CN117649407B - 食品质量检测方法、设备、系统及存储介质 - Google Patents
食品质量检测方法、设备、系统及存储介质 Download PDFInfo
- Publication number
- CN117649407B CN117649407B CN202410117857.5A CN202410117857A CN117649407B CN 117649407 B CN117649407 B CN 117649407B CN 202410117857 A CN202410117857 A CN 202410117857A CN 117649407 B CN117649407 B CN 117649407B
- Authority
- CN
- China
- Prior art keywords
- microorganism
- image
- food
- food quality
- quality detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 266
- 235000013305 food Nutrition 0.000 title claims abstract description 238
- 244000005700 microbiome Species 0.000 claims abstract description 238
- 238000007689 inspection Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 241000588724 Escherichia coli Species 0.000 description 21
- 239000002609 medium Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 241000235342 Saccharomycetes Species 0.000 description 8
- 241000607142 Salmonella Species 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 235000021056 liquid food Nutrition 0.000 description 5
- 230000000813 microbial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 235000021055 solid food Nutrition 0.000 description 3
- 239000006228 supernatant Substances 0.000 description 3
- 239000001888 Peptone Substances 0.000 description 2
- 108010080698 Peptones Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000019319 peptone Nutrition 0.000 description 2
- 230000001580 bacterial effect Effects 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002504 physiological saline solution Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本申请公开了一种食品质量检测方法、设备、系统及存储介质，该方法包括：获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像；将第一图像输入训练好的第一食品质量检测模型，输出第一微生物检测结果；确定第一图像中待进行重扫描的至少一个目标区域；对每个目标区域进行低倍镜重扫描，获得微生物检测信息，微生物检测信息包括微生物坐标位置；根据微生物检测信息，对食品样本进行高倍镜扫描，获得至少一张第二图像；将至少一张第二图像输入训练好的第二食品质量检测模型，输出第二微生物检测结果；根据第一微生物检测结果和第二微生物检测结果，获得待检测食品的质检结果。本申请实施例实现了提高食品质检的效率和可靠性。
Description
技术领域
本申请涉及食品检测技术领域，尤其涉及一种食品质量检测方法、设备、系统及存储介质。
背景技术
食品安全是重大民生问题，食源性微生物致病菌有效的监测对于食品质量控制和监管尤为重要。目前，对于食品中微生物的检测一般是人工取一定量的食物样品，将样品放入培养基中进行培养，通过观察菌落总数来判定其微生物含量是否符合标准。整个检测过程时间长，人工操作的地方也多，依赖于检测人员的专业经验，并不能确保检测结果的可靠性。
因此，如何实现提高食品质检的效率和可靠性成为亟需解决的问题。
发明内容
本申请实施例提供一种食品质量检测方法、设备、系统及存储介质，可以提高食品质检的效率和可靠性。
第一方面，本申请实施例提供了一种食品质量检测方法，包括：
获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像；
