TW201202415A - Method for detecting a microorganism, apparatus for detecting a microorganism, and program - Google Patents

Description

201202415 六、發明說明： 【發明所屬之技術領域】 等微ΙΓ!關於一種藉由例如大腸菌等細菌或真核生物 方法二，測，以檢查食品等檢查對象物之微生物檢測 方法、微生物檢測裝置及程式。 【先前技術】 物之1文獻1中’已揭示有檢測食品等中所含之微生 此文獻之檢測方法，係藉由咖㈣測器，在 =物之培養前與培養後，拍攝微生物檢測用平板（piate)。 在所獲得之影像資訊’藉此測量微生物之菌落數。 微生物之方法。有藉由預先特定之色資訊以檢測 比#然而旦專利讀1之檢測方法，只是藉由影像資訊之 二以測m數。因& ’在培養前與培養後，拍攝時之 攝影機與培養基之相對位置變化、 ， 菌 次培養基的色與微生物 之广勺色係同色系日夺，有不能充分確保微生物之檢測精度 /。又’專利歧2之檢測方法，係藉由預先特定之色 貝现以檢測微生物。㈣，微生物的色變化、或培養基的 色與微生物菌落的色係同色牟時 土， 之檢測精度之虞。…有以充分確保微生物 專利文獻1 :日本特開2000— 69994號公報 專利文獻2:曰本特開平u —221〇7〇號公報 201202415 【發明内容】 本發明之目的在於提供一種微生物檢測方法、微生物 檢測裝置及程式’能高精度檢測檢查對象物之培養基所產 生之微生物菌落。 為解決上述問題’根據本發明第1實施形態，能提供 一種檢測被培養於培養基之微生物菌落之微生物檢測方 法。根據此方法’具備：訓練步驟，用彩色影像拍攝微生 物菌落不存在或存在於培養基區域内之學習對象物在所 拍攝之彩色影像中之培養基區域内之至少一部分設定訓練 對象區域，將位於訓練對象區域内之培養基點及微生物點 之至V方之色資訊作為學習資訊，將該學習資訊輸入於 刀類器取知色資讯之特徵向量，藉由分類器，將特徵向 量所規疋之點群分離以分類培養基綱及微生物綱中至少一 方之綱；及識別步驟，為了檢查在培養基區域内有無微 生物菌洛而拍攝之檢查對象物之彩色影像巾，將培養基區 域内之至少—部分之檢查對象區域内之各檢查點之色資訊 輸入於已訓練之分類器’取得色資訊之特徵向量藉由分 類器，判定特徵向量所規定之點是否屬於在訓練步㈣分 類之任一綱，根據其判定結果識別菌落。 根據此構成，訓練步驟，係將培養基點及微生物點中 至少-色資訊作為學習資訊，輸入於分類€，取得色資訊 ::量。X ’藉由分類器’特徵向量所規定之點群被 分離’培養基綱及微生物綱中少 , T ^ ^ 綱破色分類。識別步 驟，係將拍攝檢查對象物之彩色影 〜1豕甲檢查對象區域内各 201202415 檢查點之色資訊輸入於已訓練之分類器，取得色資訊之特 徵向量。分類器’係針對特徵向量所規定之點是否屬於任 一綱進行判定。又，根據其判定結果識別菌落。以這種方 式，在能色分類（分離）培養基及微生物中至少—種之特徵空 間中’能判定是培養基或微生物。因此，即使闺落的色變 化、或與培養基的色類似時亦能高精度識別菌落。又。在 甽練時與識別時，即使拍攝手段與檢查對象物之相對位置 有些偏離’亦能高精度檢測菌落…，能高精度檢測產 生於檢查對象物之微生物菌落。 仪丨土吓 #糾丨琛步驟，將 公微生物菌落不存在於培養基區域内之學習對象物之彩 像中之訓練對象區域内之培養基點之色資訊作為學習 ::輸：於分類器，取得色資訊之特徵向量，藉由分類器， …，特彳政向里所規定之點群往外側離開規定距離之位置設 =值:广此分類培養基綱；在識別步驟’將拍攝檢查對 像中之檢查對象區域内之各檢查點之色資訊 類器： = 得色資訊之特徵向量，藉由分 根據# 。里所規疋之檢查點是否屬於培養基綱， 為不屬於培養基綱之檢查點識別菌落。 根據判構成’訓練培養基之色資訊，在識別步驟中， 要進^不屬於培養基綱之檢查點識別菌落。此時，只 單進行。 簡早训練即可。因此，檢測處理能較簡 在上述之微生物檢測方法中 較佳係 在訓練步驟， 201202415 將拍攝學習對參私^ ^ * 物之彩色影像中之勒丨缺剩^ & 基點之色資訊與微 ' +象區域内之培養 興试生物點之色資訊作為 類器，取得色資吒 予i貝汛輸入於分 汛之特徵向量，藉由分 量所規定之培養基點之點群 ^貝益’分離特徵向 基綱與微生物綱；之點群以分類培養 在識别步驟，將拍攝檢 影像中之檢杳對象F H —對象物之彩色 —耵象&域内之各檢查點之 練之分類器，取得色資 貝汛輸入於已訓 特徵向量所規定之檢杳 刀類益，判定 任一者，根據判定為屬於微…物，，岡之 生物，、岡檢查點識別菌落。 根據此構成，分類器 之色資訊。又，藉由八類。。養基之色資訊與微生物點 綱。η別步驟中’被分類為培養基綱與微生物 矣甘， 類盗w疋檢查點是否屬於;t立

養基綱及微生物綱之杯—土 , ώ濁万、L 者以識別菌落。因此，能更加提 阿菌洛之檢測精度。 文力才疋 上述之微生物檢測方法中，^ ^ ^ ^ ^ ^

別步驟，輸入於分類器之資 乂诹及A 尺, 貝Λ除了包含色資訊外，還包 含形狀資訊與面積資訊中之至少一個。 C匕 2據此構成，訓練時，除色資訊外，形狀資訊與 :訊中至少-資訊被輸入於分類器。因此，能更 菌 洛之檢測精度。 ® 上述之微生物檢測方法Φ Af XL· ^ 中較佳係，在訓練步驟，除 了綱之分類外’還收集關 “ W々、孖在於培養基區域内之雜訊點

之雜訊資訊；在識別步驗 4 A 驟根據雜訊資訊判別屬於微生物 綱之檢查點是否為雜訊點，4祕 凡點’根據判別為非雜訊點之檢查點 6 201202415 識別菌落。 根據此構成，訓練步驟係收 根據雜訊資訊判別屬於微生物綱資訊。識別步驟係 又，根據判別為非雜訊點之檢查…雜訊點。 制將存在於培養基區域内之雜訊 因此，能抑 ,... t a檢凋為微生物點。 上述之微生物檢測方法中，較 拉n r i 权佳係，在識別步驟，將 。養基區域分割成外周區域與中央區將培養基之中央 區域作為檢查對象區域以進行識 、 、 & ^ ，十對外周區域，根據 ί曰由色緣檢測所檢測之色緣檢測菌落。 根據此構成，在培養基内之中央區域，根據特徵向量 所規疋之檢查點是否屬於綱之判定結I，檢測菌落。另一 面在支。養基内之外周區域，根據藉由色緣檢測所檢測 之色緣檢測菌$。因此，能遍布培養基區域之全區域高精 度檢測菌落。 上述之微生物檢測方法中，較佳係，在訓練步驟，將 從培養開始至菌落產生前之既定期間内之檢查對象物作為 學習對象物使用，進行學習培養基點之分類器之訓練以分 類培養基綱；在識別步驟，使用拍攝有既定期間以後之檢 查對象物之彩色影像。 根據此構成，訓練時，將從培養開始至菌落產生前之 既定期間内之檢查對象物作為學習對象物使用。識別時， 能使用拍攝經既定期間以後之檢查對象物之彩色影像。因 此’由於使用檢查對象物進行訓練，因此能獲得高檢測精 度，並且能較高效率進行訓練與識別。 201202415 為解決上述問題’根據本發明之第2實施形態，提供 -種檢查被培養於培養基之微生物菌落之有無之微生物檢 則，置！I匕裝置具備：訓練手段，用彩色影像拍攝微生物 菌洛不存在或存在於培養基區域内之學習對象物，在所拍 攝，心色衫像中之培養基區域内之至少一部分設定訓練對 象區，，將位於訓練對象區域内之培養基點及微生物點之 至^ 一方之色資訊作為學習資訊，將該學習資訊輸入於分 類器’取得色資訊之特徵向量’包含將特徵向量所規定之 點^分離以分類培養基綱及微生物綱中至少一方之綱之分 類器；以及識別手段，為了檢查有無微生物菌落於培養基 1域内而拍攝之檢查對象物之彩色影像中，將培養基區域 内之至少-部分檢查對象區域内之各檢查點之色資訊輸入 於^訓練之分類^，取得色資訊之特徵向量，藉由分類器， 判疋特徵向置所規定之點是否屬於藉由訓 任-綱，根據其判定結果識別菌落。 “類 根據此構成’能獲得與上述微生物檢測方法之發明相 同之效果。 一為解決上述問題’根據本發明之第3實施形態，提供 一種使電腦執行檢測被培養於培養基之微生物菌落之微生 物檢測處理之程式。此程式使 往八便電恥執行下述步驟：訓練步 I用彩色影像拍攝微生物菌落不存在或存在於培養基區 =内之學習對象物’在所拍攝之彩色影像中之培養基區域 :之至少-部分設定訓練對象區域，將位於訓練對象區域 之培養基點及微生物點之至少一方之色資訊作為學習資 201202415 訊，將該學習資訊輸入於分類器，取得色資訊之特徵向量， 藉由分類器’將特徵向量所規定之點群分離以分類培養基 綱及微生物綱中至少一方之綱；以及識別步驟，為了檢查 在培養基區域内有無微生物菌落而拍攝之檢查對象物之彩 色影像中，將培養基區域内之至少一部分之檢查對象區域 内之各檢查點之色資訊輸入於已訓練之分類器，取得色資 訊之特徵向量，藉由分類器，判定特徵向量所規定之點是 否屬於在訓練步驟被分類之任—綱，根據其判定結果識別 菌落。 根據此構成，藉由電腦執行訓練步驟與識別步驟。藉 此’能獲得與上述微生物檢測方法之發明相同之效果。 上述之微生物檢測方法中’較佳係，在識別步驟，求 =判定為屬於微生物綱之檢查點連續存在之封閉區域即菌 落候補之面積，面積滿足依據微生物種所設定之面積條件 時’將菌落候補識別為菌落。 上述之微生物檢測方法中，較佳係，在訓練步驟及識 ^步驟，色資訊與形狀資訊至少輸入於分類器，在訓練步 ^將菌落之色資訊及形狀資訊作為學習資訊輸入於分類 取得色資汛及形狀資訊之特徵向量，藉由分類器， 斗寺n ^曰- 么、°里所規疋之點群分離以分類菌落綱，在識別步驟， 才双=點係以檢查對象區域内之色區別之區域所示之菌落候 = 將菌落候補點之色資訊與形狀資訊輸入於已訓練之 判〜。，取得色資訊及形狀資訊之特徵向量，藉由分類器， lj义特徵向量所規定之點是否屬於菌落綱，根據其判定結 201202415 上 述 之 微 生物 檢測 方 法 算 法 之 支援 向 量機 ，在 訓 練 藉 由 核 算 法 1 將培 養基 點 及 之 特 徵 向 量 映 射於 高維 特 徵 由 分 類 器 ， 將 高維 特徵 向 量 培 養基 綱 與 微 生物 綱中 至 少 分 類 器 之 映 射 部， 藉由 核 算 向 量 映 射 於 維特 徵空 間 5 器 判 定 高 維特徵 向量 所 規 分 類 之 任 — 綱 ，根 據其 判 定 根 據 此 方 法， 能針對 藉 得 之 向 維特 徵 向量 所規 定 之 適 當 進行 綱 之 分類 ，且 能 高 上 述 之 微 生物檢測 方 法 用 以 取 得 彩 色 影像 ;以 及 報 時 > 報 知 檢測 出菌 落之 消 息 果識別菌落。 上述之微生物檢測方法 核算法之支援向量機、神經 少一種。 中，較佳係'，分類器包含根據 網路、高斯混合分布模型中至 中’較佳係、，分類器係根據核 步驟’使用分類器之映射部， 微生物點中至少一方之色資訊 空間，取得高維特徵向量，藉 所規定之點群線性分離以分類 一方之綱，在識別步驟，使用 法，將檢查點之色資訊之特徵 取得高維特徵向量，藉由分類 疋之點疋否屬於在訓練步驟所 結果識別菌落。 由核算法映射於高維空間所獲 點群予以線性分離。因此，处 月匕 精度檢測微生物。 中’較佳係，具備：拍攝手段， 知手段，識別手段識別為菌落 【實施方式】 (第1實施形態） 以下，根據圖1至圖1 1，說明將本發明具體化之—貧 10 201202415 施形態。 如圖1所示，微生物檢杳备 —糸、，充〇乂下簡稱「檢查系統

