人工干预,消除外界影响。
为了实现上述目的,本发明采用以下技术方案:
一种菌落计数方法,包括以下内容:
S1、对于采集模块拍摄到的菌落图像进行预处理;
S2、将预处理后的图像进行分割;
S3、经过预处理与分割后得到对应单个菌落的区域,对每个区域做特征提取,将特征提取到的向量输入预训练的软边界支持向量机作分类预测判定当前区域是否为菌落。
作为优选,所述的S1包括以下内容:
S101、根据菌落图像的平均亮度与预设值的比较,判断当前的照明方式是明场或暗场,若检测当前照明方式为明场则做出反色处理,然后进行S102,若检测当前照明方式为暗场进行 S102;
S102、预处理程序对菌落图像做二值化处理,二值化后培养皿边缘部分呈径向分布的密集同心圆,所述的同心圆中间带有断裂部分;
S103、修正同心圆的断裂部分,对图像做出包括膨胀、腐蚀、开、闭在内的形态学操作,使得边缘的同心圆融合成为环;
S104、对修正后的二值图像作填充操作,隐去内部结构特征,得到一个对应培养皿的圆形,该圆形的圆心即为培养皿中心,半径为培养皿的半径;
S105、作S104所述圆形的外界正方形并将图像沿该正方形边缘裁剪,得到仅留下培养皿的图像,检测本步骤中得到的图像是否存在滤膜特征,若存在滤膜特征则重复步骤S101-S104,得到仅留下滤膜的图像。
作为优选,所述的预处理还包括以下内容:
对图像背景建立模型图样,然后进行图像差分。
作为优选,所述的建立模型图样和所述的进行图像差分具体包括:
S106、作极坐标至直角坐标变换,将圆形的培养皿图像变换为方形的图像,一侧的培养皿中心像素被插值扩张,而培养皿的边缘则被集中在另一侧;
S107、对图像作整体分析,找出位于直角坐标图像一侧相当于培养皿的中间部分的超过平均值两个标准差的像素区域,对每一个区域作内容感知地填充,偏离背景较大的像素被替换为较接近周围的颜色,消除极端离群值;
S108、消除极端离群值之后,对图像逐列分析;坐标变换后的列方向相当于原图像中的切向;首先将每一列中偏离滑动中位数两个绝对偏差的值替代为滑动窗口的中值;然后再沿列方向作滑动极大值平滑处理,处理后的图像中所有的菌落均已被抹去;
S109、将图片作直角坐标系到极坐标系变换;得到光滑、无杂物的背景模型;
作为优选,采用转灰度后固定阈值二值化算法得到二值图像,对二值图像得到的区域进行初步筛选;在初步筛选后,对存在融合的区域做分割。
作为优选,所述的初步筛选包括以下内容:
S201、将面积小于用户预设阈值的区域直接剔除,所述的用户预设阈值与用户所选的敏感度呈负相关关系,敏感度越高,阈值越小;
S202、针对培养皿边缘且形状为长条形的所有区域,对每一个区域计算拟合椭圆的长轴与几何中心的连线夹角α,若夹角的角度位于90度附近使得狄拉克函数δ(α-90°)的值大于预设的阈值,将该区域剔除;
S203、针对形状明显与圆形有区别的区域予以剔除。
作为优选,所述的分割包括以下内容:
S204、对每一个联通区域的像素计算像素到区域以外像素的最短距离,距离越近则越靠近边缘;取距离矩阵中的局部极小值组成点集;
S205、对距离矩阵预处理,清楚局部极小点;
S206、基于亮度标记的分水岭算法对图像二值化,取出图像中最亮的区域并对其做无标记的分水岭分割;然后对分割完成后的图像做腐蚀处理使得区域的边缘脱离接触;再利用先前获得的二值图边缘取得重叠菌落区域的灰度图像,将无标记分水岭获得的区域作为局部极小值重叠至灰度图像上并依据重叠后的灰度图像再作一次分水岭分割,得到最终分割后的图像;
S207、将分割线与边界的交点与凸包边界的关系作为是否过度分割的判据,若过度分割则对过度分割的电位予以剔除得到修正过度分割的图。
作为优选,所述的S3包括以下内容:经过预处理与分割后,可到对应单个菌落的区域,对每个区域,将其裁剪至边界框并重整为单一尺寸的正方形全彩图片;对上述图片作特征提取,得到一个定长的向量;对此特征提取有多种算法可供选择;将该向量输入预训练的软边界支持向量机作分类预测,即可完成当前区域是否为菌落的判定。
一种菌落计数器,采用一种菌落计数方法,其特征是,包括培养皿放置舱,培养皿放置舱上方固定有用于采集图像的相机和镜头,培养皿放置舱内壁设有紫外灯,培养皿放置舱下方只有平面光源,培养皿放置舱内设有一透明光学玻璃,培养皿置于光学玻璃上方。