将所述第一图像输入训练好的第一食品质量检测模型，输出对应的第一微生物检测结果；
确定所述第一图像中待进行重扫描的至少一个目标区域；
对每个所述目标区域进行低倍镜重扫描，获得微生物检测信息，其中，所述微生物检测信息包括微生物坐标位置；
根据所述微生物检测信息，对所述食品样本进行高倍镜扫描，获得对应的至少一张第二图像；
将至少一张所述第二图像输入训练好的第二食品质量检测模型，输出对应的第二微生物检测结果；
根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果。
第二方面，本申请实施例还提供了一种食品质量检测设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行上述的食品质量检测方法。
第三方面，本申请实施例还提供了一种食品质量检测系统，所述食品质量检测系统包括如上述的食品质量检测设备。
第四方面，本申请实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的食品质量检测方法。
本申请实施例提供了一种食品质量检测方法、设备、系统及存储介质，通过获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像，然后将第一图像输入训练好的第一食品质量检测模型，输出对应的第一微生物检测结果；并且，确定第一图像中待进行重扫描的至少一个目标区域，对每个目标区域进行低倍镜重扫描，获得微生物检测信息，其中，微生物检测信息包括微生物坐标位置，之后根据微生物检测信息，对食品样本进行高倍镜扫描，获得对应的至少一张第二图像，然后将获得的至少一张所述第二图像输入训练好的第二食品质量检测模型，输出对应的第二微生物检测结果；最后根据第一微生物检测结果和第二微生物检测结果，获得待检测食品的质检结果，整个检测过程时间短，也不需要依赖于检测人员的专业经验，因此，提高了食品质检的效率和可靠性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种食品质量检测方法的步骤示意流程图；
图2是本申请实施例提供的一种食品质量检测系统的结构示意图；
图3是本申请实施例提供的一种确定所述第一图像中待进行重扫描的至少一个目标区域的步骤示意流程图；
图4是本申请实施例提供的一种获得子图像对应的微生物密度信息的步骤示意流程图；
图5是本申请实施例提供的一种食品质量检测设备的示意性框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本申请中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在部分实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请实施例提供了一种食品质量检测方法、设备、系统及存储介质，旨在实现提高食品质检的效率和可靠性。
请参阅图1，图1是本申请实施例提供的食品质量检测方法的流程示意图，该食品质量检测方法可以应用于食品质量检测设备，或应用于食品质量检测系统，可以理解的是，该方法还可以应用于包括食品质量检测设备的其他产品设备，本申请实施例中不作任何限制。
示例性的，如图2所示，食品质量检测系统包括取样装置100、显微镜200、以及食品质量检测设备300。其中，取样装置100用于对待检测食品进行取样，获得待检测食品对应的食品样本，取样装置100包括但不限于取样针、移液器等。显微镜200包括但不限于光学显微镜、电子显微镜等，显微镜200包括低倍镜以及高倍镜，通过显微镜200可以对食品样本成像。食品质量检测设备300用于基于显微镜200的成像进行待检测食品的微生物检测。下面，以图2所示的食品质量检测系统为例，对该食品质量检测方法进行详细介绍。
如图1所示，本申请实施例提供的食品质量检测方法包括步骤S101至步骤S107。
S101、获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像。
其中，待检测食品包括但不限于液态食品、固态食品等。首先，获得待检测食品对应的食品样本。
举例而言，对于饮料等液态食品，可以通过无菌操作取一定量液态食品，获得食品样本。比如，对液态食品进行离心处理，取上清液，再以更高的速度离心处理，弃去上清液，取出下部分少量液体，获得食品样本。对于固态食品，可以通过无菌操作取一定量固态食品放于盛有溶液为生理盐水和蛋白胨的混合溶液或蛋白胨水溶液的灭菌玻璃瓶内，经充分振摇或研磨做成均匀溶液，然后按液态食品的取样方式，获得相应的食品样本。可以理解的是，对待检测食品进行取样后，还可以将取得的样品制作成玻片，来获得待检测食品对应的食品样本。
获得待检测食品对应的食品样本后，将食品样本放置到相应的扫描位置，并开启低倍镜模式，对食品样本进行低倍镜预扫描，获得食品样本对应的显微图像。为了便于区分描述，下文将通过低倍镜预扫描获得的显微图像称为第一图像。
S102、将所述第一图像输入训练好的第一食品质量检测模型，输出对应的第一微生物检测结果。
示例性的，可以通过CNN（Convolutional Neural Networks，卷积神经网络）、SVM（Support Vector Machine，支持向量机）、SSD（Single Shot MultiBox Detector，单步多框目标检测）、HMM（Hidden Markov Model，隐马尔可夫模型）等算法进行第一食品质量检测模型建模。然后，对第一食品质量检测模型进行模型训练，得到训练好的第一食品质量检测模型。