1 1」），具備：以壁部12包圍R m A 匕圍周圍之恒溫室13。恒溫室13 之溫度’係藉由空調機14保持在宁、 一 丁付在既疋溫度。檢查系統1 1， 在恒溫室1 3之圖1中之右下部分， 丨刀具備.投入架15、取出 架16、及取出$ 17。檢查對象物之一例即試樣S(例如收容 培養基之培養皿），係從投人架15往恒溫室Η内投入。在 直皿至1 3中，檢查結果為良品之$揭$ ~ & < 4樣S從取出架1 6取出， 仏查結果為不良品之試樣S從取出牟 狀出木17取出《在恒溫室13 内设置有：複數個收納架1 8、用以於杏β此 志# $ , 用以松查试樣S之微生物檢 —表置（以下簡稱「檢查裝置1 9 τ .Λ . 」）及搬運機器人20。為 J坧養，在各收納架丨8收納有往彳 S。^王丨旦恤至13内投入之試樣 搬運機器人2〇，係在各架 搬運气样c 至18與檢查裝置19之間 運。式樣S。在各架15至17上分 之內伽rt , 刀N °又置有連結恒溫室1 3 側與外側之輸送機15a至1 設置於於、.，杈入及取出試樣S時， 旦於輸迗機l5a至17a之外側 21、22价々„ 及中間部之雙重擋門 依各單向順序開放。以這種方4 從外部_ Λ卜 万式，可防止微生物等 1仪入恆溫室1 3内。 搬運機器人20具有：旋轉式之本體 室13内* , +體20a ’配置於恒溫 鬥之地面；以及臂20b，具有從本 數個關筋 ^ 體2〇a延伸出之複 關即。試樣S係藉由臂2〇b之前妲抑 以把持，y· > 〗知崢之夾頭部20c加 在各架15至18與檢查裝置丨 檢杏壯之間進行搬運。 一攻置19具備：用以載置試楛ς 用栽台）、月^ 1°式樣S之檢查台23(檢查 及用以拍攝檢查台23上之試樣 a佩^之攝影機24。 201202415 被收納於收納架ι8之試樣s，在培養期間令，藉由 置19定期檢查。檢查裝置19係根據攝影機24所拍攝：； 樣S之彩色影像，檢測試樣s之培養基中之微生物菌落。 未檢測出菌落而結束既定培養期間之試樣s，從良品用^ 出架16搬出。另—方面，檢測出菌落之試樣S，從不良。 用之取出架17搬出。 ° 檢查系統11，在恒溫室】3之外側，具備：控制器25 與個人電W 26。控制器25係控制空調機14 '搬運機器人 2〇、輸送機153至173、及擅門21、22等。在構成檢查裝 置19之個人電腦26令輸人有藉由攝影機24所拍攝之試樣 s之彩色影像資料。個人電腦26係藉由既定之演算法，使 用色資訊識別試樣S之培養基與微生物，進行檢測菌落之 微生物檢測處理。 如圖3所示，檢查裝i丨9具有：檢查台23 '照明檢查 。23上之試樣S之環狀光源28、反射板29、拍攝檢查台 23上之3式樣s之攝影機24、及微生物檢測處理裝置（以下簡 稱「檢測處理裝置40」）。反射板29係相對光源28被配置 於與檢查台23之相反側。檢測處理裝置4〇，係内裝於擷取 有來自攝影機24之影像資料之個人電腦26之本體3 1。 檢查台23係由玻璃等透光性材料構成。檢查台23係 藉由未圖示之支承部以可動狀態支承。光源28具有環狀， 被配置於攝影機24與檢查台23之間。光源28之中心軸係 與攝影機24之光軸一致。攝影機24係通過光源28之開口， 拍攝檢查台23上之試樣S之整體。反射板29係由例如擴 12 201202415 散板構成。反射板29係反射從光源28所照射的光作為擴 散光。因此，僅檢查台23上之試樣s的像藉由攝影機& 拍攝。 試樣s係收容培養基M(寒天培養基等）之培養皿35(例 如玻璃培養皿V培養皿35,係將蓋35b覆蓋於皿部35&後， 以上下反轉之狀態，將蓋35b朝與攝影機24之相反側，載 置於檢查台23上。其原因在於，防止因將蓋3讣取下，恒 溫室13内之微生物混入培養基M。若恒溫室丨3之清淨度 充分高’亦可取下蓋35b進行檢查。 隹皿邵35a，收容有 --Λ 0队π丁狀从阢疋比例说合 口養基Μ。培養皿3 5内之培養基μ係在恒溫室丨3内， 錢定溫度條件下培養既定之培養期^培養皿Μ係藉由 凌置1 9，於培養開始時與培養期間中之複數個設定時 ,刀別進行核查。在反複藉由搬運機器人2 0使培養皿3 5 往檢查台23上移動中’配置於檢查台23上之培養皿”之 位置為數mm至lem左右’培養皿35之角度為數度至3〇 度左右’有時從原來位置變化。 攝影機24係具備R(紅）、G(綠）、B(藍）用之三個攝影元 4 36之三板式彩色攝景$機，作為攝影元件36,能使用 =CD(Charge c〇upled 影像感測器或影像感測 :寺。攝影機24具備具有自動對焦功能及變焦功能之鏡頭 37攝影機24係以既定倍率拍攝檢查台23上之試樣 (:養皿3”。朝通過鏡頭單元37之攝影機24内之入射光， '、错由未圖示之分光鏡或分光稜鏡，分離為廳三原色的 13 201202415 光。被分離tRGB的各光被各攝影元件36分別接收。作為 攝影機24,亦可使用單板式彩色攝影機。 個人電腦26具備：本體31、由滑鼠32m及鍵盤32k 構成之輸入操作部32、及顯示器33(顯示部）。攝影機⑽ 接於本體31。從攝影機24内之各攝影元件36輸出之類 2訊號係在攝影機24内進行A/D轉換後，作為RGB彩色 像資料輸入於本體31。内裴於本體31之檢測處理裝置 =據從攝影機24輸入之試樣8之彩色影像資料，檢測 4基Μ中之微生物菌落。檢測處理裝置仰係相當於本發 明之微生物檢測裝置。 在本體31之内部安裝有具有CPU(中央處理裝置）及記 H=如RAM)之微電腦（以下簡稱「電腦38」）（參照圖小 == 之記憶體儲存有從CD__等記憶媒體安裝之 體1出程式。電腦38係發揮作為執行從記憶 =裝H 測處理裝置40之功能。關於藉由檢測處 置〇之微生物檢測處理之詳細予以後述。 如圖2所示，本體31内之電 ^ 2〇 .. φ 岛38係與攝影機24及光 源28連接。電腦38係進 及變焦控制等）、及藉由光源28之日控制（對焦控制 係與輸入操作部32及顯示器33連接:控電 輪入操作邱·关電恥38，係將來自 、彳2之各種設定資料儲存於記憶ϋ 42,並將铽樣 之影像或菌落之檢測結果顯示於顯示器U。 ’ 圖二中，檢測處理裝置40内所示之各功能塊，藉由電 執仃檢測處理用程式能予以實現。檢測處理裝置4〇 14 201202415 具備：控制部41、記憶體42、 45、訓練處理部46、 勒入資訊產生部43、分類器 久硪別處理部47。 控制部4 1係控制檢 記憶體❿又，控制部41:之整體或將設定資料儲存於 之影像及菌落檢測結果顯示於機24所拍攝之試樣S 定畫面顯示於顯示器33。 奂丁。态33。控制部4 1係將設 培養期間、訓練期間#作輸入操作部32，輸入 習間隔時間（學習取樣間隔）曰、識^期間（檢查期間）、學 隔）、雜訊收集之有無、間值俨二θ隔時間(識別取樣間 無、判別之有益、菌落$ °又疋距離、最外周檢測之有 設定資+斗/ 件（面積條件或徑條件）等各稀 又疋貝枓，將此等設定資料 X各種 使用硬碟或RAM之1 ^憶體42°在記憶體42 控制部4!具備計時部41 開始到培養期間結束之經過時間。W 4U係計算從培養 開始到經過既定時間之「訓練°養期間被分為從培養 到培養期間結束之「識別期間」。曰二益及經過既定時間後 象之微生物品種等所規定n D期間係依據檢測對 小時之範圍内（例如18小時）。控:如’規定在10至30 之計時時間，掌握現在屬於訓練期間：1係根據計時部413 間、或已達學習及檢查之各取樣、識別期間之哪個期 輸入眘1A 朋、培養期間結束等。 貝矾產生部43係從攝影機 資料（輸入影像）取得應輸入於分類 所輸入之彩色影像 入資訊申，至少包含有色資訊細孫之輸入資訊。在輸 43，在從攝旦彡 、，輸入資訊產生部 所輸入之彩色影像資料中，就每！像素 15 201202415 取得指定範圍内之像素之色資訊（RGB灰階值）。色資訊係以 2 5 6種灰階表現之R、g、b之灰階值進行分配。色資訊之 灰階數亦可適當變更。 分類器’係由根據核算法之支援向量機（SVM:Support

