TWI499669B - 微生物檢測方法、微生物檢測裝置及程式 - Google Patents

微生物檢測方法、微生物檢測裝置及程式 Download PDF

Info

Publication number
TWI499669B
TWI499669B TW100121532A TW100121532A TWI499669B TW I499669 B TWI499669 B TW I499669B TW 100121532 A TW100121532 A TW 100121532A TW 100121532 A TW100121532 A TW 100121532A TW I499669 B TWI499669 B TW I499669B
Authority
TW
Taiwan
Prior art keywords
medium
colony
classifier
point
information
Prior art date
Application number
TW100121532A
Other languages
English (en)
Other versions
TW201202415A (en
Inventor
Shenglan Li
Takashi Nishida
Chizuka Kai
Kunimitsu Toyoshima
Original Assignee
N Tech Kk
Yakult Honsha Kk
Tohoshoji Kabushiki Kaisha
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by N Tech Kk, Yakult Honsha Kk, Tohoshoji Kabushiki Kaisha filed Critical N Tech Kk
Publication of TW201202415A publication Critical patent/TW201202415A/zh
Application granted granted Critical
Publication of TWI499669B publication Critical patent/TWI499669B/zh

Links

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
    • C12M41/00—Means for regulation, monitoring, measurement or control, e.g. flow regulation
    • C12M41/46—Means for regulation, monitoring, measurement or control, e.g. flow regulation of cellular or enzymatic activity or functionality, e.g. cell viability
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/02—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving viable microorganisms
    • C12Q1/04—Determining presence or kind of microorganism; Use of selective media for testing antibiotics or bacteriocides; Compositions containing a chemical indicator therefor
    • 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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
    • G06V20/695—Preprocessing, e.g. image segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30024—Cell structures in vitro; Tissue sections in vitro

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Organic Chemistry (AREA)
  • Zoology (AREA)
  • Wood Science & Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physics & Mathematics (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • General Engineering & Computer Science (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Sustainable Development (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Cell Biology (AREA)
  • Multimedia (AREA)
  • Toxicology (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)
  • Image Analysis (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Description