作为优选,菌落计数器上还集成了包括点阵字体清除和滤膜网格线清除在内的两种可选的干扰物体消除算法。
因此,本发明具有如下有益效果:通过相机采集培养皿放置舱内图像结合预设的一种菌落计数方法,可以实现放置即可自动计数,避免正常情况下的人工干预计算机处理过程,自动计数之外亦可人工干预计数结果且干预全程的操作被审计追踪;内置多种培养基、培养皿、滤膜算法;能够根据图片自动分析选择适用的算法,正常情况无需人工干预;基于信号分析的背景建模可以较好地还原培养基背景以获得差分图像,提高可见光图片的信噪比;可自动消除培养皿表面的点阵字体喷码的干扰;基于线性霍夫变换的技术可自动消除网格滤膜中格线的干扰;使用大量自动标定数据预训练的支持向量机模型对已经定位的疑似菌落作分类。
附图说明
图1是本实施例预处理的流程图。
图2是本实施例分割算法的流程图。
图3是本实施例预处理中ROI示例图。
图4是本实施例预处理中背景建模示例图。
图5是本实施例初步筛选剔除算法示例图。
图6是本实施例分割步骤菌落示例图。
图7是本实施例灰度标记辅助分水岭分割算法示例图。
图8是本实施例过度分割的融合操作和判据示例图。
图9是本实施例菌落计数器剖视图。
图中:1、相机 2、镜头 3、紫外灯 4、左侧光源 5、平面光源 6、控制组件 7、地脚8、电源组件 9、小隔离柱 10、培养皿 11、右侧光源 12、培养皿放置舱 13、大隔离柱 14、外壳。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例:
本实施例提供了一种菌落计数方法,包括以下内容:
S1、进行预处理;
预处理的目的是对图像作整体的修正、裁切,消除无关的物体以及光学缺陷对计数的影响。为了选择最佳的预处理算法和参数,还附带实现了一些自动分析功能获取整体的图像信息。获取到的原始图像首先需要裁剪到感兴趣区域即培养皿。为了降低操作人员的负担,采集系统的视场比培养皿的尺寸大,因此培养皿的放置允许一定的误差。培养皿放置完成后,图像采集系统会自动判断视频流处于静止状态并采集图像。如图像中没有检测到培养皿或培养皿部分位于采集系统的视场之外,预处理算法会相应发出警告提醒用户摆正培养皿。一旦检测到培养皿则开始进行分割。
S101、根据菌落图像的平均亮度与预设值的比较,判断当前的照明方式是明场或暗场,若检测当前照明方式为明场则做出反色处理,得到如图3A中的图片,然后进行S102,若检测当前照明方式为暗场进行S102。本实施例中方法同时适用于明场照明和暗场照明菌落计数器。
S102、预处理程序对菌落图像做二值化处理,由于培养皿边缘的塑料折光特性使得其明显区别于培养基和背景,二值化后培养皿边缘部分呈径向分布的密集同心圆,但由于照射不均匀,同心圆之间的间隔在切向上是不均匀的,且线条时断时续,所述的同心圆中间带有断裂部分。
S103、修正同心圆的断裂部分,对图像做出包括膨胀、腐蚀、开、闭在内的形态学操作,使得边缘的同心圆融合成为环。
S104、对修正后的二值图像作填充操作,隐去内部结构特征,得到一个对应培养皿的圆形,该圆形的圆心即为培养皿中心,半径为培养皿的半径。
S105、作S104所述圆形的外界正方形并将图像沿该正方形边缘裁剪,得到仅留下培养皿的图像,检测本步骤中得到的图像是否存在滤膜特征,若存在滤膜特征则重复步骤S101-S104,得到仅留下滤膜的图像。
从图3E可见图像中的培养基对光发生了明显的折射,能明显看出培养基本身具有底色,图像的对比度较低。为了提高物体识别的准确性,有必要提高对比度。接下来对图像的背景,即培养基建立了模型图样,然后使用图像差分获得两者的区别。
S106、作极坐标至直角坐标变换,为了将圆形的培养皿图像变换为方形的图像,方便线性代数算法的运用。变换后的图像如图4B所示,左侧的培养皿中心像素被插值扩张,而培养皿的边缘则被集中在右侧。注意:由于培养皿的中心并不完全位于图像的中心,坐标变换导致了培养皿的边缘呈现为曲线。