Vector Machine)、神經網路（MLp:Multi-Layer Perceptron)、 高斯混合分布模型（GMM:GauSSian Mixture Models)中至少 一種演算法構成。分類器45具備s VM、MLp、GMM中二 種或二種》作業者亦可從SVM、MLp、gmm中以手動進行 選擇’檢測處理裝置40亦可自動選擇SVM、mlp、GMM 中判定適合檢測對象者。 分類益45具備：特徵抽出部51、映射部52、線性分 離部53、及判定部54(識別部）。特徵抽出部5H系藉由上述 之SVM MLP、GMM中至少一種一般所知的函數演算法構 成特徵抽出。p 5 1係將來自輸入資訊產生部4.3之輸入資 訊作為輸人變冑，依照函數演算法進行特徵抽出運算。藉 此產生有特徵向量（特徵向量資料卜使用像素之色資訊 (RGB灰階值）之情形，牯曰 月心特徵向3： X係以包含RGB三色之牿 徵向量成分（xr，xg xb)之二油A旦+ g，）之一，准向里來表示。特徵向量x亦可 組合RGB色、及A办时 色二間以外之其他色空間（例如

色空間）之至少一邻八夕& Λ、、 V 口P刀之色成分資訊來使用。以下， 訊作為RGB灰階值 巴貝 m之一，，隹貝讯加以說明。 映射部52，且供於八# .;刀頬器45係支援向量機（SVM)之情 形。映射〇卩52依照核算法 輸出之特徵向量所規定U异法，將從特徵抽出部51 之輪入點映射於高維特徵空間。 16 201202415 又’映射部52產生高維特 出該高維特徵向詈所楨一、°里向、准特徵向量資料）’輸 Μ今徵向$所規定之輸出點（映 分類器45作為根據核算法之支援向曰 Χ ^ ，將 圖4 杈向I機（SVM)加以說明。 圖4係說明從輸入空間（特徵空 間之圖表。FI β +丄 射於同維特徵空 輸入㈣表示存在有特徵向量所規定之 輪入點x=(xr，xg, xb)之輸入空間 疋之 有:柄啟向量所規定之輸出點(映射點)翁 xg，xb))之向維特徵空間。 ， 产私而 中為便於說明SVM之特微， 在輸入空間表示培養基之輸入點χ 衧徵 :入二2(微生物點)。輸入點“係由包含色特 Γ之广維資料構成。為便於說明，圖4中，係將R、GT 色之色特徵量作為座標|由之_ 示。 知釉之一維輸入空間（特徵空間）來表 映/入空間中之三維之輸入點係藉由映射部52 為^ :加有追加維（AdditiGnal DimensiQn)之高維空間作 :特徵^所規定之輸出點補出。輸出點 =，xg )係n(n>3)維之特徵向量資料，具有μ固 /xr，/xg，一，…）。burner，pxg， p Xb，…）係各向量之終點座標。 圖4所示之輸人空間中，培養基之點^與微生物之 群X2係不能線性分離。然而，在映射對象之高維特徵空 君y映射培養基點χι之點群…υ與映射微生物點χ2之點 ，2)藉由裕度最大化所設定之超平面能線性分離。但 疋’在第1實施形態中’由於輸入點Μϊ係培養基點χΐ， 17 201202415 因此並非藉由裕度最大化者，能藉由從點^(χΐ)往外側離 規定距離（閾值設定用距離ΔΙ〇之閾值所規定之超平面’僅 分類培養基綱C 1 (參照圖6)。 線性分離部53 ’藉由超平面（分離平面）線性分離培養 基點父！之點群史（xl)與微生物點χ2之點群心2)中於訓練 期間所取得之至少一點群φ(χ)β又’線性分離部53分類培 養基綱C 1與微生物綱C2中至少一綱c。 如圖6所示，作為僅將培養基之色資訊作為學習資吨， 以訓練分類器45之本例中，僅表示於輸人空間之培養基點 χΐ作為輸人點’在成為該輸人點之映射對象之高維特徵空 間，僅產生培養基之點群φ (χ 〇。線性分離部53，在超平 面線性分離點群φ(χυ，僅培養基綱C1進行色分類。以這 種方式應分類的綱係—種之情形，作為用以規定超平面之 設定資料’間值設定用距離^之資料被儲存於記憶體❿ 線性，離部53，在點群口㈣中從最外側之點（例如成為支 援向莖之複數點）往外側距離△ L之位置設定閾值。以這種 方式規疋圖6所TF之超平面，藉此線性分離部53將培養 基綱C1進行色分類。分類的綱係-種之情形，分類器°4<5 仏由根據核算法之支援向量機（svM:Supp〇rt

MaChine)、尚斯混合分布模型（GMM:GaUSSian Mixt Models)中至少—種構成。 圖2所不之判定部54(識別部），係使用在識別期 別檢查點屬於哪綱時。圖2所示之訓練處理部46,在進； 分類器45之訓緩卜你故v # 丁 ，.朿上作為必要之構成，具備：訓練控制部56、 18 201202415 培養基區域檢 係將訓練所需要"二、㈣訊收集冑58。訓練控制部％ ^ , 之。又定貝料或各種指示分派給分類器45， 或將s川練所需I夕4t _ 、 ^ 之心不7刀派給培養基區域檢測部57及雜訊 八 氣由训練處理部46及分類器45構成訓練手段。 &針對攝影機24所拍攝之試樣S之影像加以說 明。圖5(a)至电_ 瓦, ()係表不培養期間中攝影機24所拍攝之試 閘私Γ像，圖5U)係表示訓練中之影像，圖5⑻係表示識別 了之〜像’圆5(c)係表示識別中之菌落產生時之影像， 一（）係表不於攝影機之攝影影像重疊菌落檢測結果所顯 丁之‘員不益33之影像。在圖5(昀所示之例的培養基Μ中以 雜凡Ν存在有檢查對象之飲料液中之不溶固形成分。在檢 查對象包含例如果實等飲料液之情形，包含其中之果皮、 果肉、纖維、種早笪他，m , 子4 U小固形物成為引起菌落誤檢測之雜 訊N。 培養基區域檢測部57檢測拍攝試樣之影像中之培養美 Μ之區域（以下稱為「培養基區域MA」），並且檢㈣料 基區域MA内之訓練局部區域TA(參照圖5(a))。所謂訓練

局部區域TA係分類與羽m# A/T A 刀顯益45學智培養基M的色之訓練對象區 域。本例中’為減輕訓練處理之負擔’培養基區域Μ之 -部分被設；t作為訓練局部區域ΤΑ。詳細係，培養基區域 檢測部57以影像處理區分培養皿35之區域與培養基區域 MA，進-步，在培養基區域MA内，檢測未含雜訊n之局

部區域，將此設定於訓練局部區域TA。此時，利用雜訊。N 與培養基Μ之色差，辛矣π 々·真# ,v Α 贷土 匕左邑差&域之邊緣以色緣進行檢測。作 201202415 業者亦可操作輸入操作部3 2 a TA。訓纟東$ % p & 手動設定訓練局部區域 1練局。㈣域TA的數與形態亦可適當設定。 雜Λ收集部58係收集雜訊f料 據位置判別雜訊與菌落吏用在根 5"、在訓練期間中使用色…置判別中。雜訊收集部 Y便·用色緣檢測或分§自55 / , N。又，雜1胳隹A J 乂刀頰态45 ,檢測雜訊 之雜r:; 係收集包含經檢測之雜訊N之位置 之雜喻。例如，在使用 位置 次在訓練局部區域TA之㈣ 4清形，至少進行一 1a 1練，將培養基綱〇分類後，雜 訊收集部Μ，心類後雜 入於分類器45，將作為… 母像素之輸入資訊輸 t不屬於培養基綱C1之既从达 t X次點群0 (x) •’作為雜訊點。又，雜句1½隹加 58 ,取得雜訊點連續之封閉 # F β 閉區域作為雜訊區域，運算雜哺 ^ 7Γ 了在雜訊資料中#合古 讯區域之面積或色濃淡值等。 3有雜 識別處理部47，名·^ 2丨丨Μ U 4別期間，根據培養基M上各點之 輪入資訊，判定產生成有特 谷’占之