微生物檢測方法、微生物檢測裝置及程式
本發明係關於一種藉由例如大腸菌等細菌或真核生物等微生物之檢測，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。
在專利文獻1中，已揭示有檢測食品等中所含之微生物之方法。此文獻之檢測方法，係藉由CCD線感測器，在微生物之培養前與培養後，拍攝微生物檢測用平板(plate)。接著，比較所獲得之影像資訊，藉此測量微生物之菌落數。在專利文獻2中，已揭示有藉由預先特定之色資訊以檢測微生物之方法。
然而，專利文獻1之檢測方法，只是藉由影像資訊之比較以測量菌落數。因此，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、或培養基的色與微生物菌落的色係同色系時，有不能充分確保微生物之檢測精度之虞。又，專利文獻2之檢測方法，係藉由預先特定之色資訊以檢測微生物。因此，微生物的色變化、或培養基的色與微生物菌落的色係同色系時，有不能充分確保微生物之檢測精度之虞。
專利文獻1：日本特開2000-69994號公報
專利文獻2：日本特開平11-221070號公報
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內之學習對象物，在所拍攝之彩色影像中之培養基區域內之至少一部分設定訓練對象區域，將位於訓練對象區域內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內有無微生物菌落而拍攝之檢查對象物之彩色影像中，將培養基區域內之至少一部分之檢查對象區域內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一色資訊作為學習資訊，輸入於分類器，取得色資訊之特徵向量。又，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至少一綱被色分類。識別步驟，係將拍攝檢查對象物之彩色影像中檢查對象區域內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。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一種之特徵空間中，能判定是培養基或微生物。因此，即使菌落的色變化、或與培養基的色類似時亦能高精度識別菌落。又。在訓練時與識別時，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。因此，能高精度檢測產生於檢查對象物之微生物菌落。
上述之微生物檢測方法中，較佳係，在訓練步驟，將拍攝微生物菌落不存在於培養基區域內之學習對象物之彩色影像中之訓練對象區域內之培養基點之色資訊作為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，在從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，藉此分類培養基綱；在識別步驟，將拍攝檢查對象物之彩色影像中之檢查對象區域內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檢查點是否屬於培養基綱，根據判定為不屬於培養基綱之檢查點識別菌落。
根據此構成，訓練培養基之色資訊，在識別步驟中，根據判定為不屬於培養基綱之檢查點識別菌落。此時，只要進行僅培養基之簡單訓練即可。因此，檢測處理能較簡單進行。
在上述之微生物檢測方法中，較佳係，在訓練步驟，將拍攝學習對象物之彩色影像中之訓練對象區域內之培養基點之色資訊與微生物點之色資訊作為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，分離特徵向量所規定之培養基點之點群與微生物點之點群以分類培養基綱與微生物綱；在識別步驟，將拍攝檢查對象物之彩色影像中之檢查對象區域內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檢查點是否屬於培養基綱與微生物綱之任一者，根據判定為屬於微生物綱之檢查點識別菌落。
根據此構成，分類器訓練培養基之色資訊與微生物點之色資訊。又，藉由分類器，被分類為培養基綱與微生物綱。識別步驟中，已訓練之分類器判定檢查點是否屬於培養基綱及微生物綱之任一者以識別菌落。因此，能更加提高菌落之檢測精度。
上述之微生物檢測方法中，較佳係，在訓練步驟及識別步驟，輸入於分類器之資訊，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。
根據此構成，訓練時，除色資訊外，形狀資訊與面積資訊中至少一資訊被輸入於分類器。因此，能更加提高菌落之檢測精度。
上述之微生物檢測方法中，較佳係，在訓練步驟，除了綱之分類外，還收集關於存在於培養基區域內之雜訊點之雜訊資訊；在識別步驟，根據雜訊資訊判別屬於微生物綱之檢查點是否為雜訊點，根據判別為非雜訊點之檢查點識別菌落。
根據此構成，訓練步驟係收集雜訊資訊。識別步驟係根據雜訊資訊判別屬於微生物綱之檢查點是否為雜訊點。又，根據判別為非雜訊點之檢查點識別菌落。因此，能抑制將存在於培養基區域內之雜訊點誤檢測為微生物點。
上述之微生物檢測方法中，較佳係，在識別步驟，將培養基區域分割成外周區域與中央區域；將培養基之中央區域作為檢查對象區域以進行識別；針對外周區域，根據藉由色緣檢測所檢測之色緣檢測菌落。
根據此構成，在培養基內之中央區域，根據特徵向量所規定之檢查點是否屬於綱之判定結果，檢測菌落。另一方面，在培養基內之外周區域，根據藉由色緣檢測所檢測之色緣檢測菌落。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內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內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。
為解決上述問題，根據本發明之第2實施形態，提供一種檢查被培養於培養基之微生物菌落之有無之微生物檢測裝置。此裝置具備：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內之學習對象物，在所拍攝之彩色影像中之培養基區域內之至少一部分設定訓練對象區域，將位於訓練對象區域內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群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區域內而拍攝之檢查對象物之彩色影像中，將培養基區域內之至少一部分檢查對象區域內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藉由訓練手段所分類之任一綱，根據其判定結果識別菌落。
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。
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內之學習對象物，在所拍攝之彩色影像中之培養基區域內之至少一部分設定訓練對象區域，將位於訓練對象區域內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內有無微生物菌落而拍攝之檢查對象物之彩色影像中，將培養基區域內之至少一部分之檢查對象區域內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一綱，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，求出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，在訓練步驟及識別步驟，色資訊與形狀資訊至少輸入於分類器，在訓練步驟，將菌落之色資訊及形狀資訊作為學習資訊輸入於分類器，取得色資訊及形狀資訊之特徵向量，藉由分類器，將特徵向量所規定之點群分離以分類菌落綱，在識別步驟，檢查點係以檢查對象區域內之色區別之區域所示之菌落候補點，將菌落候補點之色資訊與形狀資訊輸入於已訓練之分類器，取得色資訊及形狀資訊之特徵向量，藉由分類器，判定特徵向量所規定之點是否屬於菌落綱，根據其判定結果識別菌落。
上述之微生物檢測方法中，較佳係，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。
上述之微生物檢測方法中，較佳係，分類器係根據核算法之支援向量機，在訓練步驟，使用分類器之映射部，藉由核算法，將培養基點及微生物點中至少一方之色資訊之特徵向量映射於高維特徵空間，取得高維特徵向量，藉由分類器，將高維特徵向量所規定之點群線性分離以分類培養基綱與微生物綱中至少一方之綱，在識別步驟，使用分類器之映射部，藉由核算法，將檢查點之色資訊之特徵向量映射於高維特徵空間，取得高維特徵向量，藉由分類器，判定高維特徵向量所規定之點是否屬於在訓練步驟所分類之任一綱，根據其判定結果識別菌落。
根據此方法，能針對藉由核算法映射於高維空間所獲得之高維特徵向量所規定之點群予以線性分離。因此，能適當進行綱之分類，且能高精度檢測微生物。
上述之微生物檢測方法中，較佳係，具備：拍攝手段，用以取得彩色影像；以及報知手段，識別手段識別為菌落時，報知檢測出菌落之消息。
(第1實施形態)
以下，根據圖1至圖11，說明將本發明具體化之一實施形態。
如圖1所示，微生物檢查系統(以下簡稱「檢查系統11」)，具備：以壁部12包圍周圍之恒溫室13。恒溫室13之溫度，係藉由空調機14保持在既定溫度。檢查系統11，在恒溫室13之圖1中之右下部分，具備：投入架15、取出架16、及取出架17。檢查對象物之一例即試樣S(例如收容培養基之培養皿)，係從投入架15往恒溫室13內投入。在恒溫室13中，檢查結果為良品之試樣S從取出架16取出，檢查結果為不良品之試樣S從取出架17取出。在恒溫室13內設置有：複數個收納架18、用以檢查試樣S之微生物檢查裝置(以下簡稱「檢查裝置19」)、及搬運機器人20。為了培養，在各收納架18收納有往恒溫室13內投入之試樣S。搬運機器人20，係在各架15至18與檢查裝置19之間搬運試樣S。在各架15至17上分別設置有連結恒溫室13之內側與外側之輸送機15a至17a。投入及取出試樣S時，設置於輸送機15a至17a之外側端部及中間部之雙重擋門21、22依各單向順序開放。以這種方式，可防止微生物等從外部侵入恒溫室13內。
搬運機器人20具有：旋轉式之本體20a，配置於恒溫室13內之地面；以及臂20b，具有從本體20a延伸出之複數個關節。試樣S係藉由臂20b之前端部之夾頭部20c加以把持，在各架15至18與檢查裝置19之間進行搬運。
檢查裝置19具備：用以載置試樣S之檢查台23(檢查用載台)、及用以拍攝檢查台23上之試樣S之攝影機24。被收納於收納架18之試樣S，在培養期間中，藉由檢查裝置19定期檢查。檢查裝置19係根據攝影機24所拍攝之試樣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，從良品用之取出架16搬出。另一方面，檢測出菌落之試樣S，從不良品用之取出架17搬出。
