菌落计数模型构建方法、计数方法及全生命周期描述方法技术

本发明专利技术涉及一种菌落计数模型构建方法、计数方法及全生命周期描述方法，包括：获取记录微生物生命周期的菌落显微多图像或菌落视频；在终点图像中选取预设数量的菌落进行菌落标注；对菌落视频或菌落显微多图像进行回溯负标签处理，确定负标签发现时间；进行回溯真实样本处理，采样得到多张第一菌落样本图像、多张第二菌落样本图像；利用第一、第二菌落样本图像以及预设的损失函数，训练得到用于菌落计数的深度神经网络模型。本发明专利技术提供的方法，无需花费大量时间、精力获取训练样本，即可在短时间内获取到大量真实有效的训练样本，满足模型训练需求，提高模型训练速度以及模型预测准确度。度。度。

【技术实现步骤摘要】
菌落计数模型构建方法、计数方法及全生命周期描述方法


[0001]本专利技术涉及微生物检测
，具体涉及一种菌落计数模型构建方法、计数方法及全生命周期描述方法。

技术介绍

[0002]菌落是由接种在固体培养基的单个细菌形成的，其由单个微生物细胞或一堆同种细胞在适宜固体培养基表面或内部生长繁殖到一定程度，形成以母细胞为中心的一团肉眼可见的、有一定形态、构造等特征的子细胞集团。菌落种类多种多样，例如包括但并不做限制为总大肠菌群、耐热大肠菌群、大肠埃希氏菌群、乳酸菌群等。由于菌落数量对食物、饮水的可食用性，对药物的有效性等均具有重要影响，在供水、食品、医学和刑侦等不同领域都需要进行高频次的菌落的计数。
[0003]目前公知的菌落计数方法有人工计数、利用传统特征值计算法或利用神经网络架构，利用人工计数，费时、费力，且容易算错；利用传统特征值进行计数，只能针对现研究的单一种类或少数类似的菌落计数；利用神经网络架构进行菌落计数的方法，在利用神经网络构建菌落计数模型时，需要花费大量时间、精力获取训练样本，且构建出的神经网络模型菌落计数准确度较低。