之情形）、或藉由映射部4查點XKGMM 映射h查點XJ所獲得之映射 ㈣SVM之情形）是否屬於綱。又 :之映射點 其判定結果，識別檢查點. B & 。47，根據 1丨_ — ·〃』係培養基點或微生物點。又， 减別處理部47抽出識別A科*此l ^ M ^ 喊生物點之點（像素）連續存在之 、，&域。又，識別處理部47 4Φ PM ., B ^ 牧…谷種判疋條件，識別該 于閉㈣^為微生物㈣4進行此 處理部〇具備：識別控制部61、 地4引 最外周檢測部63、判別部…割部62、 4 ^不處理部65、及菌落檢測 20 201202415 邛66。藉由識別處理部叼 構成有識別手段。 ” 70 (已學習）之分類器45 識別控制部61推> 4 62至66分派指示二別處理時’對分類器45及各部 k養基區域分宝丨立 「有」之設定時被起動。此時，拉養：“最外周檢測 圖5(b)所示，將影像 °養基區域分割部62係如 區域AU中央區域）*最基^ MA分割為#央部之主 區域盘外周區心; 區域A2(外周區域)。中央 '、r周^域亦可部分重疊。 计時部4U之計時時間位於 使訓練處理部46钯叙 中時’控制部41 π .. ，進行分類器45之訓練。在叶時日卑 間進入識別期間(檢查期間)後，控制部 在理十時時 起動，，用已訓練之分類器45進行檢查。吏相處理部47 本貫施形態中，佶用八半 對主區域幻進疒 刀°之微生物之檢測處理係 ^ 特徵抽出部51係依照與訓練時相同之 、…丁分類器45之特徵抽出處理。亦即來 之影像數據中之主區域Α1中之全像素 衫機 輸喻產生部43往分類器45依序輸;每；像=從 特铽柚出部51根據輸入資訊’依照演算法產生特徵二 叫檢查點）。當分類器45係SVM之情形映^。置 徵向量所規定之檢查點⑼射於高維特徵空間；：特 特边：$ $ (XJ)。又，分類器45内之判定部54，係判：准 :向量所規定之點Xj s戈點“xj)是否屬於在訓練：特 =分類的綱C(本例中培養基綱叫，根據其·結^ U A 4 &查點Xj係培養基點或微生物點。 21 201202415 圖7係分類器為SVM情形之例，說明藉由判定部54 之判疋方法之圖表。判定部54係如圖7(a)所示，映射於高 維特徵空間之點（/) (xj)(j係j=1，2，...）屬於培養基綱C1之情 形，判定檢查點Xj為培養基點。另一方面，如圖7(b)所示， 點P(xj)不屬於培養基綱C1之情形，判定部54判定檢查點 xj為微生物點。在此階段，微生物點也有可能為雜訊。 圖2所示之最外周檢測部〇係使用與主區域A〗不同 之另一方進行最外周局部區域A2 +之微生物檢測。其 原因在於’培養基區域MA之最外周附近之環狀區域，例 如，在培養幻5之側壁部折射的光或側壁部的影係使培養 基Μ的色受影響之區域。因此，最外周檢㈣63，進行檢 測在最外周局部區域Α2内色不同區域之邊緣（色緣）之色緣 檢測。又’最外周歸"3,在藉由色緣包圍之區域施加 形態處理，將特定形狀者作為菌落候補。 刊…4係在判別「有」之設定情形被起動。判別部 6 4進行形狀判別、色判別、位置判別’從在主區域α】檢測 之微生物點連續存在之封閉區域所決定之檢測物(菌落候補 及在最外周局部區域Α2所檢測之檢測物(菌落候補)中，判 別雜訊Ν以外之菌落。形狀判別係判別藉由㈣抽出等所 取得之檢測物之面積、圓形度、凸度、最小外切圓 是否滿足預定設定或經學習之菌落形狀條件。判別部“ 判別檢測部中滿足上述形態條件者作 係 ^ ^ 入’色判？|丨 係分別計算檢測物與培養基區域之特定色比 』 刊別兩去 之色比例差是否係閾值以上。色比例差係閾值以上 22 201202415 夕 邛64判別該檢測物作為菌落。 行每1僳紊邱八 色別別對檢測物進 ::料；立置判別係根據在训練步驟所收集之雜 域，比較雜訊位置與檢測物位 集：雜 置判別因於：目丨丨榀ώϊ M d另】菌洛· °在位 置以J因核測物與雜訊重疊而不能判別 物之面積及色濃淡進行位置判別。 月夕使用仏測 標示處理部65係在主區 内 理 籤 在經檢測或判別以― 及最外周局部區域A2 別為菌洛之檢測物上黏貼標 此時，在經檢測或判別為非 ^ ,^ 兩非雜讯N之檢測物上黏貼俨 但在經檢測或判別為雜㈣ 黏貼‘ M -认， 切叫物上不黏貼標籤。 心66係判定標示之檢㈣ 先所設定之面積條件，於.、目，丨次q 槓疋否滿足預 % 0 ,如”双“滿足面積條件之檢測物作為菌 ;例如，若檢測物之面積Sd滿足使用下限 限supper所規定之面積條件Si〇weusd< 測物就能被檢測作為菌落。作 -pper’錢 限或上限。 “乍為面積條件，亦可僅設定下 控制部41係將從識別處理 所取仔之卤洛檢測結 干二33。若未檢測出菌落，檢測菌落個數之顯 =為°」。若檢測出菌落，就會顯示所檢測之菌落個數。 圍二如圖:⑷所示，在培養基影像中重疊顯示有包 斤才W /則之菌落之標記7 〇。 :’參照圖9至圖π所示之流程圖，說明電腦Μ 所“測處理。微生物檢測處理係利用軟體，藉由圖2 所不之檢測處理處置4〇進行。 圖9所不，首先，在培養開始前，作業者操作輸入 23 201202415 j作。P 32 ’將雜訊收集之有無 '閾值設定用距離、最外周 t測之有無、判別之有無、面積條件等設定值輸人個人電 細26 ^所輸入之各種設定值被儲存於記憶體42。又若作 業者使用輸入操作部3 2開始檢杏pq仏& 開 查開始操作’就會藉由電腦 (核測處理裝置40)開始微生物檢測處理。 步電腦38係從記憶體42讀出雜訊收集之 有無、間值設定用距離、最外周檢測之有 面積條件等設定值。 到⑺之有無、 步驟S20中’電腦38係在訓 所拍—之影像，在分類二 色步驟S20之訓練處理係相當於訓練步驟。 步驟㈣中，電腦38係在識別期間 區域中之料4：物絲β > %仃識別培養基 理… “之有無之識別處理。步驟S3之气別， 理係相當於識別步驟。 ^之4別處 電腦38係在S20之訓練處理執 理常之識別處理執行圖 _所不之訓練處 式。以下，依照圖H)及圖η之各流不之識別處理常 處理及識別處理之詳細。首也计 _，分別說明訓練 目元’藉由言川綠老 藉由攝影機24所拍攝之影像資料，使用於部46 ’根據 及分類器45進行訓練處理。 則Λ資訊產生部43 圖1〇中之步驟sm中，收容有檢 的培養皿35係藉由攝影機24拍攝^ f象之培養基Μ 次。 1〇 _欠，例如拍攝5 步驟㈣，係根據所拍攝之影像資， h測影像中之 24 201202415 培養基區域MA(參照圖5(a))。 步驟⑽’在培養基區域MA中設定有訓練局部區域 U照圖5⑷）。例如，在培養基區域财内探索雜訊N， 不包含雜訊N之區域被設定作為訓練局部區域TA。 —步.驟Sl40’係'以訓練局部區域TA為對象，使用 次#法’進仃分類器45之訓練。詳細係圖2所示之 ::訊產生部43產生包含訓練局部區域TA之每1像素：色 二二入身' 又’輸入資訊產生部43係將輸入資訊作 為學為貝sfL，依序輪屮5八半s 〇。j。 b 汁鞠出至/刀類窃45。分類器45内之 出部Μ係根據輸入資訊，依照演算法產生特徵向量^八 類器45係SVM之愔报，加闫（„ _ 丄 刀 匱形如圖6所不，在特徵向量規定之 培養基點X 1藉由映身十邱^ 9 γ 射°卩52依序映射於高維特徵空間。以 這種方式’能獲得在映射對象之高維特徵向量所規定之點 群，⑻。在從點群…)往外側離間值設定用距離“之 位置，以超平面之形式机卞 式5又疋有閾值。藉由該超平面高唯特 徵空間被線性分離，培養基綱ci被色分類。 4特 步驟s150,係判斷雜訊收集之有無。若係雜訊 之設定’則移至步驟S160,若係雜訊收集 之設：」 則移至步驟S170。 & 步驟S 16 0，係收隼雜印次 集雜甙貝枓。雜訊收集部58係在捭 基區域ΜΑ内檢測色緣 。香 巴、、彖仗色緣檢測培養基Μ與色相之尤 同區域作為雜訊Ν。雜1价隹不 雜Α收集部58計算經檢測之雜訊 位置’產生至少包含其位置資， 憶體42。 使儲存於纪 25 201202415 中，能進，一0仏判斷追加訓練之有無。此處，訓練期間 作為學f f # h 藉由追加m追加學習資料。 產生許期間（既定時間），若係比微生物群之 產生期間短的值，亦可 ^ ^ S1 10 .. 疋適备值。若有追加訓練，則返 像資料，同樣能進二=7Γ所拍攝之試樣… 則訓練處理常式結束。㈣之處理。若無追加訓練， 在從培養開始(時刻。)到經過既定時間(例如 二進仃。藉由此訓練，分類器45分類培養基㈣ 例如，在訓練期間中能學 u此 有關飲料中所含之.W。養基M之色的變化。同時， (氧化鐵箄屬成分氧化所產生之析出物 寻）之資料亦被收集作為雜訊N。 從，之計時時間經過既定時間(例如5小時)後， 間往識別期間轉移。又，…開始圖二 之4別處理常式。此處1 斤丁 資吨…"， “由硪別處理部47,使用輸入 產生。P 43 &分類“5進行識別處理。 培養ΓΜΓ示，首先’步驟S210中，收容檢查對象之 ,培養皿35係藉由攝影機24 相同次數。 1皇拍攝與训練時 區域I步驟S220,係根據所拍攝之影像資料檢測培養基 步驟咖，係在培養基區域中設定有主區域^ 26 201202415 與最外周局部區域A2。 步驟S240，係藉由LUT(Look Up Table:查找表）進行亮 度轉換。兜度轉換係進行對比調整及伽瑪（^ )修正等。 下—步驟S250，係以主區域A1為對象，藉由分類器 45使用學習演算法能檢測微生物點。詳細係，圖2所示之 輸入貝訊產生部43產生包含主區域A1内每1像素之色資 訊之輸入資訊，依序輸出至分類器45。在分類器45内，特 铽抽出部5 1根據輸入資訊產生特徵向量（式中， j 1 ’2’ ··）。分類器45係SVM之情形，圖6所示之特徵向量 所規疋之檢查點Xj係藉由映射部52依序映射於高維特徵空 間。以巧種方式，能獲得高維特徵向量所規定之映射點妒 (xj)(參照圖7)。如圖7(a)所示，映射點p(xj)屬於培養基綱 C1之情形，檢查點Xj被判定（識別）為培養基點。另一方面， 如圖7(b)所示，映射點PUj)不屬於培養基綱C1之情形， 檢查點X」被判定（識別）為微生物點。如圖5(c)所示，轉移 至識別步驟&，經過例& 3至5小時後，有時會產生菌落 CL。此時，根據菌落CL中之像素之輸入資訊，映射檢查點 xj所獲得之點P (xj)(係SVM之情形），如圖7(b)所示，不屬 於培養基綱C1，被檢測作為微生物點。此種檢測處理係針 對主區域A1之全像素進行。 步驟S260，係判斷最外周檢測之有無。若係最外周檢 測「有」之設定，則移至步驟S27〇，若係最外周檢測「無 之設定，則移至步驟S290。 ' ' 步驟S270 ’係在最外周局部區域A2内檢測色緣，根據 27 201202415 色才’、α養基之差異，能檢測菌落區域。菌落區域係有可 能為雜訊區域之檢測物（菌落候補）之區域。 接下來，步驟S28〇，係進行區域形態處理，將檢測物 之形態標準化為例如圓形或橢圓形。 步驟S290，係判斷判別處理之有無。判別處理「有」 之設定之情形，移至步驟S3〇〇,判別處理「無」之設定之 情形，移至步驟S3 10。 v驟S300，係根據形態 '色、位置判別檢測物。統合 主區域A1與最外周局部區域A2之各檢測結果。又，針對 統合所獲得之結果，首先，係針對微生物點連續存在之封 閉區域進行特徵抽出，檢測檢測物（菌落候補）。形狀判別， 首先’係運算檢測物之面積、圓形度、凸度、最小外切圓 等。又，針對被特徵抽出之此等特徵量滿足菌落之形狀條 件之檢測物，判別為菌落候補。色判別，首先係分別計 算檢測物與培養基區域之特定色比例。又，針對兩者之色 比例差為預先設；^之閾值以上之檢測物判別為菌落候補。 位f判別，首先，係比較根據從記憶體42讀出之雜訊資料 决疋之雜訊位置與經運算之檢測物之位置。又，針對雜訊 與位置不重疊之檢測物’被判別為菌落候補。在位置判別。， 使用檢測物之面 因檢測物與雜訊重疊而不能判別之情形 積及色濃淡值進行判別。以這種方式，藉由判別步驟檢 測物中雜訊N等不能判別作為菌落，檢測物（菌落候補）進一 步受限制。 步驟S310’係在檢測或判別後之檢測物上標示。亦即 28 201202415 統合主區域A 1及最外周局部區域A 2之各於、 α纟則結果，遍亦^ 培養基區域ΜΑ之全區域，在經檢測或判 上標示。此時，進行S300之判別處理時，針 斤有铋'則物 对對在判別處 被判別為雜訊之檢測物，從標示之對象排除。 步驟S320，係根據面積條件，判定檢測物是否 菌落檢測部όό，係確認經標示之檢測物之 ‘、‘、菌落。 ^ 田積疋否滿万j »己隐體4 2 s賣出之面積條件。檢測物之面稽^ ^ , 價滿足面積條 件S 1〇wM S^s upper之情形，檢測物被判定為菌落1 步驟S330，係將菌落檢測結果顯示於顯示器幻，、， =依據菌落檢測結果之控制訊號。亦即，若從識二 邛7所接受之菌落檢測結果為檢測數「〇 將係檢測菌落個數「〇」之消息顯示於顯示器33 ^控_制部41 若菌落檢測結果為檢測數「N」⑽丨) 方面: :菌落個數「N」顯示於顯示器-並且，在— Π 3 3之試樣s 旦 .“、貝不裔 落CL之方^ W所示’以包圍經檢测之菌 在恒溫室= 重叠顯Γ。藉由此種標記70之顯示， 檢查中之試樣之至外銳察顯不器^ 3之作業者能容易掌握在 部41輪出1之所產生中之菌洛之產生狀況。又，從控制 對控制器25於在檢測出困洛之時點檢查中止’控制部41 ° 輪出搬出試樣S之消自之批制 制器25控制^ 4心之控制讯唬。結果，控 控制詉運機器人2〇，將 運至取出加 攸句N马不良〇口之试樣S搬 搬出。另:7 ’並且驅動輸送機17a，將該試樣S往室外 ~方面’菌落檢測結果為檢測數「0」之情形，試 29 201202415 回收納架18β即使培養期間結束μ亦未被檢測之 试樣S係藉由搬運機器人20搬運至良品用之取出竿1 由輸送機16a往室外搬出。 曰 以往，在培養期間之結束時點進行檢查，即使菌落】 個亦被檢測之情形，必須每批中止飲料品之生產。根 實施形態之檢查裝置丨9，即使在谇表 史在培養期間之途中亦能檢測 菌洛、在檢測菌落之時點，早期中止飲料品之生 此，能極力少抑制飲料品之不良品數。 圖8係比較使用檢查裝置19檢查試樣 數'檢測實菌數、及目視檢測菌數之圖表。在混合飲^ =樣液之培養基Μ賦予大腸菌’經過18小時培養。橫· …從培養開始之經過時間(小時)，縱轴係 (個）。圖8⑷及圖8⑻之各試樣s，培養基的色因檢杳對^ =料液之色不同而差異。所謂圖表中之檢測菌數：係： 1理這置40以每一定時間檢測之菌數。 含培養期間之各時點之極微小之菌落之菌數之實 =檢測菌數係熟練之檢查員以每—定時間用目視檢杳 基所能檢測之菌數。圖8之例中，從培養開始到經過^ 時之期間係訓練期間，經過5小時後之期間係識別： 查期間)。由圖8⑷及圖8(b)之各圖表可瞭解，在訓 狄 檢測菌數與檢測實菌數均以「〇」推移。從培養開始，J， 至8小時開始檢測微生物。檢測菌數，遍布識別 6 體以與檢測實菌數大致同數進行推移。結果表示， 培養基之色的影響，藉由檢測處理裝置4g之菌檢測精2 30 201202415 高。又，在識別期間，檢測菌數 ♦仙能, 怖u比目視檢測菌數更多 二·;ΐ: 從結果可瞭解，若使用檢查裝置19,較 =視能從小的階段早期檢測菌落。又，藉由檢杳 袭置19能檢測之微生物之菌落大 一 丄， Ω 彳係目視大致不能檢測之 大小，，、體而言，約為0 〇〇8平方毫米。 以上詳述’根據本發明第1實施形態，能獲得以下 之效果。 1 ⑴根據具有色資訊之輸人資訊，針對藉由分類器45 =得之特徵向量所規定之檢查…映射_)是否 方、在雜步驟（S2G)被色分類之培養基綱C1《行判定。 :’根據此判定結果’能識別檢查點xj是否為菌落。因此， 邊正確檢測g落。例如，即使培養基M與菌落CL係同系 色’亦使用SVM之分類器45，藉此能線性分離高維特徵空 :中之培養基與菌落，能正確檢測菌落。x，由於係根據 特徵識別菌落之方，去’因此在訓練時與識別時，即使 :查台23上的培養皿35之位置或角度從原來位置偏離， 二攝影機24與培養皿35之相對位置變化，亦能正確 囷落。 / (2)例如’如大腸菌之菌落為紅系，酵母菌之菌落為綠 糸奴’即使菌落色因微生物品種不同而有差異日夺，亦能使 用分類$ 45之相同演算法，正確檢測微生物（細菌）之菌落。