在一些实施例中，所述获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像之前，包括：
获取多张第一样本图像，将所述第一样本图像输入第一食品质量检测模型，对所述第一食品质量检测模型进行模型训练，直至所述第一食品质量检测模型收敛，获得训练好的所述第一食品质量检测模型；其中，所述第一样本图像为低倍镜下拍摄的图像。
在模型训练阶段，首先获得第一训练样本集，其中，第一训练样本集中包括多张第一样本图像，每张第一样本图像为低倍镜下拍摄的食品样本的显微样本图像，每张第一样本图像对应包含相应标注的标签信息，其中，标签信息包括食品样本进行微生物检测的相关微生物检测信息，微生物检测信息包括但不限于微生物种类、微生物含量等，其中，微生物种类包括但不限于大肠杆菌、沙门氏菌、霉菌、酵母菌等。
获得第一训练样本集后，将第一训练样本集中的第一样本图像输入第一食品质量检测模型，通过第一食品质量检测模型处理，输出对应的微生物检测结果。比如，将其中一张第一样本图像a输入第一食品质量检测模型，通过第一食品质量检测模型输出该第一样本图像a对应的微生物种类、微生物含量等微生物检测结果。
根据第一食品质量检测模型输出的微生物检测结果，以及第一样本图像对应的标签信息，可以确定第一食品质量检测模型的损失函数值。
示例性的，计算第一食品质量检测模型输出的微生物检测结果与第一样本图像对应的标签信息的相似度，根据相似度获得第一食品质量检测模型的损失函数值。
若第一食品质量检测模型对应的损失函数值未达到收敛，说明第一食品质量检测模型还未收敛，此时，继续对第一食品质量检测模型进行模型训练，按照上述方式继续确定第一食品质量检测模型最新的损失函数值，重复操作直至确定第一食品质量检测模型的损失函数值达到收敛，说明第一食品质量检测模型已收敛，此时，结束对第一食品质量检测模型的训练操作，获得训练好的第一食品质量检测模型。
之后，调用训练好的第一食品质量检测模型，将获得的第一图像输入训练好的第一食品质量检测模型，输出第一图像对应的微生物检测结果。为了便于区分描述，下文将第一食品质量检测模型输出的第一图像对应的微生物检测结果称为第一微生物检测结果。其中，第一微生物检测结果包括食品样本对应包含的微生物种类、微生物含量等。
例如，第一微生物检测结果为：食品样本对应包含的微生物种类包括大肠杆菌、沙门氏菌、霉菌、酵母菌，以及第一大肠杆菌含量、第一沙门氏菌含量、第一霉菌含量、第一酵母菌含量。
可以理解的是，为了提高检测的可靠性，可以通过获得待检测食品的多份食品样本，按照上述方式获得每份食品样本对应的第一图像，并基于第一食品质量检测模型得到多份第一微生物检测结果，将多份第一微生物检测结果综合，从而得到最终的第一微生物检测结果。
S103、确定所述第一图像中待进行重扫描的至少一个目标区域。
为了确保待检测食品质检的可靠性，对食品样本再次进行扫描成像，在成像之前，确定第一图像中待进行重扫描的目标区域，其中，目标区域可以包括一个或多个。
在一些实施例中，如图3所示，所述步骤S103可以包括子步骤S1031和子步骤S1032。
S1031、将所述第一图像进行区域划分，获得对应的多张子图像；
S1032、根据每张所述子图像对应的区域位置和/或微生物密度信息，确定至少一个所述目标区域。
例如，按预设尺寸将第一图像进行规则四边形网格划分，获得第一图像划分后对应的多张子图像。又如，将第一图像进行随机图形区域划分，获得第一图像划分后对应的多张子图像。然后，获得每张子图像对应的区域位置和/或微生物密度信息。
在一些实施例中，如图4所示，所述步骤S1032之前可以包括步骤S1033和步骤S1034。
S1033、计算第一子图像对应的图像面积与所述第一子图像中空白区域面积的差值，其中，所述第一子图像为多张所述子图像中的任一图像；
S1034、将所述差值与所述图像面积的比值，确定为所述第一子图像对应的所述微生物密度信息。
示例性的，以多张子图像中的任一图像为例，为了便于描述，下文将该子图像称为第一子图像。获得第一子图像的图像面积，比如，若第一子图像为将第一图像进行规则四边形网格划分得到的，则四边形网格的面积即为第一子图像的图像面积。并且，获得第一子图像中空白区域面积，然后计算第一子图像对应的图像面积与第一子图像中空白区域面积的差值。之后，计算该面积的差值与第一子图像的图像面积的比值，将该比值确定为第一子图像中包含的微生物对应的微生物密度信息。按照该方式，计算得到每张子图像对应的微生物密度信息。
之后，根据每张子图像对应的区域位置和/或微生物密度信息，确定第一图像中待进行重扫描的至少一个目标区域。
在一些实施例中，所述根据每张所述子图像对应的区域位置和/或微生物密度信息，确定至少一个所述目标区域，包括：
从多张所述子图像中选取目标子图像，将所述目标子图像对应所在的区域确定为所述目标区域，其中，多张所述目标子图像对应的微生物密度信息间的差异大于预设阈值，和/或，多张所述目标子图像不相邻。
基于每张子图像对应的区域位置和/或微生物密度信息，选取微生物密度信息间的差异大于预设阈值的多张子图像，作为目标子图像。和/或，选取不相邻的多张子图像，作为目标子图像。将选取的每张目标子图像对应所在的区域确定为目标区域。
需要说明的是，预设阈值可根据实际情况进行灵活设置，在此不作具体限制。