S107、对图像作整体分析,找出位于直角坐标图像左侧,相当于培养皿的中间部分,找出超过平均值两个标准差的像素区域。对每一个区域作内容感知地填充。具体来说,是在区域中求解迪利克雷边界条件的离散拉普拉斯方程组。这一步骤计算复杂度较高,故使用两个标准差来限制区域的大小。从图4C可以看出,偏离背景较大的像素被替换为较接近周围的颜色。
S108、消除极端离群值之后,对图像逐列分析;坐标变换后的列方向,纵向,相当于原图像中的切向。首先将每一列中偏离滑动中位数两个绝对偏差的值替代为滑动窗口的中值。然后再沿列方向作滑动极大值平滑处理。处理后的图像如图4D所示,所有的菌落均已被抹去。
S109、将图片作直角坐标系到极坐标系变换;得到光滑、无杂物的背景模型,如图4E; S1010、对ROI图像如图4A和背景模型如图4E作图像差分,式中I为ROI图像,I0为背景模型,δI为差分图像,得到图4F。可见相比于图4A,对比度明显提高。
S2、将预处理后的图像进行分割;
如图2所示,分割包括以下内容。由于预处理已经消除了背景颜色的影响,背景可视为是接近黑色的,RGB像素值<0,0,0>,因此采用转灰度后简单的固定阈值二值化算法,得到二值图像。该图像中仍然有较多的灰尘和分割不完全的培养皿边缘像素。根据用户预设的检测灵敏度和选择的算法预设,可对二值化得到区域做一些初步的筛选,包括以下步骤:
S201、将面积小于用户预设阈值的区域直接剔除,所述的用户预设阈值与用户所选的敏感度呈负相关关系,敏感度越高,阈值越小。
S202、针对培养皿边缘且形状为长条形的所有区域,对每一个区域计算拟合椭圆的长轴与几何中心的连线夹角α,若夹角的角度位于90度附近,狄拉克函数δ(α-90°)的值大于阈值Cα,则将该区域剔除;
培养皿边缘定义为区域几何中心与图像中心的距离大于半径的80%,长条形区域定义为周长半径比大于某一阈值的长条形区域。
S203、针对形状明显不近似圆形的区域,定义为区域的凸包与区域本身的面积差值大于阈值,予以剔除。
初步的筛选完成之后,需要对有可能存在融合的区域作分割,如图6。常用的是分水岭算法,包括以下内容:
S204、对每一个联通区域的像素计算像素到区域以外像素的最短距离,距离越近则越靠近边缘。若将像素值视为高度,则区域的中心较高,边缘较低。将高度反向,使得边缘较高,中心较低,均为负值。取距离矩阵中的局部极小值组成点集。每一个局部极小值都有一个明确定义的收敛区域,区域内的单调优化总收敛至其局部极小值。所谓分水岭即为相邻单调收敛区域的边界线。
分水岭算法高度依赖于局部最低点的选择。为了避免图像上边缘走向的细微变化产生大量收敛区域很小的局部极小值,有必要对分水岭算法的距离矩阵进行预处理,剔除这些局部极小值。此处采用h-minima transform。
分水岭算法所使用的唯一信息是二值图像,主要是二值图像的区域边界。而人眼在判断是否以及在何处分割菌落时还使用到彩色图像中明暗的变化。分水岭算法的准确性可以通过人工放置标记点大大改进。但是由于分析图像亮度信息获取标记点位的计算较为复杂,该算法组件默认关闭。
S205、如图6所示,基于亮度标记的分水岭算法首先对图像做一个简单的二值化,取出图像中最亮的区域并对其做无标记的分水岭分割,如图7A-D。然后对分割完成后的图像做腐蚀处理使得区域的边缘脱离接触,如图8E,再利用先前获得的区域二值图边缘,如图6A 中边界,取得重叠菌落区域的灰度图像,将无标记分水岭获得的区域作为局部极小值标记点重叠至灰度图像上,如图8F,并依据重叠后的灰度图像亮度值再作一次分水岭分割,得到最终分割后的图像,如图8G。在修正过度分割之后,整个培养皿的菌落区域分布示例如图7H。
S206、上述算法均有可能对区域作图像过度分割,如图7G中右上角的3个重叠菌落(C0,C1,C2)中的C1被过度分割成了两个菌落。可以看到C1的分割线与菌落边缘的交点位于整体区域三个菌落,的凸包的边界上,而其他正确分割的分割线与边界的交点都位于凸包的内部。因此,分割线与边界的交点与凸包边界的关系可作为是否过度分割的判据。
S207、上述判据的实现如图8所示。仍旧以图7G中的(C0,C1,C2)为例,分割之后一共有四个区域。从四个区域中取两个一共有6种取法,对这6对区域求算凸包的分界线。具体来说,图7A显示区域之间的分割线。作分割线与未分割区域边缘的交点如图8B,得到4个点。任取两个区域合并,图8B、8C为两个例子,求得其凸包如图8E、8F。再计算凸包与合并区域的差集图8H、8I。若交点位于差集内,则该点为正确分割的点位如图8H、8I。若交点位于差集外,则该点是过度分割的点位,予以剔除。最终得到修正过度分割的图8G。