* (3)乳化鐵等金屬成分經氧化之析出物有時發色成與 菌洛同系色’但言川練步驟中’培養開始後，後發性產生之 析出物等雜訊N之學習資料亦被蓄積，並且析出物等雜訊N 31 201202415 之雜机身料亦被收集。此時，析出物等檢查點被判 於培養基綱C1者。假如，此檢查點不屬於培養基綱 心有可能是菌落之檢測物被檢測’亦可根據形 、 位置當作雜訊，從檢測物將此檢查點 、 避免析出物等被誤檢測為菌落，能正確檢=落因此’能 (4)訓練步驟’係將檢查對象物(試樣s)作為 物使用，並且微生物菌落發生前之既定期間( 既定時間(例如5小時))被設定作為訓練期間。因 “丨練期間培養基M的色變化’變 的色予以學習。因此，即使择養“"Π紅養基Μ 於，… 卩便培養基的色變化時’亦能正確 菌洛。即使受檢查對象即飲料液之色的影響， 對象改變時J立表其& g " 双~ I 亦能對每檢查對象進㈣ 予I i。養基的色，因此能正確檢測菌落。 ()針對才欢查點XJ· <映射點^⑻被判定為不屬於培 ^ C1之微生物點連續存在之封閉區域，統合藉由特徵 主區域AI内檢測或判別之檢測物、與藉由色緣檢測 :域形態處理在最外周局部區域八2内檢測或判別之檢測 又纟上述檢測物上標示，並且在檢測物中滿 條件者作為㈣予以識別。因此，由於在檢測物中有雜= 之虞者予以除去，因此能高精度檢測菌落。 ()#雜有果皮等雜訊N(異物）之檢查對像物之情形， ^別步驟令’藉由形狀判別、色判別、位置判別，能判 別檢測物中菌落盥雜訊 ^ ^ 因此，能有效抑制雜訊Ν被誤檢 '只J马鹵洛。因此，伟Λ 士 h 即使在有與菌落同系色之果皮或果肉之 32 201202415 培養基，亦能高精度檢測被培養之微生物菌落 ⑺訓練步驟中’由於僅學習培養基，因此… 之方法相比，必要之處理或作業較簡單。學習菌：'菌落 方=情形，作業者特定菌落，將該特定之菌、Ϊ洛區域之 入指疋於電腦38之輸入作業成為必要。該點，若輸 習培養基Μ之本實施形態之方法，就不 右根據僅學 入菌落區域作業，能使電腦38自動學習。W特疋或輸 ⑻將微生物菌落發生前之既定時間⑼ 培養基之訓練期間，將既定時間以後之 進時)作為 物識別(檢測)之識別期間，進行檢：進行微生 查對象之試樣s進行訓練，因此㈣由於能使用檢 此菌洛之檢測精声括古 .± 干習菌落之方法時，在檢查對象(試樣S)之：：。 能進行訓練。因此，會栌 。養期間中，不 對象與檢查對象不同所 ，丨（之㈣測精度之降低。又，亦擔心，除 還设置訓練期間，藉此用 β卜 县…μ 肖此用以進仃训練與識別之所要時間變 …，根據本實施形態，能利用菌落發生前之期間 :’·、』丨練，因此能縮短訓練與識別之所要時間。 落示於顯示器33之試樣8之影像中，以包圍菌 ι <方式’標記70被重疊鞀千。lL 以視臀辟_ 且颂不。因此，經檢測之菌落 見....員不，因此作業者能容易辨識菌落之產生情況。 ^ , 〇〇)在食品等製造現場’被要求掌握各步驟中之衛生 二：商广之早期出貨。如上述’若將本實施形態之檢查 二Η採用於食品等製造現場，就能迅速且高精度檢測菌 洛。因此，亦能對應掌握各步驟中之衛生狀況、商品之早 33 201202415 期出貨。又，藉由微生物檢查之迅速化，能早期判斷有問 題之產品之停止出貨。因此，在危機管理中亦非常有用。 (第2實施形態） 接著，根據圖1 2說明第2實施形態。第2實施形態， 係在訓練步驟（S20)中，訓練培養基及微生物群（菌落）兩者 之例。檢查裝置19(圖1、圖3)及檢測處理裝置40(圖2)之 構成、微生物檢測處理常式（圖9至圖1 1)之處理内容基本 上係與第1實施形態相同。 圖1 2係說明從分類器係SVM時之輸入空間往高維特 徵空間映射之圖表。圖1 2，係在輸入空間表示有培養基之 輸入點xl(培養基點）與菌落之輸入點χ2(微生物點）。如圖 1 2所不，將培養基點χ丨映射於高維特徵空間之特徵向量所 規疋之培養基點之點群ρ (χ丨）、與將微生物之輸入點U映 射於高維特徵空間之特冑向量所規定之微生物點之點群 (x2)能線性分離。 .、 刀離部53 ’藉由將來自各支援向量（最接近點）之 …义最大化之位置所设定之超平面，#高維特徵空間中之 培養基點之點群^ (xl)與微生物點之點群心2)線性分離。 藉此λ類培養基綱c !與菌落(微生物)綱。 此時，將培養基作為對象之分類器G之訓 1實施形態相同之方法進耔 £ 兴第 八蹦哭4S 心丁。另-方面’將菌落作為對象之 刀訓練能以以下方式進行1即， 之菌落所產生之培養基 门。。種 ΛΛ ^ L 作業者邊觀察顯示器33之捭表翼 Μ邊藉由輸入操作部32 之圪養基 疋鹵洛區域。又，能以該指定之 34 201202415 菌落區域為對象，進行分類器45之訓練。又 之訓練，亦可係使學習 刀類裔45 ^ 工作成之菌落之訓練。分龆满* 種綱之情形，作為分類 刀類複數 向量機(SVM)、高斯、'八 除了採用根據核算法之支援 經網路（MLP)。 ^…刀布模型（GMM)之外，亦能採用神 制步驟⑽），係與第】實施形態相同，圖2所 …Λ產生部43產生包含主區域ai内 訊之輸入資訊。又，輸人f訊產生部4 二色:貝 為學習資訊依序輸出於分n 1係將輸入貧訊作