基于每张子图像对应的区域位置和/或微生物密度信息，确定第一图像中待进行重扫描的至少一个目标区域，这样能够更大范围的、更有代表意义的涵盖图像全局的微生物分布情况，从而能更加地保证微生物质检分析结果的准确性。
在另一些实施例中，还可以由用户手动操作选择至少一个目标区域。例如，用户单击某张子图像对应的区域，可执行选中、取消选中的操作。将用户选中的子图像对应所在的区域确定为目标区域。
S104、对每个所述目标区域进行低倍镜重扫描，获得微生物检测信息，其中，所述微生物检测信息包括微生物坐标位置。
依次对每个目标区域进行低倍镜扫描，识别每个标区域对应的微生物种类，并记录识别到的微生物对应的微生物坐标位置，获得每个目标区域对应的微生物检测信息，其中，微生物检测信息包括但不限于微生物种类、微生物坐标位置等信息。
S105、根据所述微生物检测信息，对所述食品样本进行高倍镜扫描，获得对应的至少一张第二图像。
之后，切换高倍镜模式，根据获得的微生物检测信息，对食品样本进行高倍镜扫描，获得食品样本对应的多张显微图像。为了便于区分描述，下文将通过高倍镜预扫描获得的显微图像称为第二图像。比如，根据微生物坐标位置信息，控制高倍镜对焦在微生物坐标位置信息对应区域，扫描拍摄获得相应的第二图像。
示例性的，经高倍镜扫描，获得食品样本对应的多张第二图像。可以理解的是，第二图像的清晰度高于第一图像的清晰度。
S106、将至少一张所述第二图像输入训练好的第二食品质量检测模型，输出对应的第二微生物检测结果。
示例性的，可以通过CNN（Convolutional Neural Networks，卷积神经网络）、SVM（Support Vector Machine，支持向量机）、SSD（Single Shot MultiBox Detector，单步多框目标检测）、HMM（Hidden Markov Model，隐马尔可夫模型）等算法进行第二食品质量检测模型建模。然后，对第二食品质量检测模型进行模型训练，得到训练好的第二食品质量检测模型。
在一些实施例中，所述获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像之前，包括：
获取多张第二样本图像，将所述第二样本图像输入第二食品质量检测模型，对所述第二食品质量检测模型进行模型训练，直至所述第二食品质量检测模型收敛，获得训练好的所述第二食品质量检测模型；其中，所述第二样本图像为高倍镜下拍摄的图像。
在模型训练阶段，首先获得第二训练样本集，其中，第二训练样本集中包括多张第二样本图像，每张第二样本图像为高倍镜下拍摄的食品样本的显微样本图像，每张第二样本图像对应包含相应标注的标签信息，其中，标签信息包括食品样本进行微生物检测的相关微生物检测信息，微生物检测信息包括但不限于微生物种类、微生物含量等，其中，微生物种类包括但不限于大肠杆菌、沙门氏菌、霉菌、酵母菌等。
获得第二训练样本集后，将第二训练样本集中的第二样本图像输入第二食品质量检测模型，通过第二食品质量检测模型处理，输出对应的微生物检测结果。比如，将其中一张第二样本图像b输入第二食品质量检测模型，通过第二食品质量检测模型输出该第二样本图像b对应的微生物种类、微生物含量等微生物检测结果。
根据第二食品质量检测模型输出的微生物检测结果，以及第二样本图像对应的标签信息，可以确定第二食品质量检测模型的损失函数值。
示例性的，计算第二食品质量检测模型输出的微生物检测结果与第二样本图像对应的标签信息的相似度，根据相似度获得第二食品质量检测模型的损失函数值。
若第二食品质量检测模型对应的损失函数值未达到收敛，说明第二食品质量检测模型还未收敛，此时，继续对第二食品质量检测模型进行模型训练，按照上述方式继续确定第二食品质量检测模型最新的损失函数值，重复操作直至确定第二食品质量检测模型的损失函数值达到收敛，说明第二食品质量检测模型已收敛，此时，结束对第二食品质量检测模型的训练操作，获得训练好的第二食品质量检测模型。
之后，调用训练好的第二食品质量检测模型，将获得的每张第二图像输入训练好的第二食品质量检测模型，获得每张第二图像对应的微生物检测结果，包括但不限于微生物种类、微生物含量等。综合各张第二图像对应的微生物种类、微生物含量，输出对应的微生物检测结果。为了便于区分描述，下文将第二食品质量检测模型输出的微生物检测结果称为第二微生物检测结果。其中，第二微生物检测结果包括食品样本对应包含的微生物种类、微生物含量等。
例如，第二微生物检测结果为：食品样本对应包含的微生物种类包括大肠杆菌、沙门氏菌、霉菌、酵母菌，以及第二大肠杆菌含量、第二沙门氏菌含量、第二霉菌含量、第二酵母菌含量。
S107、根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果。
获得了第一微生物检测结果和第二微生物检测结果之后，结合第一微生物检测结果和第二微生物检测结果，进行分析，得到待检测食品最终的质检结果。其中，质检结果包括但不限于微生物种类、微生物含量、质检合格/质检不合格等。
在一些实施例中，所述根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果，包括：
结合所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品对应的微生物种类以及微生物含量。
例如，假设第一微生物检测结果中微生物种类包括大肠杆菌、沙门氏菌，第二微生物检测结果中微生物种类包括大肠杆菌、酵母菌，结合第一微生物检测结果和第二微生物检测结果，获得质检结果中微生物种类包括大肠杆菌、沙门氏菌、酵母菌。