S3、经过预处理、分割组件后,得到的大致对应单个菌落的区域。对每个区域,算法会将其裁剪至边界框并重整为单一尺寸的正方形全彩图片。算法将会对上述图片作特征提取,得到一个定长的向量。特征提取的本质是一个高维的非线性变换,已经有相当多的成熟的特征提取算法可供选择,这里优选为尺度保守的特征变换,但不仅仅限于这一种算法,许多特征提取算法可供选择。将该向量输入预训练的软边界支持向量机作分类预测,即可当前区域是否为菌落的判定。
本实施例还相应的提供一种菌落计数器,如图9所示,包括采集模块、培养皿放置舱和电气模块,还包括外接计算机的控制算法、用户界面和图像分析算法。
菌落计数器的采集模块包括相机1和镜头2,并有数据、控制接口连接至外接的计算机,镜头垂直指向培养皿放置舱中的培养皿,视场覆盖培养皿放置舱中的光学玻璃。培养皿方式仓12左侧设有左侧光源4,右侧设有右侧光源11,培养皿放置舱底部设有平面光源5,培养皿放置舱有一块水平的透明光学玻璃,工作时培养皿放置于其上,正置/倒置均可,即培养基上表面面向/背向镜头。舱内整合了光源用来照明,包含左右侧光源和底部面光源。舱室与设备外界联通处有可关闭的遮光舱门。外壳14下方设有地脚7,平面光源5下方有对称的小隔离柱9,培养皿放置舱12外侧有对称设置的大隔离柱13,电气模块包括控制组件6和电源组件8,控制组件6和电源组件8设置在外壳14内培养皿放置舱的下方,紫外灯3置于培养皿放置舱12后侧壁上,电气模块包含接受计算机发出的控制指令并直接控制光源、紫外灯的开关和亮度的可编程逻辑控制器和适用于普通市电的电源适配器。
菌落计数器操作步骤如下:
1.将设备电源、信号线路正确连接;
2.打开计算机和计数器的电源开关并运行界面软件。其他的软件组件会自动挂起;
3.用户手动将培养皿放入培养皿放置室后,软件即可接收到培养皿放入的信息,立刻对培养皿进行计数,并将计数结果展示在软件界面。此过程默认不需要点击任何按钮和界面,实现了“0点击”模式;
4.计数完成后,用户点击软件界面保存按钮,即可将计数结果保存到软件中;
5.更换培养皿,计数—保存;
6.全部培养皿计数完成后,关闭软件及设备电源。
上述实施例对本发明的具体描述,只用于对本发明进行进一步说明,不能理解为对本发明保护范围的限定,本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围内。
Claims (10)
1.一种菌落计数方法,其特征是,包括以下内容:
S1、对于采集模块拍摄到的菌落图像进行预处理;
S2、将预处理后的图像进行分割;
S3、经过预处理与分割后得到对应单个菌落的区域,对每个区域做特征提取,将特征提取到的向量输入预训练的软边界支持向量机作分类预测判定当前区域是否为菌落。
2.根据权利要求1所述的一种菌落计数方法,其特征是,所述的S1包括以下内容:
S101、根据菌落图像的平均亮度与预设值的比较,判断当前的照明方式是明场或暗场,若检测当前照明方式为明场则做出反色处理,然后进行S102,若检测当前照明方式为暗场进行S102;
S102、预处理程序对菌落图像做二值化处理,二值化后培养皿边缘部分呈径向分布的密集同心圆,所述的同心圆中间带有断裂部分;
S103、修正同心圆的断裂部分,对图像做出包括膨胀、腐蚀、开、闭在内的形态学操作,使得边缘的同心圆融合成为环;
S104、对修正后的二值图像作填充操作,隐去内部结构特征,得到一个对应培养皿的圆形,该圆形的圆心即为培养皿中心,半径为培养皿的半径;
S105、作S104所述圆形的外界正方形并将图像沿该正方形边缘裁剪,得到仅留下培养皿的图像,检测本步骤中得到的图像是否存在滤膜特征,若存在滤膜特征则重复步骤S101-S104,得到仅留下滤膜的图像。
3.根据权利要求1所述的一种菌落计数方法,其特征是,所述的预处理还包括以下内容:对图像背景建立模型图样,然后进行图像差分。