刀類态45。分類器45内之牿η 4丄I =51，係將輸人資訊作為輸人變數，依照函㈣算:進 =抽出運算，藉此產生特徵向量•查點)。：异= 产：SVM之情形’映射部52,係將特徵向量相規定： :Ϊ點;;映射於圖12所示之高維特徵空間，產生高維= 之 〇 ，係判定高維特徵向量所規定 :::屬於培養基綱及菌落㈣中哪綱，檢測微： 广⑻屬於菌落綱C2之情形，該 = 及圖U中，除了分類器45之訓練對象= 養基與菌落（S140)、檢杳赴.· 、。 檢測此點作為微生物點；2 X” ：㈣屬於菌落綱C2時 態相同。又，八二 )以外，基本上係與第1實施形

於高維特徵空：二5係_或㈣之情形’僅未射映 ' S25〇中，針對藉由依照GMM或MIP 演算法之特徵抽出運算所產生之檢查…否屬： _洛綱，進行判定。 鸷万、 根據第2實播报能 . 形態’除了可獲得第丨實施形態中之效 35 201202415 還能獲得以下效 果（丨）、（3)、（5)、（6)、（9)、（1〇)之效果外 果。 (11) 訓練步驟中，被分類有培養基綱C1與 C2’能識別培養基、菌^、培養基及菌落以外。因此洛^ 較於第1實施形態’能更正確判定檢查點係培養基： 微生物點或兩者以外。®此’菌落之檢測精度能加心广 (12) 一訓練步驟中’分類器45係SVM之情形，映：部 52產生高維特徵空間中之培養基之點群…1)與菌落之點 群W2)。線性分離部53,藉由使來自各支援向量之裕度（距 離）最大化之超平面，線性分離位於高維特徵空間之培養基 之點群(Mxl)與菌落之點群藉此，能適當色分類: 種綱d、C2。識別步驟中，由於係針對映射檢查μ _ 得之高維特徵向量之點㈣）是否屬於“綱c2，進行； 定，因此能提高識別步驟中之菌落之識別精度。 (第3實施形態） 接著’根據圖13說明第3實施形態。帛3實施形態中， 訓練步驟係在培養基與微生物群（菌落）中僅訓練微生物 群。此時，第2實施形態中，能與以菌落區域為對象㈣ 分類ϋ 45時㈣之方法進行訓練。檢查裝置19(圖卜圖 3)及檢測處理裝置4〇(圖2)之構成、微生物檢測處理常式（圖 9至圖1 1)之處理内容基本上係與第i實施形態相同。 圖13係說明從分類器為SVM時之輸入空間映射於高 維特徵空間之圖表。圓13中，於輸入空間表示有菌落之輸 入點x2(微生物點）n3所示，藉由從點群^往外 36 201202415 側離閣值設定用距離“之超平面，線性分 映射於高維特徵允 生物點 之點群"、 I間之阿、准特徵向量所規定之微生物點 群〜2)’分類有菌落、綱〜分類的綱為—八 :器45係由根據核算法之支援向量機叫高斯二I 布模型（GMM)中至少一種構成。 識別步驟（S30)，係與第1實施形態相同，圖2所示 ^ ^貝戒產生部43係、產生包含主區域Α1内每i像素之 貝矾。又，輸入資訊產生部43係將輸入資訊作 為:白 '訊，依序輸出至分類器4 5。分類器4 5内之特徵柄 P 5 1 h將輸人資訊作為輸人變數，依照函數演算法進〜 ㈣抽出運算’藉此產生特徵向t xj(檢查點）。又，分類^ 係SVM之情形，映像部…係將特徵向量xj所規定： j點Xj映射於圖13所示之高維特徵空間，產生高維特徵 里* (XJ)。判定部54係判定高維特徵向量以xj)所規定之 屮（XJ·)疋否屬於菌落綱C2。當點p屬於菌落綱u時， "占屮（xj)被檢測作為微生物點。圖丨〇及圖丨1中除了分類 二之㈣練對象係菌落（S140)、檢查點xj或點φ (Xj)屬於 菌落綱C2時檢測此點作為微生物點（S25G)以外，基本上係 與第1實施形態相同。又，分類器45係GMM之情形，僅 未映射於〃高維特徵空間，在S25〇中，針對藉由依照GMM 之函數演算法之特徵抽出運算所產生之檢查點xj被判定是 否屬於菌落綱，進行判定（識別）。 根據第3實施形態，除了可獲得第i實施形態中之效 果⑴（3)、（5)、（6)、（9)、（丨〇)之效果外還能獲得以下效 37 201202415 果0 (m練步驟中，由於菌落綱 1，、卿#^“很刀糊，四此相敕 第1實施形態，能串τ + 更正確判定檢查點Xj是否為微生物點。 因此’菌落之檢測精度能更加提高。 (14)預H練步驟中由於培養學習對象物即試樣 S’經過整個培養期間’能學習菌落之色的變化，因此識別 乂驟中’於核查對象物即試I S中所產生之菌落的色即使 隨時間經過而變化，亦能正確識別菌落。 (第4實施形態） •上述各實施形態，雖採用色資訊作為往分類器之輸入 資訊’但本實施形態除採用色資訊外，還追加了形狀資訊。 幻如細菌（大腸菌等）之菌落具有圓或糖圓等大致圓形態， 能區別果皮或析出物等雜訊(異物)之形態。第2實施形態 中，能列舉，除培恭其；g絲# Λ , 杳基及菌洛之各種色資訊外，還將菌落 心狀貝作為輸入資訊，輸出至分類@ 45之變形例。又， :3實轭形態中’亦能列舉，除菌落之色資訊外，還將菌 :之形狀貝Λ作為輪入資訊，輸出至分類器45之變形例。 引者之隋形’在分類器45能利肖、Μ:?、。題後 之清形在刀類器45能利用svm、gMM。 训練步驟，係根據拍攝包含菌落之培養基Μ之彩色影 像作業者進行輸入操作或影像處理，特定菌落。又，將 特疋為菌落之區域之形態標準化，藉此取得形狀資訊。包 含菌落之色資訊及形狀資訊之輸入資訊，係從輸入資訊產 生。Ρ 43作為學習資訊輸入至分類器45。分類器45内之特 38 201202415 傲柚出邵 依照函數演算 法進行特徵抽出運算，藉此產生特徵向量 . ~'ixr, xg, xb xshape)(微生物點；）。又，分類器45係svm夕降立， ’ i w形，映射部 52’係將特徵向量所規^之微生物點χ2映射於高維特徵办 間，取得高維特徵向量ρ (χ2)。線性分離 工 , Θ °·3 0 J ’係在從特 徵向夏之點群X2(MLP、GMM之情形）或高維特徵向 群:（x2)(S VM之情形）往外側離間值設定用㈣: 距離）之位置，以超平面形式設定閾值。藉由此超平面，^ 洛綱C2根據色與形態之特徵進行分類。 菌 識別步驟’例如’在影像處理，培養基與其 或菌落等）係藉由色進扞卩 、卜（異物 進仃。又，運算培養基以外者之F 域开J狀，將經運曾之拟肋4 有之區 u L #之形狀標準化’取得形狀資訊。又，拉 養基以外之各區域之多次 又培 4之色貝讯，係將區域内 化後取得。輸人資MU 43#^ μ像素的色平均 , 3係在母區域產生句冬* -穴— 與形狀資訊之輸入資訊。輪入 生匕3色-貝讯 于別八貝sfl產生部43你u玄μ 作為學習資訊輸出至分類 係將輸入資訊

