【技术实现步骤摘要】
本申请涉及一种面向菌株筛选分选的智能处理方法，具体涉及采用目标检测及图像处理技术实现柔性底盘中高性能菌株的高通量分选，以及针对具有表现性状的菌株，建立基于菌株大小、颜色等参数的人工细胞高通量分选方法，准确高效地完成对菌株目标信息的统计任务。
技术介绍
1、高通量、高置信度的区分高产菌株与低产菌株，是制约柔性细胞工厂快速进化的关键性因素之一。高通量筛选的规模至少为每日筛选数千个样品，样品中含数百个菌株，手动打点的统计方法耗时长、效率低、强度大、易疲劳、不同实验员检测重现性也差。例如，对于培养皿中培养出的菌株进行人工计数时，由于菌株的个数和性状是随着时间不断变化的，为了准确获取菌株每个时间段的培养情况，需要人工不断进行复杂而繁重的重复性劳动，同时也会影响工作者的视力健康，更为重要的是此计数方法速度慢，个人的主观性过强，严重影响评价菌落培养质量指标的精度。
2、基于计算机视觉的图像分析技术在不断蓬勃发展，利用计算机自动计数来提升效率的方式日新月异。当前市面上常见的基于图像处理的菌株计数仪，多采用高清摄像头，将培养皿置于封闭空间内取像，再传到计算机上进行处理和计数，具有速度快、结果准等优点。使用图像处理技术针对菌株图像进行处理和分析，可以将工作人员从这一任务量巨大的工作中解脱出来，并可以更加准确和快速的完成对于采样目标各项数据的统计工作。除此之外，该技术可以辅助人们去更高效的完成一些工作。例如在医疗领域，细胞性状的分析对于患者疾病的确诊与治疗有着巨大的指导作用，有助于辅助医生对病情进行分析和诊断。
3、计算机视觉
4、本申请将菌株筛选与计算机视觉技术相结合，提出了一种面向菌株筛选分选的智能处理方法。根据不同产物性质，分别构建高通量筛选方法，实现柔性底盘中有表现性状和无表现性状的高性能菌株的高通量分选，形成多种类型产物的初筛分选解决方案。最终建立基于菌落表型特性、菌落蛋白质/代谢物特征分子 /差异谱等性状的菌株高通量分选方法和技术，实现柔性底盘中高性能菌株的高通量分选，快速高效地筛选出理想的微生物菌株。具体通过目标检测及图像处理技术完成菌株培养皿识别、菌株识别和量化、菌株粘连分割、菌株颜色归类等内容。并开发一套适用于菌株图像的菌株分析软件，以满足工程或科研上的需求。
技术实现思路
1、本申请的目的在于提出一种面向菌株筛选分选的智能处理方法，能够实现对图像中菌株的高通量识别，包括菌株大小、颜色、形状，能够对识别的菌株进行量化以及根据菌株颜色进行分类，可实现菌株克隆筛选的自动化操作。
2、为了实现上述目的，本申请结合菌株筛选与计算机视觉技术，提出了面向菌株筛选分选的智能处理方法。如图1所示，首先输入菌株图像，使用深度神经网络模型进行目标检测，判断菌株图像培养皿的形状，如果为圆形培养皿，则进行hough变换精确定位圆形培养皿区域，若为方形培养皿，直接定位出培养皿区域。然后对培养皿区域进行canny边缘检测、距离变换和h-minima变换进行菌株识别。最后对菌株识别结果进行量化统计、颜色分类以及量化信息可视化。
3、本申请的方法主要由3个模块组成，如图2所示，分为菌株培养皿检测模块、菌株识别模块、菌株量化统计模块。下面分别对本申请方法中的3个模块进行描述。
4、(1)菌株培养皿检测模块
5、菌株培养皿检测模块的主要作用是从菌株图像中检测出培养皿区域以供后续模块的使用。对于菌株图像而言，在进行菌株识别和量化之前需要先定位出菌株培养皿的位置，因此定义菌株图像培养皿区域为感兴趣目标。菌株培养皿区域检测结果分为方形培养皿和圆形培养皿，若检测结果为圆形培养皿，需要进一步进行hough变换以检测圆形培养皿的精确位置。所以，目标检测算法需要有极高的鲁棒性，准确的检测出培养皿区域，从而为后续处理步骤营造一个较为理想的处理环境。本申请方法中的菌株培养皿目标检测算法我们采用了基于卷积神经网络(convolutional neural networks，cnns)的深度学习技术，基于深度学习算法的目标检测技术不仅性能好而且鲁棒性强。
6、对本申请方法中菌株培养皿检测特征提取使用的cnn模型算法的架构进行详细的描述，其深度学习模型的架构如图3所示。整个模型架构中主要使用stage结构来描述，从上到下为stage1(conv2_x)、stage2 (conv3_x)、stage3(conv4_x)、stage4(conv5_x)。大矩形框中的每个小矩形框表示1个或多个标准的残差单元，小矩形框左侧的数值表示残差单元级联的数量，如3×表示3个级联的残差单元。通道数变化，输入通道为3，4个stage的通道数依次为64、128、256、512，即每经过一个stage通道数翻倍。层数计算，每个stage包含的残差单元数量依次为3、4、6、3，每个残差单元包含2个卷积层，再算上第一个7×7 卷积层和3×3最大池化层，总的层数为(3+4+6+3)*2+1+1＝34。