4.根据权利要求3所述的一种菌落计数方法,其特征是,所述的建立模型图样和所述的进行图像差分具体包括:
S106、作极坐标至直角坐标变换,将圆形的培养皿图像变换为方形的图像,一侧的培养皿中心像素被插值扩张,而培养皿的边缘则被集中在另一侧;
S107、对图像作整体分析,找出位于直角坐标图像一侧相当于培养皿的中间部分的超过平均值两个标准差的像素区域,对每一个区域作内容感知地填充,偏离背景较大的像素被替换为较接近周围的颜色,消除极端离群值;
S108、消除极端离群值之后,对图像逐列分析;坐标变换后的列方向相当于原图像中的切向;首先将每一列中偏离滑动中位数两个绝对偏差的值替代为滑动窗口的中值;然后再沿列方向作滑动极大值平滑处理,处理后的图像中所有的菌落均已被抹去;
S109、将图片作直角坐标系到极坐标系变换;得到光滑、无杂物的背景模型;
5.根据权利要求1所述的一种菌落计数方法,其特征是,所述的S2包括以下内容:采用转灰度后固定阈值二值化算法得到二值图像,对二值图像得到的区域进行初步筛选;在初步筛选后,对存在融合的区域做分割。
6.根据权利要求5所述的一种菌落计数方法,其特征是,所述的初步筛选包括以下内容:
S201、将面积小于用户预设阈值的区域直接剔除,所述的用户预设阈值与用户所选的敏感度呈负相关关系,敏感度越高,阈值越小;
S202、针对培养皿边缘且形状为长条形的所有区域,对每一个区域计算拟合椭圆的长轴与几何中心的连线夹角α,若夹角的角度位于90度附近使得狄拉克函数δ(α-90°)的值大于预设的阈值,将该区域剔除;
S203、针对形状明显与圆形有区别的区域予以剔除。
7.根据权利要求5所述的一种菌落计数方法,其特征是,所述的分割包括以下内容:
S204、对每一个联通区域的像素计算像素到区域以外像素的最短距离,距离越近则越靠近边缘;取距离矩阵中的局部极小值组成点集;
S205、对距离矩阵预处理,清楚局部极小点;
S206、基于亮度标记的分水岭算法对图像二值化,取出图像中最亮的区域并对其做无标记的分水岭分割;然后对分割完成后的图像做腐蚀处理使得区域的边缘脱离接触;再利用先前获得的二值图边缘取得重叠菌落区域的灰度图像,将无标记分水岭获得的区域作为局部极小值重叠至灰度图像上并依据重叠后的灰度图像再作一次分水岭分割,得到最终分割后的图像;
S207、将分割线与边界的交点与凸包边界的关系作为是否过度分割的判据,若过度分割则对过度分割的电位予以剔除得到修正过度分割的图。
8.根据权利要求1所述的一种菌落计数方法,其特征是,所述的S3包括以下内容:经过预处理与分割后,可到对应单个菌落的区域,对每个区域,将其裁剪至边界框并重整为单一尺寸的正方形全彩图片;对上述图片作特征提取,得到一个定长的向量;对此特征提取有若干种算法可供选择;将该向量输入预训练的软边界支持向量机作分类预测,即可完成当前区域是否为菌落的判定。
9.一种菌落计数器,采用权利要求1-8任意一项所述的一种菌落计数方法,其特征是,包括培养皿放置舱,培养皿放置舱上方固定有用于采集图像的相机和镜头,培养皿放置舱内壁设有紫外灯,培养皿放置舱下方只有平面光源,培养皿放置舱内设有一透明光学玻璃,培养皿置于光学玻璃上方。
10.根据权利要求9所述的一种菌落计数器,其特征是,菌落计数器上还集成了包括点阵字体清除和滤膜网格线清除在内的两种可选的干扰物体消除算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344047.4A CN115063340A (zh) | 2022-03-31 | 2022-03-31 | 一种菌落计数方法及菌落计数器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344047.4A CN115063340A (zh) | 2022-03-31 | 2022-03-31 | 一种菌落计数方法及菌落计数器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115063340A true CN115063340A (zh) | 2022-09-16 |
Family