檢查系統11，在恒溫室13之外側，具備：控制器25與個人電腦26。控制器25係控制空調機14、搬運機器人20、輸送機15a至17a、及擋門21、22等。在構成檢查裝置19之個人電腦26中輸入有藉由攝影機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，檢查裝置19具有：檢查台23、照明檢查台23上之試樣S之環狀光源28、反射板29、拍攝檢查台23上之試樣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40，係內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31。
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24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)。培養皿35，係將蓋35b覆蓋於皿部35a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35b取下，恒溫室13內之微生物混入培養基M。若恒溫室13之清淨度充分高，亦可取下蓋35b進行檢查。
在皿部35a，收容有檢查對象即飲料液以既定比例混合之培養基M。培養皿35內之培養基M係在恒溫室13內，在既定溫度條件下培養既定之培養期間。培養皿35係藉由檢查裝置19，於培養開始時與培養期間中之複數個設定時期，分別進行檢查。在反複藉由搬運機器人20使培養皿35往檢查台23上移動中，配置於檢查台23上之培養皿35之位置為數mm至1cm左右，培養皿35之角度為數度至30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)用之三個攝影元件36之三板式彩色攝影機，作為攝影元件36，能使用CCD(Charge Coupled Device)影像感測器或CMOS影像感測器等。攝影機24具備具有自動對焦功能及變焦功能之鏡頭單元37。攝影機24係以既定倍率拍攝檢查台23上之試樣S(培養皿35)。朝通過鏡頭單元37之攝影機24內之入射光，係藉由未圖示之分光鏡或分光稜鏡，分離為RGB三原色的光。被分離之RGB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24係連接於本體31。從攝影機24內之各攝影元件36輸出之類比訊號係在攝影機24內進行A/D轉換後，作為RGB彩色影像資料輸入於本體31。內裝於本體31之檢測處理裝置40係根據從攝影機24輸入之試樣S之彩色影像資料，檢測培養基M中之微生物菌落。檢測處理裝置40係相當於本發明之微生物檢測裝置。
在本體31之內部安裝有具有CPU(中央處理裝置)及記憶體(例如RAM)之微電腦(以下簡稱「電腦38」)(參照圖2)。在本體31內之記憶體儲存有從CD-ROM等記憶媒體安裝之微生物檢測處理用之程式。電腦38係發揮作為執行從記憶體讀出之程式之檢測處理裝置40之功能。關於藉由檢測處理裝置40之微生物檢測處理之詳細予以後述。
如圖2所示，本體31內之電腦38係與攝影機24及光源28連接。電腦38係進行攝影機24之攝影控制(對焦控制及變焦控制等)、及藉由光源28之照明控制。又，電腦38係與輸入操作部32及顯示器33連接。電腦38，係將來自輸入操作部32之各種設定資料儲存於記憶體42，並將試樣S之影像或菌落之檢測結果顯示於顯示器33。
圖2中，檢測處理裝置40內所示之各功能塊，藉由電腦38執行檢測處理用程式能予以實現。檢測處理裝置40具備：控制部41、記憶體42、輸入資訊產生部43、分類器45、訓練處理部46、及識別處理部47。
控制部41係控制檢測處理之整體或將設定資料儲存於記憶體42。又，控制部41係將攝影機24所拍攝之試樣S之影像及菌落檢測結果顯示於顯示器33。控制部41係將設定畫面顯示於顯示器33。作業者操作輸入操作部32，輸入培養期間、訓練期間(學習期間)、識別期間(檢查期間)、學習間隔時間(學習取樣間隔)、識別間隔時間(識別取樣間隔)、雜訊收集之有無、閾值設定用距離、最外周檢測之有無、判別之有無、菌落識別條件(面積條件或徑條件)等各種設定資料，將此等設定資料儲存於記憶體42。在記憶體42使用硬碟或RAM之一部分記憶區域。
控制部41具備計時部41a。計時部41a係計算從培養開始到培養期間結束之經過時間。培養期間被分為從培養開始到經過既定時間之「訓練期間」、及經過既定時間後到培養期間結束之「識別期間」。培養期間係依據檢測對象之微生物品種等所規定之期間，例如，規定在10至30小時之範圍內(例如18小時)。控制部41係根據計時部41a之計時時間，掌握現在屬於訓練期間與識別期間之哪個期間、或已達學習及檢查之各取樣時期、培養期間結束等。
輸入資訊產生部43係從攝影機24所輸入之彩色影像資料(輸入影像)取得應輸入於分類器45之輸入資訊。在輸入資訊中，至少包含有色資訊。詳細係，輸入資訊產生部43，在從攝影機24所輸入之彩色影像資料中，就每1像素取得指定範圍內之像素之色資訊(RGB灰階值)。色資訊係以256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SVM、MLP、GMM中二種或三種。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。
分類器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51係藉由上述之SVM、MLP、GMM中至少一種一般所知的函數演算法構成。特徵抽出部51係將來自輸入資訊產生部43之輸入資訊作為輸入變數，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)x。使用像素之色資訊(RGB灰階值)之情形，特徵向量x係以包含RGB三色之特徵向量成分(xr,xg,xb)之三維向量來表示。特徵向量x亦可組合RGB色、及RGB色空間以外之其他色空間(例如HSV色空間)之至少一部分之色成分資訊來使用。以下，將色資訊作為RGB灰階值之三維資訊加以說明。
映射部52，具備於分類器45係支援向量機(SVM)之情形。映射部52依照核算法之演算法，將從特徵抽出部51輸出之特徵向量所規定之輸入點映射於高維特徵空間。又，映射部52產生高維特徵向量(高維特徵向量資料)，輸出該高維特徵向量所規定之輸出點(映射點)φ(x)。以下，將分類器45作為根據核算法之支援向量機(SVM)加以說明。
圖4係說明從輸入空間(特徵空間)映射於高維特徵空間之圖表。圖4中之左側係表示存在有特徵向量所規定之輸入點x=(xr,xg,xb)之輸入空間。圖4中之右側係表示存在有高維特徵向量所規定之輸出點(映射點)φ(x)(=φ(xr,xg,xb))之高維特徵空間。圖4中，為便於說明SVM之特徵，在輸入空間表示培養基之輸入點x1(培養基點)與微生物之輸入點x2(微生物點)。輸入點x1係由包含色特徵量(xr,xg,xb)之三維資料構成。為便於說明，圖4中，係將R、G二色之色特徵量作為座標軸之二維輸入空間(特徵空間)來表示。
輸入空間中之三維之輸入點x1、x2，係藉由映射部52映射於附加有追加維(Additional Dimension)之高維空間，作為高維特徵向量所規定之輸出點φ(xr,xg,xb)輸出。輸出點φ(xr,xg,xb,…)係n(n＞3)維之特徵向量資料，具有n個成分(φxr,φxg,φxb,…)。(xr,xg,xb)與(φxr,φxg,φxb,…)係各向量之終點座標。
圖4所示之輸入空間中，培養基之點群x1與微生物之點群x2係不能線性分離。然而，在映射對象之高維特徵空間，映射培養基點x1之點群φ(x1)與映射微生物點x2之點群φ(x2)藉由裕度最大化所設定之超平面能線性分離。但是，在第1實施形態中，由於輸入點x僅係培養基點x1，因此並非藉由裕度最大化者，能藉由從點群φ(x1)往外側離規定距離(閾值設定用距離ΔL)之閾值所規定之超平面，僅分類培養基綱C1(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x1之點群φ(x1)與微生物點x2之點群φ(x2)中於訓練期間所取得之至少一點群φ(x)。又，線性分離部53分類培養基綱C1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訊，以訓練分類器45之本例中，僅表示於輸入空間之培養基點x1作為輸入點，在成為該輸入點之映射對象之高維特徵空間，僅產生培養基之點群φ(x1)。線性分離部53，在超平面線性分離點群φ(x1)，僅培養基綱C1進行色分類。以這種方式應分類的綱係一種之情形，作為用以規定超平面之設定資料，閾值設定用距離ΔL之資料被儲存於記憶體42。線性分離部53，在點群φ(x1)中從最外側之點(例如成為支援向量之複數點)往外側距離ΔL之位置設定閾值。以這種方式，規定圖6所示之超平面，藉此線性分離部53將培養基綱C1進行色分類。分類的綱係一種之情形，分類器45係由根據核算法之支援向量機(SVM:Support Vector Machine)、高斯混合分布模型(GMM:Gaussian Mixture Models)中至少一種構成。
圖2所示之判定部54(識別部)，係使用在識別期間識別檢查點屬於哪綱時。圖2所示之訓練處理部46，在進行分類器45之訓練上作為必要之構成，具備：訓練控制部56、培養基區域檢測部57、及雜訊收集部58。訓練控制部56係將訓練所需要之設定資料或各種指示分派給分類器45，或將訓練所需要之指示分派給培養基區域檢測部57及雜訊收集部58。藉由訓練處理部46及分類器45構成訓練手段。
此處，針對攝影機24所拍攝之試樣S之影像加以說明。圖5(a)至5(d)係表示培養期間中攝影機24所拍攝之試樣之影像。圖5(a)係表示訓練中之影像，圖5(b)係表示識別開始時之影像，圖5(c)係表示識別中之菌落產生時之影像，圖5(d)係表示於攝影機之攝影影像重疊菌落檢測結果所顯示之顯示器33之影像。在圖5(a)所示之例的培養基M中以雜訊N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、種子等微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基M之區域(以下稱為「培養基區域MA」)，並且檢測該培養基區域MA內之訓練局部區域TA(參照圖5(a))。所謂訓練局部區域TA係分類器45學習培養基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MA之一部分被設定作為訓練局部區域TA。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，進一步，在培養基區域MA內，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M之色差，色差區域之邊緣以色緣進行檢測。作業者亦可操作輸入操作部32，以手動設定訓練局部區域TA。訓練局部區域TA的數與形態亦可適當設定。