技术实现思路

[0004]针对上述问题，本专利技术提供一种菌落计数模型构建方法、计数方法及全生命周期描述方法，其中，菌落计数模型构建方法包括：
[0005]获取记录微生物生命周期的菌落显微多图像或菌落视频，菌落显微多图像为以时间轴为导向，在预设时间段内拍摄得到的多张菌落显微图像；
[0006]在终点图像中选取预设数量的菌落进行菌落标注，终点图像为微生物生命周期的时间终点对应的图像；
[0007]对菌落视频或菌落显微多图像进行回溯负标签处理，直至已标注的菌落全部消失，确定负标签发现时间；
[0008]进行回溯真实样本处理，在负标签发现时间至微生物生命周期的时间终点的时间段内，采样得到多张第一菌落样本图像，获得多个正训练样本，并从负标签发现时间向前回溯，采样得到多张第二菌落样本图像；
[0009]选取一个深度学习网络，利用选取的深度学习网络、第一菌落样本图像、第二菌落样本图像以及预设的损失函数，训练得到用于菌落计数的深度神经网络模型。
[0010]进一步的，在终点图像中选取预设数量的菌落进行菌落标注包括：
[0011]将终点图像中的菌落按照从大到小的顺序进行排序，选取前N个菌落作为目标菌落，利用标记框对每个目标菌落进行菌落标注，其中N为预设数量。
[0012]进一步的，N＝3，对单个菌落进行菌落标注时，标注方法包括：
[0013]利用标记框对菌落进行框选，使标记框外切于菌落；
[0014]标记标记框的左上顶点坐标以及右下顶点坐标，并根据左上顶点坐标以及右下顶点坐标，得到标记框的中心点坐标。
[0015]进一步的，对菌落视频或菌落显微多图像进行回溯负标签处理，直至已标注的菌落全部消失，确定负标签发现时间包括：
[0016]从终点图像开始，将菌落显微多图像或菌落视频沿时间轴反向播放，直至当已标注的菌落全部消失，记录当前时间为负标签发现时间。
[0017]进一步的，在负标签发现时间至微生物生命周期的时间终点的时间段内，采样得到多张第一菌落样本图像，获得多个正训练样本包括：
[0018]在负标签发现时间至微生物生命周期的时间终点的时间段内，每隔预设采样时间进行采样，获得多张第一菌落样本图像；
[0019]对每张第一菌落样本图像，进行目标菌落标注的自动更新，并将每张菌落样本图像中标注的目标菌落作为正训练样本，获得多个正训练样本。
[0020]进一步的，选取一个深度学习网络，利用选取的深度学习网络、第一菌落样本图像、第二菌落样本图像以及预设的损失函数，训练得到用于菌落计数的深度神经网络模型包括：
[0021]将第一菌落样本图像、第二菌落样本图像作为深度神经网络模型的输入，对深度神经网络模型进行训练；
[0022]利用预设的损失函数计算当前损失值，当当前损失值小于预设阈值时，停止训练；
[0023]确定当前损失值对应的模型参数，根据模型参数得到深度神经网络模型。
[0024]进一步的，预设的损失函数为L总＝a*Lc+b*Ls+c*Ln；其中：
[0025]a、b、c为调节参数；
[0026]其中(Dx，Dy)为目标菌落的质心坐标，(0x,0y)为目标菌落标记框的中心点坐标，第一个∑指不同时间下的菌落图像，第二个∑指同一菌落图像中不同的目标菌落；
[0027]Ls＝∑∑max(0,1
‑
(∑p))，其中第一个∑指不同时间下的菌落图像，第二个∑指同一菌落图像中不同的目标菌落，∑p表示在目标菌落标记框内所有预测概率和；
[0028]Ln＝∑∑∑p其中第一个∑指不同时间下的菌落图像，第二个∑指同一菌落图像中不同的目标菌落，∑p表示在目标菌落标记框内所有预测概率和。
[0029]本专利技术还提供一种计数方法，用于对菌落进行计数，计数方法包括：
[0030]获取待预测菌落图像；
[0031]将待预测菌落图像输入至用于菌落计数的深度神经网络模型中，输出待预测菌落图像中的菌落个数；
[0032]其中用于菌落计数的深度神经网络模型为采用上述的菌落计数模型构建方法构建。
[0033]进一步的，菌落计数方法还包括：
[0034]根据用于菌落计数的深度神经网络模型，对待预测菌落图像对应的验证菌落图像中的菌落个数进行预测，其中验证菌落图像为在待预测菌落图像拍摄时间之前拍摄得到的菌落图像；
[0035]将预测得到的验证菌落图像中的菌落个数与预测得到的待预测菌落图像中的菌
落个数进行比对，以判断待预测菌落图像中的菌落是否存在粘连菌落；
[0036]根据判断结果对待预测菌落图像中的菌落个数进行校准。
[0037]本专利技术还提供一种全生命周期描述方法，方法包括：
[0038]根据上述的计数方法，统计不同生命时期拍摄的菌落图像中的菌落数量，并且对不同生命时期拍摄的菌落图像中各个菌落大小进行统计，以描述各个菌落的全生命周期。
[0039]本专利技术提供的菌落计数模型构建方法、计数方法及全生命周期描述方法，至少包括以下有益效果：
[0040](1)本专利技术中提供的菌落计数模型构建方法，基于记录微生物生命周期的菌落显微多图像或者菌落视频，仅在终点图像中选取预设数量的菌落进行菌落的少量标注，后续通过回溯负标签处理、回溯真实样本处理，即可获得大量真实有效的训练样本，从而实现了在利用神经网络构建菌落计数模型时，无需花费大量时间、精力获取训练样本，即可满足神经网络的训练需求；另外采用本实施例中的方法，能够在短时间内获取到大量真实有效的训练样本，进一步提高菌落计数模型的训练速度以及菌落计数模型的预测准确度。
[0041](2)本专利技术中提供的菌落计数模型构建方法，专门针对于菌落计数这一应用场景，设计了对应的损失函数，利用本专利技术中所提供的损失函数，能够进一步的提高训练出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种菌落计数模型构建方法，其特征在于，所述方法包括：获取记录微生物生命周期的菌落显微多图像或菌落视频，所述菌落显微多图像为以时间轴为导向，在预设时间段内拍摄得到的多张菌落显微图像；在终点图像中选取预设数量的菌落进行菌落标注，所述终点图像为微生物生命周期的时间终点对应的图像；对所述菌落视频或菌落显微多图像进行回溯负标签处理，直至已标注的菌落全部消失，确定负标签发现时间；进行回溯真实样本处理，在所述负标签发现时间至微生物生命周期的时间终点的时间段内，采样得到多张第一菌落样本图像，获得多个正训练样本，并从负标签发现时间向前回溯，采样得到多张第二菌落样本图像；选取一个深度学习网络，利用选取的深度学习网络、所述第一菌落样本图像、第二菌落样本图像以及预设的损失函数，训练得到用于菌落计数的深度神经网络模型。2.根据权利要求1所述的菌落计数模型构建方法，其特征在于，在终点图像中选取预设数量的菌落进行菌落标注包括：将所述终点图像中的菌落按照从大到小的顺序进行排序，选取前N个菌落作为目标菌落，利用标记框对每个目标菌落进行菌落标注，其中N为预设数量。3.根据权利要求2所述的菌落计数模型构建方法，其特征在于，N＝3，对单个菌落进行菌落标注时，标注方法包括：利用标记框对菌落进行框选，使所述标记框外切于所述菌落；标记所述标记框的左上顶点坐标以及右下顶点坐标，并根据所述左上顶点坐标以及所述右下顶点坐标，得到所述标记框的中心点坐标。4.根据权利要求1所述的菌落计数模型构建方法，其特征在于，所述对所述菌落视频或菌落显微多图像进行回溯负标签处理，直至已标注的菌落全部消失，确定负标签发现时间包括：从所述终点图像开始，将所述菌落显微多图像或菌落视频沿时间轴反向播放，直至当已标注的菌落全部消失，记录当前时间为负标签发现时间。5.根据权利要求2所述的菌落计数模型构建方法，其特征在于，所述在所述负标签发现时间至微生物生命周期的时间终点的时间段内，采样得到多张第一菌落样本图像，获得多个正训练样本包括：在所述负标签发现时间至微生物生命周期的时间终点的时间段内，每隔预设采样时间进行采样，获得多张第一菌落样本图像；对每张第一菌落样本图像，进行目标菌落标注的自动更新，并将每张菌落样本图像中标注的目标菌落作为正训练样本，获得多个正训练样本。6.根据权利要求5所述的菌落计数模型构建方法，其特征在于，选取一个深度学习网...

【专利技术属性】
技术研发人员：李阳，许泽群，霍柱健，吴衡，朱雪枫，吴酬飞，
申请(专利权)人：湖州师范学院，
类型：发明
国别省市：