在一些实施例中，所述结合所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品对应的微生物种类以及微生物含量，包括：
将所述第一微生物检测结果和所述第二微生物检测结果中同一微生物对应的微生物含量中的较大值，确定为所述同一微生物对应的微生物含量；或
将所述第一微生物检测结果和所述第二微生物检测结果中同一微生物对应的微生物含量的均值，确定为所述同一微生物对应的微生物含量。
举例而言，假设第一微生物检测结果中微生物种类包括大肠杆菌、大肠杆菌含量为A，第二微生物检测结果中微生物种类包括大肠杆菌、大肠杆菌含量为B，若B大于A，则质检结果为微生物种类包括大肠杆菌、大肠杆菌含量为B。
又举例而言，假设第一微生物检测结果中微生物种类包括大肠杆菌、大肠杆菌含量为A，第二微生物检测结果中微生物种类包括大肠杆菌、大肠杆菌含量为B，计算A与B的均值为C，则质检结果为微生物种类包括大肠杆菌、大肠杆菌含量为C。
示例性的，根据质检结果，输出相应的食品安全质检报告。例如，若检测到的微生物含量超出食品安全对应的微生物含量参考值，则确定微生物含量超标，食品质检不合格，输出相应的食品安全质检不通过的质检报告。
上述实施例通过获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像，然后将第一图像输入训练好的第一食品质量检测模型，输出对应的第一微生物检测结果；并且，确定第一图像中待进行重扫描的至少一个目标区域，对每个目标区域进行低倍镜重扫描，获得微生物检测信息，其中，微生物检测信息包括微生物坐标位置，根据微生物检测信息，对食品样本进行高倍镜扫描，获得对应的至少一张第二图像，然后将至少一张所述第二图像输入训练好的第二食品质量检测模型，输出对应的第二微生物检测结果；最后根据第一微生物检测结果和第二微生物检测结果，获得待检测食品的质检结果，整个检测过程时间短，也不需要依赖于检测人员的专业经验，因此，提高了食品质检的效率和可靠性。
请参阅图5，图5为本申请实施例提供的一种食品质量检测设备的的示意性框图。
如图5所示，该食品质量检测设备300可以包括处理器311和存储器312，处理器311和存储器312通过总线连接，该总线比如为I2C（Inter-integrated Circuit）总线。
具体地，处理器311可以是微控制单元(Micro-controller Unit，MCU)、中央处理单元(Central Processing Unit，CPU)或数字信号处理器(Digital Signal Processor，DSP)等。
具体地，存储器312可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。存储器312中存储有供处理器311执行的各种计算机程序。
其中，所述处理器311用于运行存储在存储器处理器311中的计算机程序，并在执行所述计算机程序时实现如下步骤：
获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像；
将所述第一图像输入训练好的第一食品质量检测模型，输出对应的第一微生物检测结果；
确定所述第一图像中待进行重扫描的至少一个目标区域；
对每个所述目标区域进行低倍镜重扫描，获得微生物检测信息，其中，所述微生物检测信息包括微生物坐标位置；
根据所述微生物检测信息，对所述食品样本进行高倍镜扫描，获得对应的至少一张第二图像；
将至少一张所述第二图像输入训练好的第二食品质量检测模型，输出对应的第二微生物检测结果；
根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果。
在一些实施例中，处理器311在实现所述确定所述第一图像中待进行重扫描的至少一个目标区域时，用于实现：
将所述第一图像进行区域划分，获得对应的多张子图像；
根据每张所述子图像对应的区域位置和/或微生物密度信息，确定至少一个所述目标区域。
在一些实施例中，处理器311在实现所述根据每张所述子图像对应的区域位置和/或微生物密度信息，确定至少一个所述目标区域时，用于实现：
从多张所述子图像中选取目标子图像，将所述目标子图像对应所在的区域确定为所述目标区域，其中，多张所述目标子图像对应的微生物密度信息间的差异大于预设阈值，和/或，多张所述目标子图像不相邻。
在一些实施例中，处理器311在实现所述根据每张所述子图像对应的区域位置和/或微生物密度信息，确定至少一个所述目标区域之前，用于实现：
计算第一子图像对应的图像面积与所述第一子图像中空白区域面积的差值，其中，所述第一子图像为多张所述子图像中的任一图像；
将所述差值与所述图像面积的比值，确定为所述第一子图像对应的所述微生物密度信息。
在一些实施例中，所述第一微生物检测结果和所述第二微生物检测结果包括微生物种类、微生物含量，处理器311在实现所述根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果时，用于实现：
结合所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品对应的微生物种类以及微生物含量。
在一些实施例中，处理器311在实现所述结合所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品对应的微生物种类以及微生物含量时，用于实现：