c , ^ 45。分類器45内之牲舛a , A 51係將輸入資訊作為輸 内之特徵抽出部 徵抽出i軍首^ 良數’依照函數演算法，進行转 倣柚出運异，藉此產生特 . 進仃特 查點）。 〇 里 XJ —(Xr，xg，xb，xshape)(檢 分類器45係SVM之情 所規定之檢查點XJ映射於丄映射部52係將特徵向量xj ⑻。又，藉由特徵向量：維㈣空間，取得特徵… (MLP、GMM之情形)、或二所規定之.點xj與閾值之比較 ㈤）與閾值之比較（SVM之：維特徵向量❿）所規定之點φ 月形）’判定點xj或點p (xj)是否 39 201202415 屬於菌落綱C2。當點xj或點p (xj)屬於菌落綱c2時，檢查 點xj被識別為菌落。 S上述之方法，雖在共同之特徵空間產生色資訊與形狀 資訊之各特徵向量’但並不限定於此。例如，亦可分別在 特徵空間產生色資訊與形狀資訊之各特徵向量，進行訓練 及識別”匕時，預先以菌落之色資訊與形狀資訊分別進行 訓練’在各自之特徵空間事先分別分類菌落綱Ccolor、 Cs^pe。識別步驟’首先，特徵抽出部5ι，係將輸入於分 類器=之色資訊（R值、G值、B值）作為輪入變數依照函 數演算法，進行特徵抽出運算，藉此產生特徵向量中㈣％ xb)(檢查點）。又，分類器45係⑽之情形，將特徵向量 :規定之檢查點Xj映射於高維特徵空間，產生高維特徵向 量屮（xj)接下來，針對所獲得的點xj(MLp ' 之情形）、 或點WH，xg，xb)(SVM之情形）是否屬於菌落綱c色進行 判定。當點xj或點史（xr，xg，xb )屬於菌落綱C色時，點Μ 被識別作為菌落候補。接菩。结贫技.士、 接者菌洛候補之形狀資訊被輸入 於分類器4 5。特徵抽出部$ I，#將# ± I〕1 %將形狀貝汛作為輸入變數， 依照函數演算法，進行牯糌妯ψ 仃将倣抽出運异，藉此產生特徵向量 xj = (xshape)(檢查點）0分镅努4 刀頰益45係SVM之情形，將特徵向 量xj所規定之檢查點xj映射於古 J映射於回維特徵空間’產生高維特 徵向量。又’針對所獲得的f“j(MLp、GMM之情形)、 或點 <;〇 (xshape)(SVM 之柊 、β τ p八w之清形）疋否屬於菌落綱cshape，進行 判定。當點X j或點Φ h a η Θ® / 沿Ushape)屬於綱Cshape時，點 別為菌落。 , 40 201202415 在上述兩種方法中之任-種中，識別步驟，能根據形 態之不同’識別菌落與異物(果皮等）。因此能省略 驟。又，與採用判別步驟之方法相較，菌落之檢測精度提 高。 該實施形態並不限定於上述，亦能變更為以下形綠。 作為輸入資訊要件之-種，能追加面積資訊。要求以 與第4實施形態中之形狀資訊相同之方法所特定之區域面 積（例如像素數）。接著，將該面積資訊包含於要件之輸 訊輸入於分類器45。又，取得特徵向量〜g，xb，xshape xarea)或x = (xr，xg，xb，xarea)(輸入點或檢查點卜分類器^ 之特徵抽出部5卜係從至少包含面積資訊與色資訊之輸入 資訊產生特徵向量xj(檢查點）。分類器45係SVM之情形 藉由映射部52將特徵向量所規定之檢查點xj映射於高維特 徵空間’產生高維特徵向量點“XJ)。又，針對所獲得之特 徵向量所規mKMLP、GMM之情形）、或高維特徵向 量所規定之點“XJ)(SVM之情形)是否屬於菌落綱，進行判 定。根據其判定結果，識別菌落。 判別步驟，只要採用形狀判別、色判別、位置判別中 至少-種即可。又、亦可僅採用形狀判別、色判別、位置 判別中之-種或二種。亦可進一步省略判別步驟。 培養基學習之對象，並不限定於檢查對象（試樣s)之微 生物㈣產生前之既定時間（訓練期間）中之培養基。培養基 學習之對象亦可係、⑷檢查之影像中之培養基部分、⑻㈣ 同一品種之實際㈣之影像（預先培養之㈣所產生之取樣 41 201202415 影像、或過去拍攝之不良取樣影像）中之培養基部分 工作成之㈣之f彡像巾之培養基部分。又，料 ^象，能列舉有：⑷拍攝同—品種之實際菌落之影像（= 先培養之菌落所產生之取樣影像'或過去拍攝 ::):之菌落部分、⑻人工作成之菌落之影像中之： 檢查對象區域並不限定於主卩 域之全區域。 以主£域A1，亦可係、培養基區 輸入資訊不限於像素單位，亦可係由複數 之區域單位。 家京構成 亦可將微生物檢測方法使用於檢查以外之用途。例如 ::使用在取得飲食物之產品開發階段中實驗資料之用 訓練對象區域亦可作為培養基區域之全區域。 是無雜訊N之培養基，分類器45就能學習培養基之全區· 告知菌落檢測結果之報知手段，除如顯示器之顯示手 又 亦可係揚聲器或燈、印表機。 > 2為搬運機器人’亦能採用三轴正交機器人。三轴正 交機器人具有：沿A型架能行走於水平方 :降::走台能升降於上下方向(z方向⑽台、及I: 升降σ向架方向（Υ方向）進退之把持部（夾頭 正交機〜藉此能對架之任意儲位之架部 ：： 取出試樣。 ^ U生物不僅可係真實細菌、舊細菌，亦可係真核生物(藻 42 201202415 在微生物之大小中，包含 、或必須藉由顯微鏡觀察 類、原生生物、菌類、黏菌）等。 有菌落大小以肉眼能觀察之大小 之大小。 亦可組合第i至第4實施形態使用。例如亦可在第2 實施形態中，於第丨實施形態之分類器進行使學習培養基 點之訓練。 & 【圖式簡單說明】 圖1係表示本發明第1實施形態之檢查系統之示意俯 視圖。 圖2係表示檢查裝置之電氣構成之方塊圖。 圖3係檢查裝置之示意前視圖。 圖4係說明分類器功能之圖表。 圖5(a)至（d)係表示各階段之試樣影像之示意圖。 圖6係說明分類器之訓練之圖表。 圖7(a)、（b)係說明藉由分類器識別微生物之圖表。 圖8(a)、（b)係表示藉由檢測處理裝置檢測菌數之圖表。 圖9係表示微生物檢測處理常式之流程圖。 圖1 〇係表示訓練處理常式之流程圖。 圖11係表示識別處理常式之流程圖。 圖1 2係說明本發明第2實施形態之訓練及識別之圖 表。 圖1 3係說明本發明第3實施形態之訓練及識別之圖 表0 43 201202415 【主要元件符號說明】 11 檢查系統 12 壁部 13 恒溫室 14 空調機 15 投入架 15a 輸送機 16 取出架 16a 輸送機 17 取出架 17a 輸送機 18 收納架 19 檢查裝置 20 搬運機器人 20a 本體 20b 臂 20c 夾頭部 21 擋門 22 擋門 23 檢查台 24 攝影機 25 控制器 26 個人電腦 44 201202415 28 29 3 1 32 32k 3 2m 33 35 35a 35b 36 37 38 40 4 1 41a 42 43 45 46 47 51 52 53 光源 反射板 本體 輸入操作部 鍵盤 滑鼠 顯示器 培養皿 皿部 蓋 攝影元件 鏡頭單元 電腦 檢測處理裝置 控制部 計時部 記憶體 輸入資訊產生部 分類器 訓練處理部 識別處理部 特徵抽出部 映射部 線性分離部 45 201202415 54 判定部 56 訓練控制部 57 培養基區域檢測部 58 雜訊收集部 61 識別控制部 62 培養基區域分割部 63 最外周檢測部 64 判別部 65 標示處理部 66 菌落檢測部 70 標記 A1 主區域 A2 最外周局部區域 CL 菌落 Μ 培養基 Μ Α 培養基區域 N 雜訊 S 試樣 TA 訓練局部區域 46

