本发明专利技术公开了一种基于计算机视觉的微生物分类识别方法和系统，属于计算机视觉技术领域，该识别方法具体步骤如下：(1)通过CCD摄像头采集微生物图像数据；(2)提取各微生物图像特征数据并记录；(3)构建分类识别模型并测试该识别模型；(4)核实测试结果并更新分类识别模型参数；(5)通过分类识别模型对微生物进行识别；(6)反馈识别结果并对研究人员操作信息进行风险检测；(7)存储检测结果并更新分类识别模型知识数据库；本发明专利技术能够由粗到精地分析图像，同时能够精确地对特征的抽取，降低使用局限性，提高分类识别的精确性，能够实现自动化建模以及寻参，提高微生物分类识别效率，减少研究人员工作量，提高研究人员使用体验。提高研究人员使用体验。提高研究人员使用体验。
【技术实现步骤摘要】
一种基于计算机视觉的微生物分类识别方法和系统
[0001]本专利技术涉及计算机视觉
，尤其涉及一种基于计算机视觉的微生物分类识别方法和系统。
技术介绍
[0002]用计算机模拟人的视觉，从图象输入到识别理解，即视觉检验，是视觉最有前途的应用领域之一。因而，关于机器视觉的理论和模型是人们的研究热点。迄今为止，计算机在发酵领域已广泛应用于菌种理化数据的处理、过程监测与控制优化、过程动力学辅助研究等方面，且将随着生化工程和计算机技术的发展而不断深化；其中，微生物菌种作为发酵工业的基础与核心，筛选和改良菌种有利于稳定和降低成本。菌落的形貌特征是菌种生化特性的宏观表象，一直是实际工业生产中人工筛选的主要判定依据。用计算机视觉代替人眼，实现菌种的自动分类与识别能极大地提高生产效益。
[0003]现有的微生物分类识别方法和系统无法精确地对图像的纹理特征进行抽取，使用局限性较大，降低对微生物分类识别的精确性；此外，现有的微生物分类识别方法和系统微生物分类识别效率低下，且研究人员工作量较多，降低研究人员使用体验；为此，我们提出一种基于计算机视觉的微生物分类识别方法和系统。
技术实现思路
[0004]本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的一种基于计算机视觉的微生物分类识别方法和系统。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种基于计算机视觉的微生物分类识别方法，该识别方法具体步骤如下：
[0007](1)通过CCD摄像头采集微生物图像数据；
[0008](2)提取各微生物图像特征数据并记录；
[0009](3)构建分类识别模型并测试该识别模型；
[0010](4)核实测试结果并更新分类识别模型参数；
[0011](5)通过分类识别模型对微生物进行识别；
[0012](6)反馈识别结果并对研究人员操作信息进行风险检测；
[0013](7)存储检测结果并更新分类识别模型知识数据库。
[0014]作为本专利技术的进一步方案，步骤(2)所述微生物图像特征数据提取具体步骤如下：
[0015]步骤一：通过DAU02小波对采集到的各组微生物图像进行图像分解以获取多组高频子图像，再选取高频子图像中的一像素点作为中心点，根据预设信息生成n1
×
n1的窗口，再计算该窗口内所有像素点的能量均值作为该中心点的能量值以获取对应能量图像，再更换作为中心点的像素点，重复上述步骤，直至所有像素点都处理完毕；
[0016]步骤二：从能量图像中选取一像素点作为中心点，并生成n2
×
n2的窗口，之后筛除窗口中50％的最大值点与最小值点，再求其余点的平均值，并将该平均值做为该中心点的
特征值，然后更换作为中心点的像素点，重复上述步骤以获取多组特征图像；
[0017]步骤三：对特征图像的直方图进行一维多分辨率小波分解，并确定小波分解时的过零点、波谷以及各级阈值，同时依据检测结果对特征图像进行分割，将分割出的同级区域图像进行合并，统计新区域图像所含像素个数，若像素个数小于该区域大小的10％，则重置此区号，同时按最近邻法则将该区域图像归并到其它区域图像；
[0018]步骤四：同级区域图像合并后，获取该级“级内”区域图像，再将其与上级“级内”区域图像进行合并，产生本级“级间”区域图像，收集本级与上级“级间”区域图像的区数，并分别用r
j
以及r
j
‑1表示；
[0019]步骤五：若r
j
＜r
j
‑1，则判断第j级“级间”区域图像为最终分割结果；若r
j
＝r
j
‑1，则判断第j
‑
1级“级间”区域图像为最终分割结果；否则，进行第j+1级小波分解，并重复上述步骤，直至确认最终分割结果，抽取小波分解的各级子图像纹理熵特征并记录。
[0020]作为本专利技术的进一步方案，步骤五所述纹理熵特征具体计算公式如下：
[0021](1)
[0022]式中，N代表图像灰度级数，p(i)代表图像中灰度级i出现的概率。
[0023]作为本专利技术的进一步方案，步骤(3)所述分类识别模型构建测试具体步骤如下：
[0024]步骤Ⅰ：从知识数据库中抽取存储的各组微生物的纹理特征以及几何特征，再将抽取的各组特征数据整合成特征样本集，之后计算该特征样本集的标准偏差以筛除特征样本集中的异常数据，再对剩余数据进行标准化以及归一化处理；
[0025]步骤Ⅱ：将处理后的数据划分为测试集以及训练集，根据预设信息为一组神经网络赋值完成后，将训练集输入神经网络中对其进行训练，同时通过最小二乘法定义该卷积神经网络多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出分类识别模型；