将所述第一微生物检测结果和所述第二微生物检测结果中同一微生物对应的微生物含量中的较大值，确定为所述同一微生物对应的微生物含量；或
将所述第一微生物检测结果和所述第二微生物检测结果中同一微生物对应的微生物含量的均值，确定为所述同一微生物对应的微生物含量。
在一些实施例中，处理器311在实现所述获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像之前，用于实现：
获取多张第一样本图像，将所述第一样本图像输入第一食品质量检测模型，对所述第一食品质量检测模型进行模型训练，直至所述第一食品质量检测模型收敛，获得训练好的所述第一食品质量检测模型；其中，所述第一样本图像为低倍镜下拍摄的图像；
获取多张第二样本图像，将所述第二样本图像输入第二食品质量检测模型，对所述第二食品质量检测模型进行模型训练，直至所述第二食品质量检测模型收敛，获得训练好的所述第二食品质量检测模型；其中，所述第二样本图像为高倍镜下拍摄的图像。
该食品质量检测设备300可以执行本申请实施例所提供的任一种食品质量检测方法，因此，可以实现本申请实施例所提供的任一种食品质量检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
此外，本申请的实施例中还提供一种食品质量检测系统，该食品质量检测系统包括食品质量检测设备，示例性的，该食品质量检测设备可以为上述实施例中的食品质量检测设备300。食品质量检测系统可以执行本申请实施例所提供的任一种食品质量检测方法，因此，可以实现本申请实施例所提供的任一种食品质量检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
本申请的实施例中还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序中包括程序指令，所述处理器执行所述程序指令，实现上述实施例提供的食品质量检测方法的步骤。例如，该计算机程序被处理器加载，可以执行如下步骤：
获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像；
将所述第一图像输入训练好的第一食品质量检测模型，输出对应的第一微生物检测结果；
确定所述第一图像中待进行重扫描的至少一个目标区域；
对每个所述目标区域进行低倍镜重扫描，获得微生物检测信息，其中，所述微生物检测信息包括微生物坐标位置；
根据所述微生物检测信息，对所述食品样本进行高倍镜扫描，获得对应的至少一张第二图像；
将至少一张所述第二图像输入训练好的第二食品质量检测模型，输出对应的第二微生物检测结果；
根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，所述存储介质可以是前述实施例的食品质量检测设备或食品质量检测系统的内部存储单元，例如食品质量检测设备或食品质量检测系统的硬盘或内存。所述存储介质也可以是食品质量检测设备或食品质量检测系统的外部存储设备，例如食品质量检测设备或食品质量检测系统上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种食品质量检测方法，因此，可以实现本申请实施例所提供的任一种食品质量检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (7)
1.一种食品质量检测方法，其特征在于，包括：
获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像；
将所述第一图像输入训练好的第一食品质量检测模型，输出对应的第一微生物检测结果；
确定所述第一图像中待进行重扫描的至少一个目标区域；
对每个所述目标区域进行低倍镜重扫描，获得微生物检测信息，其中，所述微生物检测信息包括微生物坐标位置；
根据所述微生物检测信息，对所述食品样本进行高倍镜扫描，获得对应的至少一张第二图像；
将至少一张所述第二图像输入训练好的第二食品质量检测模型，输出对应的第二微生物检测结果；
根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果；
其中，所述确定所述第一图像中待进行重扫描的至少一个目标区域，包括：
将所述第一图像进行区域划分，获得对应的多张子图像；
根据每张所述子图像对应的微生物密度信息，确定至少一个所述目标区域；
所述根据每张所述子图像对应的微生物密度信息，确定至少一个所述目标区域，包括：
从多张所述子图像中选取目标子图像，将所述目标子图像对应所在的区域确定为所述目标区域，其中，多张所述目标子图像对应的微生物密度信息间的差异大于预设阈值；
所述根据每张所述子图像对应的微生物密度信息，确定至少一个所述目标区域之前，包括：
计算第一子图像对应的图像面积与所述第一子图像中空白区域面积的差值，其中，所述第一子图像为多张所述子图像中的任一图像；
将所述差值与所述图像面积的比值，确定为所述第一子图像对应的所述微生物密度信息。
2.根据权利要求1所述的方法，其特征在于，所述第一微生物检测结果和所述第二微生物检测结果包括微生物种类、微生物含量，所述根据所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品的质检结果，包括：