Claims (1)

1. 201202415 七、申請專利範圍： L一種微生物檢測方法，係檢測 物菌落，其特徵在於，具備： ° ;培養基之微生 訓練步驟，用彩色影像拍攝微 於培養基區域内® /各*存在或存在 培養基區域内之至少—邻八< 7色衫像中之 ^ · 分设定訓練對象區域，將位於訓 、凍對象區域内之培養基胃纟& 一 、； 〜屯.一 丞點及^生物點之至少一方之色資訊 作為學習資訊，將該學 ° ^ 貝。民輸入於分類器，取得該色資 汛之特徵向量，藉由該分類 、 明·成荷徵向量所規定之％ 群分離以分類培養基綱及微生物綱中至少—方之綱；以及 而;^ m.為了檢查在培養基區域内有無微生物菌落 拍攝之檢查對象物之彩色影像中，將培養基區域内之至 少一部分之檢查對象區域内各 分树：宜點之色貧訊輸入於已 剑練之該分類器，取得該多瞀 #付忑邑貝λ之特徵向量，藉由該分類 器，判定該特徵向量所規定之點是否屬於在該訓練步驟被 分類之任一綱，根據其判定結果識別菌落。 2.如申請專利範圍帛！項之微生物檢測方法，其中，在 該訓練步驟，將拍攝微生物菌落不存在於該培養基區域内 之學習對象物之彩色影像中之該訓練對象區域内之培養基 點之色貢訊作為學習資訊輸入於該分類器，取得該色資訊 之特徵向量，藉由該分類器，在從該特徵向量所規定之點 群往外側離開規定距離之位置設定閾值，藉此分類該培養 基綱， 在該識別步驟，將拍攝該檢查對象物之彩色影像中之 47 201202415 訓練之 ’判定 根據判 该檢查對象區域内之各檢查點之色f訊輸入於該已 分類器，取得該色資訊之特徵向量，藉由該分類器 :特徵向量所規定之檢查點是否屬於該培養基綱， 疋為不屬於該培養基綱之檢查點識別菌落。 3·如申請專利範圍帛i項之微生物檢測方法，其中 該訓練㈣’將拍攝學習對象物之彩色影像中之該 象區域内之培養基點之色資訊與微生物點之色資訊作 習資訊輪入於該分類器，取得該色資訊之特徵向量，二 該分類器’分離該特徵向量所規定之培養基點之點群二 生物點之點群以分類該培養基綱與該微生物綱； 在該識別步驟，將拍攝該檢查對象物之彩色影像中之 ^檢查對象區域内之各檢査點之色資訊輸人於該已訓練^ 分類器’取得該色資訊之特徵向量，藉由該分類器’判定 °亥特徵向量所規定之檢查點是否屬於該培養基綱與該微生 物綱之任一者，根據判定為屬於該微生物綱之檢查點 菌落。 一μ U 4.如申請專利範圍第1至3項中任一項之微生物檢測方 法，其中，在該訓練步驟及該識別步驟，輸入於該分類器 之貝訊，除了包含該色資訊外，還包含形狀資訊與面積資 sfl中之至少一個。 、5.如申請專利範圍第丨至3項中任一項之微生物檢測方 去，其中，在該訓練步驟，除了該綱之分類外，還收集關 於存在於該培養基區域内之雜訊點之雜訊資訊； 在該識別步驟，根據該雜訊資訊判別屬於該微生物綱 48 201202415 =點是否為雜訊點，根據判別為非雜訊點之檢查點識 至3項中任一項之微生物檢測方 將該培養基區域分割成外周區 區域作為該檢查對象區域以進行 6.如申請專利範圍第 法，其中，在該識別步驟 域與中央區域； 將該培養基之該中央 該識別； 針對該外周區域 測該菌落。 據藉由色緣檢測所檢測之色緣檢 7 ·如申請專利範 中’在該訓練步驟， 間内之該檢查對象物 培養基點之該分類器 在該識別步驟， 對象物之彩色影像。 或3項之微生物檢測方法，其 將從培養開始至菌落產生前之既定期 作為邊學習對象物使用，進行學習該 之訓練以分類該培養基綱； 使用拍攝有該既定期間以後之該檢杳 I種微生物檢職置，係檢查被培養於培養基之微生 物i落之有無，其特徵在於，具備： 訓練手段，用彩色影像拍攝微生物菌落不存在或存在 於培養基區域内之學習對象物’在所拍攝之彩色影像中之 培養基區域内之至少—部分設定訓練對象區域，將位於訓 練對象區域内之培養基點及微生物點之至少一方之色資訊 作為學習資訊，將該學習資訊輸人於分類器，取得該色資 訊之特徵向量，包含將該特徵向量所規定之點群分離以分 類培養基綱及微生物綱中至少一方之綱之該分類器；以及 49 201202415 硪別手段’為了檢查有盔 無政生物菌洛於培養基區域内 而拍攝之檢查對象物之彩多 ❼邑影像中，將培養基區域内之至 少一部分檢查對象區域内之 之各檢查點之色資訊輸入於已訓 練之該分類器，取得該色資 之特被向莖’藉由該分類， 判定該特徵向量所規定之點是 ° 疋Φ屬方；籍由3玄§』丨丨練手段所分 類之任一綱，根據其判定結果識別萄落。 9·-種程式’係使電腦執行檢測被培養於培養基之微生 物菌洛之微生物檢測處理，其特徵在於Μ吏電腦執行下述 步驟： 訓練步驟’用彩色影像拍攝微生物菌落不存在或存在 於培養基區域内之學習對㈣，在所拍攝之彩色影像中之 培養基區域内之至少一部分設定訓練對象區域，將位於訓 練對象區域内之培養基點及微生物點之至少一方之色資訊 作為學習資訊，將該學習資訊輸人於分類@，取得該色資 訊之特徵向量，藉由該分類器，將該特徵向量所規定之點 群分離以分類培養基綱及微生物綱中至少一方之綱；以及 識別步驟，Α 了檢查在培養基區域内有無微生物菌落 而拍攝之檢查對象物之彩色影像中，將培養基區域内之至 少一部分之檢查對象區域内之各檢查點之色資訊輸入於已 訓練之該分類器，取得該色資訊之特徵向量，藉由該分類 器，判定該特徵向量所規定之點是否厲於在該訓練步驟被 分類之任一綱，根據其判定結果識別菌落。 10.如申請專利範圍第1至3項中任一項之微生物檢測 方法，其中，在該識別步驟，求出判定為屬於該微生物綱 50 201202415 之檢查點連續存在之封閉區域即菌茨 囷洛候補之面積，該面積 滿足依據微生物種所設定之面積條徠 頁俅件打，將該菌落候補識 別為菌落。 "·如申請專利範圍第4項之微生物檢測方法，其中， 在該訓練步驟及該識別步驟’該色資訊與該形狀資訊至少 輸入於該分類器，在該訓練步驟，將該菌落之色資訊及形 狀資訊作為學習資訊輸入於該分類器，取得該色資訊及形 狀貢訊之特徵向量，藉由該分類器，將特徵向量所規定之 點群分離以分類該菌落綱，在該％办丨本咖 牡忒Α別步驟，該檢查點係以 該檢查對象區域内之色區別之區 ^ w不之菌洛候補點，將 :菌落候補點之色資訊與形狀資訊輸入於該已訓練之分類 益’取得該色資訊及形狀資訊之特徵向量，藉由該分類器， :定該特徵向量所規定之點是否屬於該菌落綱，根據其判 定結果識別菌落。 12·如申請專利範圍第…項中任一項之微生物檢測 方法’其中’該分類器包含根據核算法之支援向量機、神 經網路、高斯混合分布模型中至少一種。 13·如申請專利範圍第^3項中任一項之微生物檢測 二二其中，肖分類器係根據核算法之支援向量機，在該 .. 頰态之映射部，藉由核算法，將該培 =點及該微生物點中至少一方之色資訊之特徵向量映射 令rf特徵空間’取得高維特徵向量，藉由該分類器，將 ;峰：特徵向量所規疋之點群線性分離以分類培養基綱與 “岡中至；一方之綱，在該識別步驟，使用該分類器 51 201202415 之映射部，藉 映射於高維特徵^將該檢查點之色資訊之特徵向量 判6 '工間’取件鬲維特徵向量，藉由該分類器， 分類：任特徵向罝所規定之點是否屬於在該訓練步驟所 類之任-綱，根據其判定結果識別菌落。 丨4·如申請專利範圍第8項之微生物檢 拍攝手段’用以取得該彩色影像；以及、，其具備: “報知手段，該識別手段識別為菌落時 洛之消息。 艮知檢測出闺 八、圖式： (如次頁） 52