[0026]步骤Ⅲ：将测试集导入分类识别模型中进行测试，并计算该分类识别模型损失值，若该模型损失值未达到预设期望值，则更新该模型参数并重新进行训练测试。
[0027]作为本专利技术的进一步方案，步骤(4)所述分类识别模型参数更新具体步骤如下：
[0028]步骤
①
：若分类识别模型识别准确率或损失值不满足预设期望值，则在该分类识别模型的规定区间内初始化网络连接权值，之后从训练时的输入以及输出对的集合中提交训练样本，并计算该分类识别模型的输出，在比较期望的网络输出与实际的网络输出，并且计算所有神经元的局部误差；
[0029]步骤
②
：当局部误差超出工作人员预设阈值后，依据学习规则方程对该分类识别模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果；
[0030]步骤
③
：对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，并统计检测结果的均方根误差；
[0031]步骤
④
：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换分类识别模型原有参数。
[0032]一种基于计算机视觉的微生物分类识别系统，包括用户平台、CCD摄像头、图像处
理模块、特征提取模块、识别反馈模块、测试调整模块、操作检测模块、区块存储模块以及知识数据库；
[0033]所述用户平台用于验证研究人员身份信息，并接收识别结果以供研究人员查看；
[0034]所述CCD摄像头用于采集微生物图像数据；
[0035]所述图像处理模块用于对采集的图像数据进行滤波去噪处理；
[0036]所述特征提取模块用于抽取图像数据中的特征信息；
[0037]所述识别反馈模块用于依据各图像数据的特征信息对微生物进行分类以及识别；
[0038]所述测试调整模块用于对识别反馈模块进行参数更新；...
【技术保护点】
【技术特征摘要】
1.一种基于计算机视觉的微生物分类识别方法，其特征在于，该识别方法具体步骤如下：(1)通过CCD摄像头采集微生物图像数据；(2)提取各微生物图像特征数据并记录；(3)构建分类识别模型并测试该识别模型；(4)核实测试结果并更新分类识别模型参数；(5)通过分类识别模型对微生物进行识别；(6)反馈识别结果并对研究人员操作信息进行风险检测；(7)存储检测结果并更新分类识别模型知识数据库。2.根据权利要求1所述的一种基于计算机视觉的微生物分类识别方法，其特征在于，步骤(2)所述微生物图像特征数据提取具体步骤如下：步骤一：通过DAU02小波对采集到的各组微生物图像进行图像分解以获取多组高频子图像，再选取高频子图像中的一像素点作为中心点，根据预设信息生成n1
×
n1的窗口，再计算该窗口内所有像素点的能量均值作为该中心点的能量值以获取对应能量图像，再更换作为中心点的像素点，重复上述步骤，直至所有像素点都处理完毕；步骤二：从能量图像中选取一像素点作为中心点，并生成n2
×
n2的窗口，之后筛除窗口中50％的最大值点与最小值点，再求其余点的平均值，并将该平均值做为该中心点的特征值，然后更换作为中心点的像素点，重复上述步骤以获取多组特征图像；步骤三：对特征图像的直方图进行一维多分辨率小波分解，并确定小波分解时的过零点、波谷以及各级阈值，同时依据检测结果对特征图像进行分割，将分割出的同级区域图像进行合并，统计新区域图像所含像素个数，若像素个数小于该区域大小的10％，则重置此区号，同时按最近邻法则将该区域图像归并到其它区域图像；步骤四：同级区域图像合并后，获取该级“级内”区域图像，再将其与上级“级内”区域图像进行合并，产生本级“级间”区域图像，收集本级与上级“级间”区域图像的区数，并分别用r
j
以及r
j
‑1表示；步骤五：若r
j
＜r
j
‑1，则判断第j级“级间”区域图像为最终分割结果；若r
j
＝r
j
‑1，则判断第j
‑
1级“级间”区域图像为最终分割结果；否则，进行第j+1级小波分解，并重复上述步骤，直至确认最终分割结果，抽取小波分解的各级子图像纹理熵特征并记录。3.根据权利要求2所述的一种基于计算机视觉的微生物分类识别方法，其特征在于，步骤五所述纹理熵特征具体计算公式如下：式中，N代表图像灰度级数，p(i)代表图像中灰度级i出现的概率。4.根据权利要求1所述的一种基于计算机视觉的微生物分类识别方法，其特征在于，步骤(3)所述分类识别模型构建测试具体步骤如下：步骤Ⅰ：从知识数据库中抽取存储的各组微生物的纹理特征以及几何特征，再将抽取的各组特征数据整合成特征样本集，之后计算该特征样本集的标准偏差以筛除特征样本集中
的异常数据，再对剩余数据进行标准化以及归一化处理；步骤Ⅱ：将处理后的数据划分为测试集以及训练集，根据预设信息为一组神经网络赋值完成后，将训练集输入神经网络中对其进行训练，同时通过最小二乘法定义该卷积神经网络多轮学习后的能量函数，当能量函数小于目标误差时，训练过程结束并输出分类识别模型；步骤Ⅲ：将测试集导入分类识别模型中进行测试，并计算该分类识别模型损失值，若该模型损失值未达到预设期望值，则更新该模...
【专利技术属性】
技术研发人员：杨璐璇，游世洋，
申请(专利权)人：四川大学，
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。