结合所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品对应的微生物种类以及微生物含量。
3.根据权利要求2所述的方法，其特征在于，所述结合所述第一微生物检测结果和所述第二微生物检测结果，获得所述待检测食品对应的微生物种类以及微生物含量，包括：
将所述第一微生物检测结果和所述第二微生物检测结果中同一微生物对应的微生物含量中的较大值，确定为所述同一微生物对应的微生物含量；或
将所述第一微生物检测结果和所述第二微生物检测结果中同一微生物对应的微生物含量的均值，确定为所述同一微生物对应的微生物含量。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述获取待检测食品对应的食品样本经低倍镜预扫描采集的第一图像之前，包括：
获取多张第一样本图像，将所述第一样本图像输入第一食品质量检测模型，对所述第一食品质量检测模型进行模型训练，直至所述第一食品质量检测模型收敛，获得训练好的所述第一食品质量检测模型；其中，所述第一样本图像为低倍镜下拍摄的图像；
获取多张第二样本图像，将所述第二样本图像输入第二食品质量检测模型，对所述第二食品质量检测模型进行模型训练，直至所述第二食品质量检测模型收敛，获得训练好的所述第二食品质量检测模型；其中，所述第二样本图像为高倍镜下拍摄的图像。
5.一种食品质量检测设备，其特征在于，包括：处理器、存储器，所述存储器存储有可被所述处理器执行的计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1至4中任一项所述的食品质量检测方法。
6.一种食品质量检测系统，其特征在于，所述食品质量检测系统包括如权利要求5所述的食品质量检测设备。
7.一种存储介质，用于计算机可读存储，其特征在于，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至4中任一项所述的食品质量检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117857.5A CN117649407B (zh) | 2024-01-29 | 2024-01-29 | 食品质量检测方法、设备、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117857.5A CN117649407B (zh) | 2024-01-29 | 2024-01-29 | 食品质量检测方法、设备、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649407A CN117649407A (zh) | 2024-03-05 |
| CN117649407B true CN117649407B (zh) | 2024-05-14 |
Family
ID=90043680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410117857.5A Active CN117649407B (zh) | 2024-01-29 | 2024-01-29 | 食品质量检测方法、设备、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649407B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107860781A (zh) * | 2017-10-12 | 2018-03-30 | 兰州职业技术学院 | 一种食品微生物定性与定量的检测方法 |
| CN109447950A (zh) * | 2018-09-30 | 2019-03-08 | 北京英视睿达科技有限公司 | 一种用于微生物的计数方法和系统 |
| CN112098383A (zh) * | 2020-09-21 | 2020-12-18 | 郑州中普医疗器械有限公司 | 微生物细菌的识别方法和电子设备 |
| CN112150446A (zh) * | 2020-09-27 | 2020-12-29 | 郑州中普医疗器械有限公司 | 显微镜镜检阅片扫描方法、计算机设备和系统 |
| CN114723695A (zh) * | 2022-03-28 | 2022-07-08 | 宁波永新光学股份有限公司 | 一种基于差分度量的浅色生物样本的检测方法 |
| CN115760724A (zh) * | 2022-11-04 | 2023-03-07 | 中检溯源江苏技术服务有限公司 | 食品质量检测方法和系统 |
| CN116113980A (zh) * | 2020-08-28 | 2023-05-12 | 苏州迈瑞科技有限公司 | 尿液分析仪、检测尿液中细菌的方法及存储介质 |
| CN117274293A (zh) * | 2023-11-17 | 2023-12-22 | 广东省农业科学院动物科学研究所 | 基于图像特征的细菌菌落精确划分方法 |
| CN117576103A (zh) * | 2024-01-17 | 2024-02-20 | 浙江大学滨江研究院 | 集成电控显微镜和深度学习算法的尿沉渣镜检分析系统 |
-
2024