雜訊收集部58係收集雜訊資料。雜訊資料係使用在根據位置判別雜訊與菌落之判別之位置判別中。雜訊收集部58係在訓練期間中使用色緣檢測或分類器45，檢測雜訊N。又，雜訊收集部58係收集包含經檢測之雜訊N之位置之雜訊資料。例如，在使用分類器45之情形，至少進行一次在訓練局部區域TA之訓練，將培養基綱C1分類後，雜訊收集部58，將培養基區域MA內之每像素之輸入資訊輸入於分類器45，將作為輸出點所獲得之點群x或點群φ(x)中不屬於培養基綱C1之點作為雜訊點。又，雜訊收集部58，取得雜訊點連續之封閉區域作為雜訊區域，運算雜訊區域之位置以作為雜訊資料。亦可在雜訊資料中包含有雜訊區域之面積或色濃淡值等。
識別處理部47，在識別期間，根據培養基M上各點之輸入資訊，判定產生成有特徵抽出部51之檢查點xj(GMM之情形)、或藉由映射部52映射檢查點xj所獲得之映射點φxj(SVM之情形)是否屬於綱。又，識別處理部47，根據其判定結果，識別檢查點xj係培養基點或微生物點。又，識別處理部47抽出識別為微生物點之點(像素)連續存在之封閉區域。又，識別處理部47按照各種判定條件，識別該封閉區域是否為微生物菌落。為進行此種識別處理，識別處理部47具備：識別控制部61、培養基區域分割部62、最外周檢測部63、判別部64、標示處理部65、及菌落檢測部66。藉由識別處理部47及已訓練完(已學習)之分類器45構成有識別手段。
識別控制部61進行識別處理時，對分類器45及各部62至66分派指示。培養基區域分割部62係在最外周檢測「有」之設定時被起動。此時，培養基區域分割部62係如圖5(b)所示，將影像中之培養基區域MA分割為中央部之主區域A1(中央區域)與最外周局部區域A2(外周區域)。中央區域與外周區域亦可部分重疊。
計時部41a之計時時間位於訓練期間中時，控制部41使訓練處理部46起動，進行分類器45之訓練。在計時時間進入識別期間(檢查期間)後，控制部41使識別處理部47起動，使用已訓練之分類器45進行檢查。
本實施形態中，使用分類器45之微生物之檢測處理係對主區域A1進行。特徵抽出部51係依照與訓練時相同之演算法進行分類器45之特徵抽出處理。亦即，來自攝影機24之影像數據中之主區域A1中之全像素之輸入資訊係從輸入資訊產生部43往分類器45依序輸入每1像素部分。特徵抽出部51根據輸入資訊，依照演算法產生特徵向量xj(檢查點)。當分類器45係SVM之情形，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φ(xj)。又，分類器45內之判定部54，係判定特徵向量所規定之點xj或點φ(xj)是否屬於在訓練經分類器45分類的綱C(本例中培養基綱C1)，根據其判定結果，判定該檢查點xj係培養基點或微生物點。
圖7係分類器為SVM情形之例，說明藉由判定部54之判定方法之圖表。判定部54係如圖7(a)所示，映射於高維特徵空間之點φ(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φ(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63係使用與主區域A1不同之另一方法，進行最外周局部區域A2中之微生物檢測。其原因在於，培養基區域MA之最外周附近之環狀區域，例如，在培養皿35之側壁部折射的光或側壁部的影係使培養基M的色受影響之區域。因此，最外周檢測部63，進行檢測在最外周局部區域A2內色不同區域之邊緣(色緣)之色緣檢測。又，最外周檢測部63，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。
判別部64係在判別「有」之設定情形被起動。判別部64進行形狀判別、色判別、位置判別，從在主區域A1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A2所檢測之檢測物(菌落候補)中，判別雜訊N以外之菌落。形狀判別係判別藉由特徵抽出等所取得之檢測物之面積、圓形度、凸度、最小外切圓等特徵是否滿足預定設定或經學習之菌落形狀條件。判別部64係判別檢測部中滿足上述形態條件者作為菌落。又，色判別係分別計算檢測物與培養基區域之特定色比例，判別兩者之色比例差是否係閾值以上。色比例差係閾值以上之情形，判別部64判別該檢測物作為菌落。色判別對檢測物進行每1像素部分。位置判別係根據在訓練步驟所收集之雜訊資料，比較雜訊位置與檢測物位置，以判別菌落。在位置判別因檢測物與雜訊重疊而不能判別之情形，使用檢測物之面積及色濃淡進行位置判別。
標示處理部65係在主區域A1及最外周局部區域A2內，在經檢測或判別為菌落之檢測物上黏貼標籤之標示處理。此時，在經檢測或判別為非雜訊N之檢測物上黏貼標籤，但在經檢測或判別為雜訊N之檢測物上不黏貼標籤。
菌落檢測部66係判定標示之檢測物之面積是否滿足預先所設定之面積條件，檢測滿足面積條件之檢測物作為菌落。例如，若檢測物之面積Sd滿足使用下限S lower與上限S upper所規定之面積條件S lower≦Sd≦S upper，該檢測物就能被檢測作為菌落。作為面積條件，亦可僅設定下限或上限。
控制部41係將從識別處理部47所取得之菌落檢測結果顯示於顯示器33。若未檢測出菌落，檢測菌落個數之顯示仍為「0」。若檢測出菌落，就會顯示所檢測之菌落個數。同時，如圖5(d)所示，在培養基M之影像中重疊顯示有包圍所檢測之菌落之標記70。
接著，參照圖9至圖11所示之流程圖，說明電腦38之微生物檢測處理。微生物檢測處理係利用軟體，藉由圖2所示之檢測處理處置40進行。
如圖9所示，首先，在培養開始前，作業者操作輸入操作部32，將雜訊收集之有無、閾值設定用距離、最外周檢測之有無、判別之有無、面積條件等設定值輸入個人電腦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32開始檢查開始操作，就會藉由電腦38(檢測處理裝置40)開始微生物檢測處理。
步驟S10中，電腦38係從記憶體42讀出雜訊收集之有無、閾值設定用距離、最外周檢測之有無、判別之有無、面積條件等設定值。
步驟S20中，電腦38係在訓練期間，使用攝影機24所拍攝之培養基M之影像，在分類器45學習培養基之至少色。步驟S20之訓練處理係相當於訓練步驟。
步驟S30中，電腦38係在識別期間，進行識別培養基區域中之微生物菌落之有無之識別處理。步驟S3之識別處理係相當於識別步驟。
電腦38係在S20之訓練處理執行圖10所示之訓練處理常式，在S30之識別處理執行圖11所示之識別處理常式。以下，依照圖10及圖11之各流程圖，分別說明訓練處理及識別處理之詳細。首先，藉由訓練處理部46，根據藉由攝影機24所拍攝之影像資料，使用輸入資訊產生部43及分類器45進行訓練處理。
圖10中之步驟S110中，收容有檢查對象之培養基M的培養皿35係藉由攝影機24拍攝1至10次，例如拍攝5次。
步驟S120，係根據所拍攝之影像資料，檢測影像中之培養基區域MA(參照圖5(a))。
步驟S130，在培養基區域MA中設定有訓練局部區域TA(參照圖5(a))。例如，在培養基區域MA內探索雜訊N，不包含雜訊N之區域被設定作為訓練局部區域TA。
步驟S140，係以訓練局部區域TA為對象，使用學習演算法，進行分類器45之訓練。詳細係，圖2所示之輸入資訊產生部43產生包含訓練局部區域TA之每1像素的色資訊之輸入資訊。又，輸入資訊產生部43係將輸入資訊作為學習資訊，依序輸出至分類器45。分類器45內之特徵抽出部51係根據輸入資訊，依照演算法產生特徵向量x1。分類器45係SVM之情形，如圖6所示，在特徵向量規定之培養基點x1藉由映射部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φ(x1)。在從點群φ(x1)往外側離閾值設定用距離ΔL之位置，以超平面之形式設定有閾值。藉由該超平面高維特徵空間被線性分離，培養基綱C1被色分類。
步驟S150，係判斷雜訊收集之有無。若係雜訊收集「有」之設定，則移至步驟S160，若係雜訊收集「無」之設定，則移至步驟S170。
步驟S160，係收集雜訊資料。雜訊收集部58係在培養基區域MA內檢測色緣，從色緣檢測培養基M與色相之不同區域作為雜訊N。雜訊收集部58計算經檢測之雜訊N之位置，產生至少包含其位置資訊之雜訊資料，使儲存於記憶體42。
步驟S170，係判斷追加訓練之有無。此處，訓練期間中，能進行若干次訓練，藉由追加訓練能追加學習資料。作為學習資料追加容許期間(既定時間)，若係比微生物群之產生期間短的值，亦可設定適當值。若有追加訓練，則返回S110，在保持學習取樣間隔之下一實施時期，試樣S再搬運至檢查台23。又，使用攝影機24所拍攝之試樣S之影像資料，同樣能進行S110至S170之處理。若無追加訓練，則訓練處理常式結束。
訓練處理，在從培養開始(時刻0)到經過既定時間(例如5小時)之訓練期間，能每學習取樣間隔(例如30分或1小時)進行。藉由此訓練，分類器45分類培養基綱C1。因此，例如，在訓練期間中能學習培養基M之色的變化。同時，有關飲料中所含之乳化鐵等金屬成分氧化所產生之析出物(氧化鐵等)之資料亦被收集作為雜訊N。
計時部41a之計時時間經過既定時間(例如5小時)後，從訓練期間往識別期間轉移。又，電腦38開始圖11所示之識別處理常式。此處，能藉由識別處理部47，使用輸入資訊產生部43及分類器45進行識別處理。
如圖11所示，首先，步驟S210中，收容檢查對象之培養基M的培養皿35係藉由攝影機24，僅拍攝與訓練時相同次數。
下一步驟S220，係根據所拍攝之影像資料檢測培養基區域MA。
步驟S230，係在培養基區域MA中設定有主區域A1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。亮度轉換係進行對比調整及伽瑪(γ)修正等。
下一步驟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所示之輸入資訊產生部43產生包含主區域A1內每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內，特徵抽出部51根據輸入資訊產生特徵向量xj(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定之檢查點xj係藉由映射部52依序映射於高維特徵空間。以這種方式，能獲得高維特徵向量所規定之映射點φ(xj)(參照圖7)。如圖7(a)所示，映射點φ(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φ(xj)不屬於培養基綱C1之情形，檢查點xj被判定(識別)為微生物點。如圖5(c)所示，轉移至識別步驟後，經過例如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φ(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S270，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內檢測色緣，根據色相與培養基之差異，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S280，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S300，判別處理「無」之設定之情形，移至步驟S310。