ID=83197186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344047.4A Pending CN115063340A (zh) | 2022-03-31 | 2022-03-31 | 一种菌落计数方法及菌落计数器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063340A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128845A (zh) * | 2023-02-10 | 2023-05-16 | 甘肃省科学院生物研究所 | 一种基于随机漫步的菌落自动计数方法及菌落计数器 |
-
2022
- 2022-03-31 CN CN202210344047.4A patent/CN115063340A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128845A (zh) * | 2023-02-10 | 2023-05-16 | 甘肃省科学院生物研究所 | 一种基于随机漫步的菌落自动计数方法及菌落计数器 |
CN116128845B (zh) * | 2023-02-10 | 2024-05-07 | 甘肃省科学院生物研究所 | 一种基于随机漫步的菌落自动计数方法及菌落计数器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN110389127B (zh) | 一种金属陶瓷零件识别及表面缺陷检测系统和方法 | |
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 | |
CN108921176A (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN108896574B (zh) | 一种基于机器视觉的瓶装白酒杂质检测方法及系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
US20210214765A1 (en) | Methods and systems for automated counting and classifying microorganisms | |
CN113252614B (zh) | 一种基于机器视觉的透明度检测方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN117253024B (zh) | 一种基于机器视觉的工业盐质检管控方法及系统 | |
CN113256580A (zh) | 一种目标菌落特征自动识别方法 | |
CN113205099B (zh) | 一种镀镍金属表面去料字符视觉检测系统及方法 | |
CN116091421A (zh) | 一种体外受精胚胎卵裂球图像自动分割及面积计算的方法 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN110032946A (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
CN116416250A (zh) | 一种速食罐装产品产线的成品检测系统 | |
CN115063340A (zh) | 一种菌落计数方法及菌落计数器 | |
CN112949378A (zh) | 一种基于深度学习网络的细菌显微图像分割方法 | |
CN109509173A (zh) | 一种细菌菌落的计数方法及计数装置 | |
CN112348018A (zh) | 基于巡检机器人的数显式仪表读数识别方法 | |
CN115187852A (zh) | 一种藏医尿诊悬浮物识别方法及装置 | |
CN114723668A (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 |
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 |