下采样操作，即特征图大小减半，右侧箭头标识即为下采样后的特征图大小(以输入224×224为例)；conv2_x矩形框内的max_pool操作表示最大池化，此处发生第一次下采样。卷积层参数解释：以conv 3×3，c512，s2，p1为例，3×3表示卷积核大小，c512表示卷积核数量/输出通道数量为512，s2表示卷积步长为2，p1表示卷积的padding取1。池化层参数解释：max_pool3×3，c64，s2，p1，3×3表示池化的区域大小(类似于卷积核大小)，c64表示输入输出通道为64，s2表示池化的步长为2，p1表示padding取1。下采样操作发生在每个stage的第一个残差单元或最大池化层，实现方式都是通过卷积或者池化中取步长为2。
7、对本申请方法中菌株培养皿目标检测使用的网络架构进行详细描述。整个模型架构分为两个分支，一个用于分类前景和背景，一个用于边界框回归。使用rpn网络生成高质量的预测框，需要先验的锚框 (anchor)设计，anchor的本质是在原图大小上的一系列的矩形框，并将这一系列的矩形框和特征图进行了关联，计算出k个anchor boxes，遍历卷积层计算获得的feature maps，为每一个点匹配9中anchors 作为初始预测框。为了计算anchor的损失，在生成anchor之后，我们还需要得到每个anchor的类别，由于rpn的作用是建议框生成，而非详细的分类，因此只需要区分正样本与负样本，即每个anchor是属于正样本还是负样本。由于anchor的总数量较多，并且大部分anchor的标签都是背景，如果都计算损失的话则正负样本失去了均衡，不利于网络的本文档来自技高网...
【技术保护点】
1.面向菌株筛选分选的智能处理方法，其特征在于：针对具有表现性状的菌株建立基于菌落大小、颜色等参数的人工细胞高通量分选方法，准确、高效地完成对菌株目标信息的统计任务，具体步骤如下：
2.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤1)首选对大量菌株图像进行标注，然后使用神经网络模型对菌株图像进行特征提取，基于TensorFlow框架训练目标检测模型识别出方形与圆形菌株培养皿，并定位培养皿区域。
3.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤2)将目标检测定位裁剪后的菌株图像空间转换到参数空间，在参数空间实现曲线圆的拟合，实现对圆形培养皿的精确定位。
4.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤3)对培养皿精确定位裁剪后的菌株图像进行二值化处理获得二值图像，对图像进行高斯滤波去除噪声，计算图像梯度，对梯度幅值进行非极大值抑制以及使用双阈值法去除假边缘，实现对菌株的识别。
5.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤4)利用距离变换结合H-
6.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤5)通过分析菌株的轮廓特征，统计菌株的面积、周长、颜色、圆形度、直径等量化信息。
7.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤6)使用聚类算法对菌株图像进行颜色聚类，分别按照RGB通道和HSV通道实现菌株图像的颜色分类，将菌株大小、形状量化信息作为阈值实现菌株的挑选。
...【技术特征摘要】
1.面向菌株筛选分选的智能处理方法，其特征在于：针对具有表现性状的菌株建立基于菌落大小、颜色等参数的人工细胞高通量分选方法，准确、高效地完成对菌株目标信息的统计任务，具体步骤如下：
2.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤1)首选对大量菌株图像进行标注，然后使用神经网络模型对菌株图像进行特征提取，基于tensorflow框架训练目标检测模型识别出方形与圆形菌株培养皿，并定位培养皿区域。
3.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤2)将目标检测定位裁剪后的菌株图像空间转换到参数空间，在参数空间实现曲线圆的拟合，实现对圆形培养皿的精确定位。
4.根据权利要求1所述的面向菌株筛选分选的智能处理方法，其特征在于步骤3)对培养皿精确定位裁剪后的菌...
【专利技术属性】
技术研发人员：王泽辉，张毅，王立成，
申请(专利权)人：中芯未来北京科技有限公司，
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。