步驟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定之閾值以上之檢測物判別為菌落候補。位置判別，首先，係比較根據從記憶體42讀出之雜訊資料決定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，因檢測物與雜訊重疊而不能判別之情形，使用檢測物之面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，統合主區域A1及最外周局部區域A2之各檢測結果，遍布培養基區域MA之全區域，在經檢測或判別之所有檢測物上標示。此時，進行S300之判別處理時，針對在判別處理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，判定檢測物是否為菌落。菌落檢測部66，係確認經標示之檢測物之面積是否滿足從記憶體42讀出之面積條件。檢測物之面積Sd滿足面積條件S lower≦Sd≦S upper之情形，檢測物被判定為菌落CL。
步驟S330，係將菌落檢測結果顯示於顯示器33，並且輸出依據菌落檢測結果之控制訊號。亦即，若從識別處理部47所接受之菌落檢測結果為檢測數「0」，則控制部41將係檢測菌落個數「0」之消息顯示於顯示器33。另一方面，若菌落檢測結果為檢測數「N」(N≧1)，則控制部41，將檢測菌落個數「N」顯示於顯示器33，並且，在顯示於顯示器33之試樣S之影像中，如圖5(d)所示，以包圍經檢測之菌落CL之方式使標記70重疊顯示。藉由此種標記70之顯示，在恒溫室13之室外觀察顯示器33之作業者能容易掌握在檢查中之試樣S所產生中之菌落之產生狀況。又，從控制部41輸出之控制訊號係送至控制器25。菌落檢測數「N」(N≧1)之情形，在檢測出菌落之時點檢查中止，控制部41對控制器25輸出搬出試樣S之消息之控制訊號。結果，控制器25控制搬運機器人20，將被判別為不良品之試樣S搬運至取出架17，並且驅動輸送機17a，將該試樣S往室外搬出。另一方面，菌落檢測結果為檢測數「0」之情形，試樣S返回收納架18。即使培養期間結束菌落亦未被檢測之試樣S係藉由搬運機器人20搬運至良品用之取出架16，藉由輸送機16a往室外搬出。
以往，在培養期間之結束時點進行檢查，即使菌落1個亦被檢測之情形，必須每批中止飲料品之生產。根據本實施形態之檢查裝置19，即使在培養期間之途中亦能檢測菌落，能在檢測菌落之時點，早期中止飲料品之生產。因此，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S時之檢測菌數、檢測實菌數、及目視檢測菌數之圖表。在混合飲料液之試樣液之培養基M賦予大腸菌，經過18小時培養。橫軸係表示從培養開始之經過時間(小時)，縱軸係表示菌落數(個)。圖8(a)及圖8(b)之各試樣S，培養基的色因檢查對象之飲料液之色不同而差異。所謂圖表中之檢測菌數，係檢測處理裝置40以每一定時間檢測之菌數。檢測實菌數係包含培養期間之各時點之極微小之菌落之菌數之實測值。目視檢測菌數係熟練之檢查員以每一定時間用目視檢查培養基所能檢測之菌數。圖8之例中，從培養開始到經過5小時之期間係訓練期間，經過5小時後之期間係識別期間(檢查期間)。由圖8(a)及圖8(b)之各圖表可瞭解，在訓練期間，檢測菌數與檢測實菌數均以「0」推移。從培養開始，以6至8小時開始檢測微生物。檢測菌數，遍布識別期間之整體，以與檢測實菌數大致同數進行推移。結果表示，不受培養基之色的影響，藉由檢測處理裝置40之菌檢測精度較高。又，在識別期間，檢測菌數係以比目視檢測菌數更多之狀態進行推移。從結果可瞭解，若使用檢查裝置19，較之目視檢查，能從小的階段早期檢測菌落。又，藉由檢查裝置19能檢測之微生物之菌落大小係目視大致不能檢測之大小，具體而言，約為0.008平方毫米。
如以上詳述，根據本發明第1實施形態，能獲得以下之效果。
(1)　根據具有色資訊之輸入資訊，針對藉由分類器45所獲得之特徵向量所規定之檢查點xj或映射點φ(xj)是否屬於在訓練步驟(S20)被色分類之培養基綱Cl進行判定。又，根據此判定結果，能識別檢查點xj是否為菌落。因此，能正確檢測菌落。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間中之培養基與菌落，能正確檢測菌落。又，由於係根據色之特徵識別菌落之方法，因此在訓練時與識別時，即使檢查台23上的培養皿35之位置或角度從原來位置偏離，或攝影機24與培養皿35之相對位置變化，亦能正確檢測菌落。
(2)　例如，如大腸菌之菌落為紅系，酵母菌之菌落為綠系般，即使菌落色因微生物品種不同而有差異時，亦能使用分類器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落同系色，但訓練步驟中，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之雜訊資料亦被收集。此時，析出物等檢查點被判定為屬於培養基綱C1者。假如，此檢查點不屬於培養基綱C1，即使以有可能是菌落之檢測物被檢測，亦可根據形狀、色、位置當作雜訊，從檢測物將此檢查點予以除去。因此，能避免析出物等被誤檢測為菌落，能正確檢測菌落。
(4)　訓練步驟，係將檢查對象物(試樣S)作為學習對象物使用，並且微生物菌落發生前之既定期間(從培養開始之既定時間(例如5小時))被設定作為訓練期間。因此，即使在訓練期間培養基M的色變化，變化的色亦作為培養基M的色予以學習。因此，即使培養基的色變化時，亦能正確檢測菌落。即使受檢查對象即飲料液之色的影響，當檢查對象改變時培養基的色變化，亦能對每檢查對象進行訓練，學習培養基的色，因此能正確檢測菌落。
(5)　針對檢查點xj或映射點φ(xj)被判定為不屬於培養基綱C1之微生物點連續存在之封閉區域，統合藉由特徵抽出在主區域A1內檢測或判別之檢測物、與藉由色緣檢測及區域形態處理在最外周局部區域A2內檢測或判別之檢測物。又，在上述檢測物上標示，並且在檢測物中滿足面積條件者作為菌落予以識別。因此，由於在檢測物中有雜訊之虞者予以除去，因此能高精度檢測菌落。
(6)　摻雜有果皮等雜訊N(異物)之檢查對像物之情形，在判別步驟中，藉由形狀判別、色判別、位置判別，能判別檢測物中菌落與雜訊。因此，能有效抑制雜訊N被誤檢測為菌落。因此，即使在有與菌落同系色之果皮或果肉之培養基，亦能高精度檢測被培養之微生物菌落。
(7)　訓練步驟中，由於僅學習培養基，因此與學習菌落之方法相比，必要之處理或作業較簡單。學習菌落區域之方法之情形，作業者特定菌落，將該特定之菌落之區域輸入指定於電腦38之輸入作業成為必要。該點，若根據僅學習培養基M之本實施形態之方法，就不需要用以特定或輸入菌落區域作業，能使電腦38自動學習。
(8)　將微生物菌落發生前之既定時間(例如5小時)作為培養基之訓練期間，將既定時間以後之期間作為進行微生物識別(檢測)之識別期間，進行檢查。因此，由於能使用檢查對象之試樣S進行訓練，因此菌落之檢測精度提高。使學習菌落之方法時，在檢查對象(試樣S)之培養期間中，不能進行訓練。因此，會擔心因訓練對象與檢查對象不同所引起之菌落檢測精度之降低。又，亦擔心，除檢查期間外，還設置訓練期間，藉此用以進行訓練與識別之所要時間變長。該點，根據本實施形態，能利用菌落發生前之期間作為訓練，因此能縮短訓練與識別之所要時間。
(9)　在顯示於顯示器33之試樣S之影像中，以包圍菌落CL之方式，標記70被重疊顯示。因此，經檢測之菌落以視覺顯示，因此作業者能容易辨識菌落之產生情況。
(10)　在食品等製造現場，被要求掌握各步驟中之衛生狀況、商品之早期出貨。如上述，若將本實施形態之檢查裝置19採用於食品等製造現場，就能迅速且高精度檢測菌落。因此，亦能對應掌握各步驟中之衛生狀況、商品之早期出貨。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12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11)之處理內容基本上係與第1實施形態相同。
圖12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12，係在輸入空間表示有培養基之輸入點x1(培養基點)與菌落之輸入點x2(微生物點)。如圖12所示，將培養基點x1映射於高維特徵空間之特徵向量所規定之培養基點之點群φ(x1)、與將微生物之輸入點x2映射於高維特徵空間之特徵向量所規定之微生物點之點群φ(x2)能線性分離。
線性分離部53，藉由將來自各支援向量(最接近點)之裕度最大化之位置所設定之超平面，將高維特徵空間中之培養基點之點群φ(x1)與微生物點之點群φ(x2)線性分離。藉此，分類培養基綱C1與菌落(微生物)綱C2。
此時，將培養基作為對象之分類器45之訓練能用與第1實施形態相同之方法進行。另一方面，將菌落作為對象之分類器45之訓練能以以下方式進行。亦即，使用同一品種之菌落所產生之培養基，作業者邊觀察顯示器33之培養基M邊藉由輸入操作部32指定菌落區域。又，能以該指定之菌落區域為對象，進行分類器45之訓練。又，分類器45之訓練，亦可係使學習人工作成之菌落之訓練。分類複數種綱之情形，作為分類器45，除了採用根據核算法之支援向量機(SVM)、高斯混合分布模型(GMM)之外，亦能採用神經網路(MLP)。
識別步驟(S30)，係與第1實施形態相同，圖2所示之輸入資訊產生部43產生包含主區域A1內每1像素之色資訊之輸入資訊。又，輸入資訊產生部43，係將輸入資訊作為學習資訊依序輸出於分類器45。分類器45內之特徵抽出部51，係將輸入資訊作為輸入變數，依照函數演算法進行特徵抽出運算，藉此產生特徵向量xj(檢查點)。又，分類器45係SVM之情形，映射部52，係將特徵向量xj所規定之檢查點xj映射於圖12所示之高維特徵空間，產生高維特徵向量φ(xj)。判定部54，係判定高維特徵向量φ(xj)所規定之點φ(xj)屬於培養基綱C1及菌落綱C2中哪綱，檢測微生物點。點φ(xj)屬於菌落綱C2之情形，該點被檢測作為微生物點。圖10及圖11中，除了分類器45之訓練對象係培養基與菌落(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(S250)以外，基本上係與第1實施形態相同。又，分類器45係GMM或MLP之情形，僅未射映於高維特徵空間，在S250中，針對藉由依照GMM或MLP之函數演算法之特徵抽出運算所產生之檢查點xj是否屬於菌落綱，進行判定。
根據第2實施形態，除了可獲得第1實施形態中之效果(1)、(3)、(5)、(6)、(9)、(10)之效果外，還能獲得以下效果。
(11)　訓練步驟中，被分類有培養基綱C1與菌落綱C2，能識別培養基、菌落、培養基及菌落以外。因此，相較於第1實施形態，能更正確判定檢查點xj係培養基或係微生物點或兩者以外。因此，菌落之檢測精度能加提高。