- 2024-01-29 CN CN202410117857.5A patent/CN117649407B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107860781A (zh) * | 2017-10-12 | 2018-03-30 | 兰州职业技术学院 | 一种食品微生物定性与定量的检测方法 |
| CN109447950A (zh) * | 2018-09-30 | 2019-03-08 | 北京英视睿达科技有限公司 | 一种用于微生物的计数方法和系统 |
| CN116113980A (zh) * | 2020-08-28 | 2023-05-12 | 苏州迈瑞科技有限公司 | 尿液分析仪、检测尿液中细菌的方法及存储介质 |
| CN112098383A (zh) * | 2020-09-21 | 2020-12-18 | 郑州中普医疗器械有限公司 | 微生物细菌的识别方法和电子设备 |
| CN112150446A (zh) * | 2020-09-27 | 2020-12-29 | 郑州中普医疗器械有限公司 | 显微镜镜检阅片扫描方法、计算机设备和系统 |
| CN114723695A (zh) * | 2022-03-28 | 2022-07-08 | 宁波永新光学股份有限公司 | 一种基于差分度量的浅色生物样本的检测方法 |
| CN115760724A (zh) * | 2022-11-04 | 2023-03-07 | 中检溯源江苏技术服务有限公司 | 食品质量检测方法和系统 |
| CN117274293A (zh) * | 2023-11-17 | 2023-12-22 | 广东省农业科学院动物科学研究所 | 基于图像特征的细菌菌落精确划分方法 |
| CN117576103A (zh) * | 2024-01-17 | 2024-02-20 | 浙江大学滨江研究院 | 集成电控显微镜和深度学习算法的尿沉渣镜检分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649407A (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2047876C (en) | Method and apparatus for investigating and controlling an object | |
| WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| CN102822671B (zh) | 图像处理装置、图像读取装置、图像处理方法和信息存储介质 | |
| CN111931751B (zh) | 深度学习训练方法、目标物识别方法、系统和存储介质 | |
| CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
| US20150356342A1 (en) | Image processing apparatus, image processing method, and storage medium | |
| JP7416136B2 (ja) | コロニー検出装置 | |
| CN112990015B (zh) | 一种病变细胞自动识别方法、装置和电子设备 | |
| WO2015168365A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
| CN111950544A (zh) | 一种确定病理图像中感兴趣区域的方法及装置 | |
| CN117649407B (zh) | 食品质量检测方法、设备、系统及存储介质 | |
| CN110807754B (zh) | 基于深度语义分割的真菌显微图像分割检测方法及系统 | |
| CN110060246A (zh) | 一种图像处理方法、设备及存储介质 | |
| CN115165710B (zh) | 细胞的快速扫描方法和装置 | |
| CN111797706A (zh) | 一种基于图像的寄生虫虫卵形状识别系统及方法 | |
| Fernandes et al. | Detection and quantification of microorganisms in a heterogeneous foodstuff by image analysis | |
| CN108596209A (zh) | 一种能谱ct图像的处理方法及系统 | |
| CN112132139A (zh) | 字符识别方法和装置 | |
| CN114399669A (zh) | 目标检测方法和装置 | |
| CN110223307B (zh) | 一种基于图像识别的血液细胞计数方法 | |
| CN114004851B (zh) | 一种细胞图像分割方法、装置及细胞计数方法 | |
| CN117351240B (zh) | 一种正样本采样方法、系统、存储介质和电子设备 | |
| CN111142253B (zh) | 显微图像中的对焦窗口选择方法及装置 | |
| CN116630294B (zh) | 一种基于深度学习的全血样本检测方法、装置及存储介质 | |
| CN117809124B (zh) | 基于多特征融合的医学图像关联调用方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |