【技术实现步骤摘要】
一种菌落的分类方法
[0001]本专利技术涉及菌落分割与分类的
，尤其是涉及一种菌落的分类方法。
技术介绍
[0002]目前，采用人工对菌落进行计数和识别，人工对菌落进行计数和识别的工作非常繁杂，并且无法保证计数和识别的精度。
[0003]如果采用传统方法对菌落进行分类，当传统方法对复合菌落进行分类时，传统方法的分类又表现得比较乏力，由于复合菌落中的菌落大小形状不一，且当存在菌落黏连的情况时，形成的黏连菌落更会存在各种形状；而传统的分类方法在复杂情况下鲁棒性差，无法达到较优的分类效果。
[0004]目前也有使用目标检测的方法对培养皿中的菌落进行检测，目标检测的方法只对圆形和椭圆形等特定形状的菌落且菌落分布较稀疏的情况，表现较优，当存在条形菌落，或者菌落黏连的情况时，检测框无法框住单一连通区域，在后续的菌落分类中则会产生较大影响，由于检测框是矩形框，黏连菌落形状不规则，用矩形框框到的区域，可能包含其他菌落；条形菌落也一样，如果是两个或多个条形菌落是倾斜的、紧邻的，则不能框住一个区域，可能同时框住多个菌落。...
【技术保护点】
【技术特征摘要】
1.一种菌落的分类方法，其特征在于，包括：将输入的菌落图像转化成灰度图像；对所述灰度图像进行局部阈值分割，把所述灰度图像大于对应局部阈值的像素，设置为1，并把所述灰度图像小于局部阈值的像素设置为0，以生成二值化图像；对所述二值化图像采用腐蚀膨胀操作，并进行形态学处理，去除噪点和毛刺；对所述二值化图像进行连通区域分析，以提取菌落连通区域，剔除非菌落区域；当所述菌落连通区域中包含的像素大于像素个数阈值T时，把所述二值化图像输入菌落分类网络或者根据菌落形态结构进行分类，得菌落分类结果，其中，所述菌落形态结构包括圆形菌落、椭圆菌落、黏连菌落或条形菌落。2.根据权利要求1所述菌落的分类方法，其特征在于，还包括：当所述菌落分类网络为卷积神经网络时，所述卷积神经网络收集菌落数据，所述卷积神经网络提取不同种类的菌落图像，统计不同种类的菌落数量，根据需求收集不同种类的菌落数据，并将收集的菌落数据分为训练集、验证集和测试集，所述卷积神经网络通过所述训练集、验证集和测试集，把菌落分类为圆形菌落、椭圆菌落、黏连菌落或条形菌落。3.根据权利要求2所述菌落的分类方法，其特征在于，还包括：收集所述不同种类的菌落数据时，保持收集的各类菌落数据的平衡。4.根据权利要求2所述菌落的分类方法，其特征在于，包括：把所述训练集和验证集归一化为固定大小，并输入预先设计的卷积神经网络进行训练和验证，根据训练情况和模型在测试集的表现情况，选择分类模型。5.根据权利要求4所述菌落的分类方法，其特征在于，还包括：每类菌落的分类召回率：在测试集中，其中一种菌落实际有M
i
个，被正确分类的数量为m
i
个，则分类召回率为m
i
/M
i
；每类菌落的分类准确率：在测试集中，其中分为一种菌落的数目有N
i
个，N
i
个菌落中实际属于该种菌落的数量为m
i
个，则分类准确率为m
i
/N
i
。6.根据权利要求4所述菌落的分类方法，其特征在于，还包括：对整体测试集进行评估，并对每类菌落的召回率和准确率分别求均值：并对每类菌落的召回率和准确率分别求均值：其中，m
i
/M
i
为分类召回率，m
i
/N
i
为分类准确率，P
recall
为召回率的均值，P
acc
为准确率的均值。7.根据权利要求1所述菌落的分类方法，其特征在于，还包括：根据获取所述菌落的大小、菌落分类结果和菌落分类结果中菌落类型的数量，设计卷积神经网络的网络深度。8.根据权利要求1所述菌落的分类方法，其特征在于，还包括：统计所述进行局部阈值分割后的菌落图像中菌落连通区域的个数，并统计每个所述菌落连通区域包含的像素个数，以统计每种菌落的个数和每个菌落的大小。9.根据权利要求1所述菌落的分类方法，其特征在于，还包括：菌落连通区域复查，检查菌落连通区域的边界与所述菌落连通区域的周边菌落连通区域的距离，当所述距离小于预先设定的阈值d个像素，则表示所述菌落连通区域与周边菌落
连通区域连通。10.根据权利要求1所述菌落的分类方法，其特征在于，还包括：当根据菌落形态结构进行分类时，对所述菌落连通区域进行极限腐蚀，并判断进行所述极限腐蚀后的菌落连通区域内的种子点数量是否大于1...
【专利技术属性】
技术研发人员：何凯，纪园，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。