(12)　訓練步驟中，分類器45係SVM之情形，映射部52產生高維特徵空間中之培養基之點群φ(x1)與菌落之點群φ(x2)。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φ(x1)與菌落之點群φ(x2)。藉此，能適當色分類兩種綱C1、C2。識別步驟中，由於係針對映射檢查點xj所獲得之高維特徵向量之點φ(xj)是否屬於菌落綱C2，進行判定，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。第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訓練分類器45時相同之方法進行訓練。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11)之處理內容基本上係與第1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。圖13中，於輸入空間表示有菌落之輸入點x2(微生物點)。如圖13所示，藉由從點群φ(x2)往外側離閾值設定用距離ΔL之超平面，線性分離將微生物點x2映射於高維特徵空間之高維特徵向量所規定之微生物點之點群φ(x2)，分類有菌落綱C2。分類的綱為一種時，分類器45係由根據核算法之支援向量機(SVM)、高斯混合分布模型(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所示之輸入資訊產生部43係產生包含主區域A1內每1像素之色資訊之輸入資訊。又，輸入資訊產生部43係將輸入資訊作為學習資訊，依序輸出至分類器45。分類器45內之特徵抽出部51係將輸入資訊作為輸入變數，依照函數演算法進行特徵抽出運算，藉此產生特徵向量xj(檢查點)。又，分類器45係SVM之情形，映像部52，係將特徵向量xj所規定之檢查點xj映射於圖13所示之高維特徵空間，產生高維特徵向量φ(xj)。判定部54係判定高維特徵向量φ(xj)所規定之點φ(xj)是否屬於菌落綱C2。當點φ(xj)屬於菌落綱C2時，點φ(xj)被檢測作為微生物點。圖10及圖11中，除了分類器45之訓練對象係菌落(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(S250)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S250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1實施形態中之效果(1)、(3)、(5)、(6)、(9)、(10)之效果外，還能獲得以下效果。
(13)　訓練步驟中，由於菌落綱C2被分類，因此相較於第1實施形態，能更正確判定檢查點xj是否為微生物點。因此，菌落之檢測精度能更加提高。
(14)　預先訓練步驟中，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，因此識別步驟中，於檢查對象物即試樣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。例如，細菌(大腸菌等)之菌落具有圓或橢圓等大致圓形態，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，除培養基及菌落之各種色資訊外，還將菌落之形狀資訊作為輸入資訊，輸出至分類器45之變形例。又，第3實施形態中，亦能列舉，除菌落之色資訊外，還將菌落之形狀資訊作為輸入資訊，輸出至分類器45之變形例。前者之情形，在分類器45能利用SVM、MLP、GMM，後者之情形，在分類器45能利用SVM、GMM。
訓練步驟，係根據拍攝包含菌落之培養基M之彩色影像，作業者進行輸入操作或影像處理，特定菌落。又，將特定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，係從輸入資訊產生部43作為學習資訊輸入至分類器45。分類器45內之特徵抽出部51，係將輸入資訊作為輸入變數，依照函數演算法進行特徵抽出運算，藉此產生特徵向量x2=(xr,xg,xb,xshape)(微生物點)。又，分類器45係SVM之情形，映射部52，係將特徵向量所規定之微生物點x2映射於高維特徵空間，取得高維特徵向量φ(x2)。線性分離器53，係在從特徵向量之點群x2(MLP、GMM之情形)或高維特徵向量之點群φ(x2)(SVM之情形)往外側離閾值設定用距離ΔL(規定距離)之位置，以超平面形式設定閾值。藉由此超平面，菌落綱C2根據色與形態之特徵進行分類。
識別步驟，例如，在影像處理，培養基與其以外(異物或菌落等)係藉由色進行區別。又，運算培養基以外者之區域形狀，將經運算之形狀標準化，取得形狀資訊。又，培養基以外之各區域之色資訊，係將區域內之像素的色平均化後取得。輸入資訊產生部43係在每區域產生包含色資訊與形狀資訊之輸入資訊。輸入資訊產生部43係將輸入資訊作為學習資訊輸出至分類器45。分類器45內之特徵抽出部51係將輸入資訊作為輸入變數，依照函數演算法，進行特徵抽出運算，藉此產生特徵向量xj=(xr,xg,xb,xshape)(檢查點)。
分類器45係SVM之情形，映射部52係將特徵向量xj所規定之檢查點xj映射於高維特徵空間，取得特徵向量φ(xj)。又，藉由特徵向量xj所規定之點xj與閾值之比較(MLP、GMM之情形)、或高維特徵向量φ(xj)所規定之點φ(xj)與閾值之比較(SVM之情形)，判定點xj或點φ(xj)是否屬於菌落綱C2。當點xj或點φ(xj)屬於菌落綱C2時，檢查點xj被識別為菌落。
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。此時，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、Cshape。識別步驟，首先，特徵抽出部51，係將輸入於分類器45之色資訊(R值、G值、B值)作為輸入變數，依照函數演算法，進行特徵抽出運算，藉此產生特徵向量xj=(xr,xg,xb)(檢查點)。又，分類器45係SVM之情形，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φ(xj)。接下來，針對所獲得的點xj(MLP、GMM之情形)、或點φ(xr,xg,xb)(SVM之情形)是否屬於菌落綱C色，進行判定。當點xj或點φ(xr,xg,xb)屬於菌落綱C色時，點xj被識別作為菌落候補。接著。菌落候補之形狀資訊被輸入於分類器45。特徵抽出部51，係將形狀資訊作為輸入變數，依照函數演算法，進行特徵抽出運算，藉此產生特徵向量xj=(xshape)(檢查點)。分類器45係SVM之情形，將特徵向量xj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φ(xj)。又，針對所獲得的點xj(MLP、GMM之情形)、或點φ(xshape)(SVM之情形)是否屬於菌落綱Cshape，進行判定。當點xj或點φ(xshape)屬於綱Cshape時，點xj被識別為菌落。
在上述兩種方法中之任一種中，識別步驟，能根據形態之不同，識別菌落與異物(果皮等)。因此能省略判別步驟。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，亦能變更為以下形態。
作為輸入資訊要件之一種，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入資訊輸入於分類器45。又，取得特徵向量x=(xr,xg,xb,xshape,xarea)或x=(xr,xg,xb,xarea)(輸入點或檢查點)。分類器45之特徵抽出部51，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φ(xj)。又，針對所獲得之特徵向量所規定之點xj(MLP、GMM之情形)、或高維特徵向量所規定之點φ(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、位置判別中至少一種即可。又、亦可僅採用形狀判別、色判別、位置判別中之一種或二種。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)之微生物菌落產生前之既定時間(訓練期間)中之培養基。培養基學習之對象亦可係(a)檢查之影像中之培養基部分、(b)拍攝同一品種之實際菌落之影像(預先培養之菌落所產生之取樣影像、或過去拍攝之不良取樣影像)中之培養基部分、(c)人工作成之菌落之影像中之培養基部分。又，作為菌落學習之對象，能列舉有：(a)拍攝同一品種之實際菌落之影像(預先培養之菌落所產生之取樣影像、或過去拍攝之不良取樣影像)中之菌落部分、(b)人工作成之菌落之影像中之菌落部分等。
檢查對象區域並不限定於主區域A1，亦可係培養基區域之全區域。
輸入資訊不限於像素單位，亦可係由複數個像素構成之區域單位。
亦可將微生物檢測方法使用於檢查以外之用途。例如亦可使用在取得飲食物之產品開發階段中實驗資料之用途。
訓練對象區域亦可作為培養基區域之全區域。例如若是無雜訊N之培養基，分類器45就能學習培養基之全區域。
告知菌落檢測結果之報知手段，除如顯示器之顯示手段外，亦可係揚聲器或燈、印表機。
作為搬運機器人，亦能採用三軸正交機器人。三軸正交機器人具有：沿大型架能行走於水平方向(X方向)之行走台、對行走台能升降於上下方向(Z方向)之升降台、及能從升降台向架方向(Y方向)進退之把持部(夾頭部)。使用三軸正交機器人，藉此能對架之任意儲位之架部投入試樣、或取出試樣。
微生物不僅可係真實細菌、舊細菌，亦可係真核生物(藻類、原生生物、菌類、黏菌)等。在微生物之大小中，包含有菌落大小以肉眼能觀察之大小、或必須藉由顯微鏡觀察之大小。
亦可組合第1至第4實施形態使用。例如，亦可在第2實施形態中，於第1實施形態之分類器進行使學習培養基點之訓練。
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
28．．．光源
29．．．反射板
31．．．本體
32．．．輸入操作部
32k．．．鍵盤
32m．．．滑鼠
33．．．顯示器
35．．．培養皿
35a．．．皿部
35b．．．蓋
36．．．攝影元件
37．．．鏡頭單元
38．．．電腦
40．．．檢測處理裝置
41．．．控制部
41a．．．計時部
42．．．記憶體
43．．．輸入資訊產生部
45．．．分類器
46．．．訓練處理部
47．．．識別處理部
51．．．特徵抽出部
52．．．映射部
53．．．線性分離部
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
M．．．培養基
MA．．．培養基區域
N．．．雜訊
S．．．試樣
TA．．．訓練局部區域
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10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12係說明本發明第2實施形態之訓練及識別之圖表。
圖13係說明本發明第3實施形態之訓練及識別之圖表。

Claims (14)

  1. 一種微生物檢測方法，係檢測被培養於培養基之微生物菌落，其特徵在於，具備：訓練步驟，用彩色影像拍攝微生物菌落不存在於培養基區域內之學習對象物，在所拍攝之彩色影像中之培養基區域內之至少一部分設定訓練對象區域，將位於訓練對象區域內之培養基點之色資訊作為學習資訊，將該學習資訊輸入於分類器，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以超平面之形態設定閥值，藉此進行分離而分類培養基綱；以及識別步驟，為了檢查在培養基區域內有無微生物菌落而拍攝之檢查對象物之彩色影像中，將培養基區域內之至少一部分之檢查對象區域內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檢查點是否屬於在該訓練步驟被分類之該培養基綱，且判定不屬於該培養基綱之檢查點為微生物點，且根據其判定結果識別菌落。
  2. 如申請專利範圍第1項之微生物檢測方法，其中，該訓練對象區域，係於培養基區域內檢測不包含雜訊之局部區域而設定。
  3. 如申請專利範圍第1項之微生物檢測方法，其中，該分類器具備：特徵抽出部、映射部、線性分離部以及判定部。
  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，輸入於該分類器之資訊，除了包含該色資訊外，還包含形狀資訊與面積資訊中之至少一個。
  5. 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，除了該綱之分類外，還收集關於存在於該培養基區域內之雜訊點之雜訊資訊；在該識別步驟，根據該雜訊資訊判別該微生物點是否為雜訊點，根據判別為非雜訊點之檢查點識別菌落。
  6. 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，將該培養基區域分割成外周區域與中央區域；將該培養基之該中央區域作為該檢查對象區域以進行該識別；針對該外周區域，根據藉由色緣檢測所檢測之色緣檢測該菌落。
  7. 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，將從培養開始至菌落產生前之既定期間內之該檢查對象物作為該學習對象物使用，進行學習該培養基點之該分類器之訓練以分類該培養基綱；在該識別步驟，使用拍攝有該既定期間以後之該檢查對象物之彩色影像。
  8. 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，求出該微生物點連續存在之封 閉區域即菌落候補之面積，該面積滿足依據微生物種所設定之面積條件時，將該菌落候補識別為菌落。
  9. 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，微生物菌落存在之情形，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資訊之特徵向量，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，在該識別步驟，該檢查點係以該檢查對象區域內之色區別之區域所示之菌落候補點，將該菌落候補點之色資訊與形狀資訊輸入於該已訓練之分類器，取得該色資訊及形狀資訊之特徵向量，藉由該分類器，判定該特徵向量所規定之點是否屬於該菌落綱，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，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。
  11. 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，該分類器係根據核算法之支援向量機，在該訓練步驟，使用該分類器之映射部，藉由核算法，將該培養基點之色資訊之特徵向量映射於高維特徵空間，取得高維特徵向量，藉由該分類器，將該高維特徵向量所規定之點群線性分離以分類培養基綱，在該識別步驟，使用該分類器之映射部，藉由核算法，將該檢查點之色資訊之特徵向量映射於高維特徵空間，取得高維特徵向量，藉由該分 類器，判定該高維特徵向量所規定之點是否屬於在該訓練步驟所分類之該培養基綱，根據其判定結果識別菌落。
  12. 一種微生物檢測裝置，係檢查被培養於培養基之微生物菌落之有無，其特徵在於，具備：訓練手段，用以用彩色影像拍攝微生物菌落不存在於培養基區域內之學習對象物，在所拍攝之彩色影像中之培養基區域內之至少一部分設定訓練對象區域，將位於訓練對象區域內之培養基點之色資訊作為學習資訊，將該學習資訊輸入於分類器，取得該色資訊之特徵向量，包含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以超平面之形態設定閾值，藉此進行分離而分類培養基綱之該分類器；以及識別手段，用以為了檢查有無微生物菌落於培養基區域內而拍攝之檢查對象物之彩色影像中，將培養基區域內之至少一部分檢查對象區域內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屬於藉由該訓練手段所分類之該培養基綱，且判定不屬於該培養基綱之檢查點為微生物點，且根據其判定結果識別菌落。
  13. 如申請專利範圍第12項之微生物檢測裝置，其具備：拍攝手段，用以取得該彩色影像；以及報知手段，用以於該識別手段識別為菌落時，報知檢測出菌落之消息。
  14. 一種電腦程式製品，係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，其特徵在於，使電腦執行下述步驟：訓練步驟，用彩色影像拍攝微生物菌落不存在於培養基區域內之學習對象物，在所拍攝之彩色影像中之培養基區域內之至少一部分設定訓練對象區域，將位於訓練對象區域內之培養基點之色資訊作為學習資訊，將該學習資訊輸入於分類器，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以超平面之形態設定閾值，藉此進行分離而分類培養基綱；以及識別步驟，為了檢查在培養基區域內有無微生物菌落而拍攝之檢查對象物之彩色影像中，將培養基區域內之至少一部分之檢查對象區域內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屬於在該訓練步驟被分類之該培養基綱，且判定不屬於該培養基綱之檢查點為微生物點，且根據其判定結果識別菌落。
TW100121532A 2010-06-23 2011-06-21 微生物檢測方法、微生物檢測裝置及程式 TWI499669B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2010143161 2010-06-23

Publications (2)

Publication Number Publication Date
TW201202415A TW201202415A (en) 2012-01-16
TWI499669B true TWI499669B (zh) 2015-09-11

Family

ID=45371396

Family Applications (1)

Application Number Title Priority Date Filing Date
TW100121532A TWI499669B (zh) 2010-06-23 2011-06-21 微生物檢測方法、微生物檢測裝置及程式

Country Status (7)

Country Link
US (1) US8831313B2 (zh)
EP (1) EP2586873B1 (zh)
JP (1) JP5707399B2 (zh)
KR (1) KR101783836B1 (zh)
CN (1) CN103080331B (zh)
TW (1) TWI499669B (zh)
WO (1) WO2011162213A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9711908B2 (en) 2015-08-13 2017-07-18 Foxconn Interconnect Technology Limited Electrical connector having improved terminals
US9722360B2 (en) 2015-08-12 2017-08-01 Foxconn Interconnect Technology Limited Electrical connector having improved terminals

Families Citing this family (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012119188A1 (en) * 2011-03-04 2012-09-13 Lbt Innovations Limited Method for improving classification results of a classifier
ES2928897T3 (es) * 2011-03-04 2022-11-23 Lbt Innovations Ltd Método y software para analizar el crecimiento microbiano
US9710695B2 (en) 2013-03-15 2017-07-18 Sony Corporation Characterizing pathology images with statistical analysis of local neural network responses
JP6471689B2 (ja) * 2013-04-17 2019-02-20 大日本印刷株式会社 コロニー検出装置、培地情報登録システム、プログラム及び衛生管理システム
JP6337885B2 (ja) * 2013-04-17 2018-06-06 大日本印刷株式会社 コロニー検出装置、培地情報登録システム、プログラム及び衛生管理システム
WO2015045012A1 (ja) * 2013-09-24 2015-04-02 富士通株式会社 コロニー検査プログラム、コロニー検査装置およびコロニー検査方法
WO2015045183A1 (ja) * 2013-09-30 2015-04-02 富士通株式会社 コロニー画像検査プログラム、コロニー画像検査方法及びコロニー画像検査装置
JP5850205B2 (ja) * 2013-11-27 2016-02-03 大日本印刷株式会社 培地情報登録システム、コロニー検出装置、プログラム及び衛生管理システム
JP6143365B2 (ja) * 2014-03-05 2017-06-07 富士フイルム株式会社 細胞画像評価装置および方法並びにプログラム
JP6500358B2 (ja) * 2014-07-10 2019-04-17 大日本印刷株式会社 コロニー検出システム、コロニー検出方法、及び、プログラム
JP6490365B2 (ja) * 2014-08-29 2019-03-27 株式会社エヌテック 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム
PL225872B1 (pl) * 2015-04-10 2017-05-31 Bioavlee Spółka Z Ograniczoną Odpowiedzialnością Sposób badania mikroorganizmów hodowanych na podłożach stałych i układ pomiarowy do badania mikroorganizmów hodowanych na podłożach stałych
MX2018003323A (es) * 2015-09-16 2018-08-16 Merck Patent Gmbh Metodo para la deteccion e identificacion temprana de colonias microbianas, aparato para llevar a cabo el metodo y programa de computadora.
US10563164B1 (en) 2015-10-08 2020-02-18 Charm Sciences, Inc. Plate reader
CN105447527A (zh) * 2015-12-31 2016-03-30 四川木牛流马智能科技有限公司 采用图像识别技术将环境微生物进行分类的方法和系统
US10495563B1 (en) 2016-04-28 2019-12-03 Charm Sciences, Inc. Plate reader observation methods and operation
WO2018085559A2 (en) * 2016-11-04 2018-05-11 Becton, Dickinson And Company System and method for selecting colonies
KR102231545B1 (ko) * 2016-12-06 2021-03-23 후지필름 가부시키가이샤 세포 화상 평가 장치 및 세포 화상 평가 제어 프로그램
FR3062133B1 (fr) * 2017-01-23 2022-06-17 Interscience Procede et appareil de comptage de colonies
US10311573B2 (en) * 2017-05-02 2019-06-04 Techcyte, Inc. Training and machine learning classification of mold in digital microscopy images
KR101924285B1 (ko) * 2017-05-24 2018-11-30 한국산업기술대학교산학협력단 미생물 자동 카운팅 방법 및 장치
CN107287109B (zh) * 2017-07-25 2024-01-16 浙江大学 微生物培养箱的自动检测系统及带该系统的微生物培养箱
KR101963415B1 (ko) * 2017-09-26 2019-03-29 농업회사법인(주)클팜 클로렐라 제조장치
JP7021519B2 (ja) * 2017-11-30 2022-02-17 コニカミノルタ株式会社 画像検査装置、画像形成システムおよびプログラム
EP3620984B1 (en) * 2018-09-06 2024-04-10 Accenture Global Solutions Limited Digital quality control using computer visioning with deep learning
KR102207945B1 (ko) * 2019-04-17 2021-01-26 주식회사 더웨이브톡 미생물 정보 제공 장치 및 방법
US20210340591A1 (en) * 2018-09-07 2021-11-04 The Wave Talk, Inc. Microorganism information providing device and method
US20220139527A1 (en) * 2019-03-01 2022-05-05 Agricam Aktiebolag Method, device and system for detection of micro organisms
KR102306135B1 (ko) * 2019-03-27 2021-09-28 서강대학교산학협력단 금속 나노 구조체를 부착한 미생물의 공기/물 계면에서의 응집을 활용한 미생물 검출 방법
KR102587495B1 (ko) * 2019-04-17 2023-10-12 주식회사 더웨이브톡 미생물 정보 제공 장치 및 방법
CN110066724B (zh) * 2019-06-04 2024-08-02 天津市恒奥科技发展有限公司 微生物培养实时监测装置和检测方法
JP7361511B2 (ja) * 2019-07-04 2023-10-16 合同会社Ｈ．Ｕ．グループ中央研究所 検査支援方法、第１検査支援装置、第２検査支援装置およびコンピュータプログラム
KR102306136B1 (ko) * 2019-08-28 2021-09-29 서강대학교산학협력단 양전하를 가지는 소수성 나노 구조체를 활용한 미생물의 정량적 검출 방법 및 장치
JP2021093951A (ja) * 2019-12-17 2021-06-24 株式会社マルコム 微生物の判別システム
CN111415709B (zh) * 2020-03-16 2023-05-30 北京君立康生物科技有限公司 菌落生长图像的预测方法、装置、电子设备及存储介质
US20230111370A1 (en) * 2020-05-18 2023-04-13 Neogen Food Safety Us Holdco Corporation Microorganic detection system using a deep learning model
KR102466257B1 (ko) * 2020-09-10 2022-11-14 주식회사 더웨이브톡 다중 광원을 활용한 분광 장치
KR102454880B1 (ko) * 2021-02-05 2022-10-14 박병진 학습된 딥러닝 모델을 이용한 cfu 인식 방법
WO2022241245A2 (en) * 2021-05-13 2022-11-17 Fluid-Screen, Inc. Techniques for spore separation, detection, and quantification
US11490852B1 (en) 2021-08-09 2022-11-08 hemal b kurani Wearable device for detecting microorganisms, sterilizing pathogens, and environmental monitoring

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6058209A (en) 1991-09-27 2000-05-02 E. I. Du Pont De Nemours And Company Method for resolving redundant identifications of an object
JPH09187270A (ja) * 1996-01-11 1997-07-22 Nishi Nippon Shinku Tank Kk 細菌類の分析方法および同分析装置
JPH11221070A (ja) 1998-02-03 1999-08-17 Hakuju Inst For Health Science Co Ltd 微生物などの検査方法およびその装置
JP2000069994A (ja) 1998-08-28 2000-03-07 Konica Corp 微生物検出方法および微生物検出システム
US6251624B1 (en) * 1999-03-12 2001-06-26 Akzo Nobel N.V. Apparatus and method for detecting, quantifying and characterizing microorganisms
JP2001022929A (ja) * 1999-07-07 2001-01-26 Meidensha Corp 群体微生物検出方法および装置
EP1428018B1 (en) 2001-09-06 2010-06-09 Straus Holdings Inc. Rapid and sensitive detection of molecules
JP2003116593A (ja) 2001-10-17 2003-04-22 Hakuju Inst For Health Science Co Ltd 微生物の判定方法およびその装置
US7298885B2 (en) 2002-11-27 2007-11-20 3M Innovative Properties Company Biological growth plate scanner with automated image processing profile selection
US20050276456A1 (en) * 2004-05-27 2005-12-15 Toshiyuki Yamato Cell-operating device
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Chen WB, Zhang CC. An automated bacterial colony counting and classification system. Inform Syst Front. 2009;11(4):349–368. *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9722360B2 (en) 2015-08-12 2017-08-01 Foxconn Interconnect Technology Limited Electrical connector having improved terminals
US9711908B2 (en) 2015-08-13 2017-07-18 Foxconn Interconnect Technology Limited Electrical connector having improved terminals

Also Published As

Publication number Publication date
JPWO2011162213A1 (ja) 2013-08-22
KR101783836B1 (ko) 2017-10-10
WO2011162213A1 (ja) 2011-12-29
EP2586873A1 (en) 2013-05-01
CN103080331A (zh) 2013-05-01
EP2586873B1 (en) 2015-11-18
US20130109051A1 (en) 2013-05-02
EP2586873A4 (en) 2013-12-18
US8831313B2 (en) 2014-09-09
CN103080331B (zh) 2014-07-09
TW201202415A (en) 2012-01-16
KR20130038334A (ko) 2013-04-17
JP5707399B2 (ja) 2015-04-30

Similar Documents

Publication Publication Date Title
TWI499669B (zh) 微生物檢測方法、微生物檢測裝置及程式
JP7148581B2 (ja) コロニーコントラスト収集
CN107580715B (zh) 用于自动计数微生物菌落的方法和系统
EP2497823B1 (en) Device for harvesting bacterial colony and method therefor
JP6062059B2 (ja) バイオイメージング法
CN103748452B (zh) 生物成像方法和系统
JP6490365B2 (ja) 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム
JP2010104301A (ja) 微生物の検出方法、装置およびプログラム
JP5443950B2 (ja) 細菌コロニー釣菌装置及びその方法
US10407708B2 (en) Method and system for determining microorganism growth
CN111492064A (zh) 一种鉴别酵母或细菌的方法
CN114746539A (zh) 评价对象的评价方法、图像处理装置和评价对象的评价系统
CN113853607A (zh) 用于监测菌落的细菌生长和预测菌落生物量的系统和方法
Ramanathan et al. Development of an Intelligent Robotized Machine Vision Automated System for Bacterial Growth Monitoring

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees