CN109919863B - 一种全自动菌落计数仪、***及其菌落计数方法 - Google Patents
一种全自动菌落计数仪、***及其菌落计数方法 Download PDFInfo
- Publication number
- CN109919863B CN109919863B CN201910117333.5A CN201910117333A CN109919863B CN 109919863 B CN109919863 B CN 109919863B CN 201910117333 A CN201910117333 A CN 201910117333A CN 109919863 B CN109919863 B CN 109919863B
- Authority
- CN
- China
- Prior art keywords
- colony
- original picture
- analysis
- edge
- feature code
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种全自动菌落计数仪及菌落计数方法,包括图像采集模块、计算分析模块和数据发送模块,所述图像采集模块包括摄取培养皿原始图片的摄像头,所述原始图片发送至所述计算分析模块并由所述计算分析模块计算得出该原始图片的特征码,所述特征码用于该原始图片的唯一标识;所述数据发送模块用于发送所述特征码和原始图片,与上位机或云平台搭建全自动菌落计数***。本发明可以在快速自动计算菌落数量的同时,能快速提取培养皿中菌落分布的特征信息,避免后续云平台比对时大量的图像分析运算,大幅度减少运算量,同时也能避免由于菌落长大造成的识别困难。
Description
技术领域
本发明涉及菌落检测设备和方法技术领域,特别是一种全自动菌落计数仪、***及其菌落计数方法。
背景技术
目前公知的全自动菌落计数仪主要由光学部分和图像分析部分组成,能对培养皿中的菌落数量进行较为准确的计数,但是其图像分析功能只能对拍摄的图像进行分析,得出某一图像的菌落数,只能实现提高操作人员计数速度。但由于其网络功能缺乏,对图像特征信息分析欠缺,很难实现远程监管和大数据分析。另外,现有菌落计数仪没有对检测有效性的判断分析功能。
发明内容
本发明上述问题,提供一种全自动菌落计数仪。本发明的技术方案为:
一种全自动菌落计数仪,包括:
图像采集模块,所述图像采集模块包括摄取培养皿原始图片的摄像头,所述原始图片发送至所述计算分析模块并由所述计算分析模块计算得出该原始图片的特征码;
计算分析模块,用于根据所述图像采集模块采集的原始图片进行处理分析得到所述特征码,所述特征码用于该原始图片的唯一标识;
数据发送模块,所述数据发送模块用于发送所述特征码和原始图片,与上位机或云平台搭建全自动菌落计数***。
更进一步地,本发明提供的一种全自动菌落计数***,包括:
图像采集模块,所述图像采集模块包括摄取培养皿原始图片的摄像头,所述原始图片发送至所述计算分析模块并由所述计算分析模块计算得出该原始图片的特征码;
计算分析模块,用于根据所述图像采集模块采集的原始图片进行处理分析得到所述特征码,所述特征码用于该原始图片的唯一标识;
数据发送模块,所述数据发送模块用于发送所述特征码和原始图片,与上位机或云平台进行数据交互。
上位机或云平台,用于与所述数据发送模块进行数据交互,对所述特征码和原始图片进行有效性分析和处理。
本发明另一方面,提供上述全自动菌落计数***的全自动菌落计数方法,包括以下步骤:
(1),所述图像采集模块通过摄像头摄取培养皿的原始图片并将其发送至所述计算分析模块处理;
(2),所述计算分析模块对所述原始图片进行处理分析,得到该原始图片的特征码;
(3),所述数据发送模块将所述原始图片及其对应的特征码发送至上位机或云平台,由所述上位机或云平台读取该原始图片的菌落计数信息以及根据所述特征码判断本次检测信息的有效性。
作为本发明进一步地说明,上述步骤(2)中所述的处理分析包含若干个分步骤,依次包括步骤a平滑处理、步骤b图像二值化处理、步骤c菌落的边缘检测、步骤d边缘点数组的合并、步骤e过滤、步骤f菌落分布分析、步骤g区域分析、步骤h标志点分析和步骤i特征码提取。
更进一步地,所述步骤a平滑处理中采用高斯滤波算法所述原始图片进行平滑处理。
更进一步地,所述步骤c菌落的边缘检测中采用Canny边缘检测算法对二值化处理后的原始图片进行计算,得到边缘点的多个数组。
更进一步地,所述步骤g区域分析为对整个器皿进行分区,划分若干个不同区域,计算菌落中心点落在不同区域的数量和面积等。
更进一步地,所述步骤h标志点分析中取所有菌落中,面积最大的若干个菌落,记录其位置、所落区间、面积等作为标志点。
更进一步地,所述特征码包含了步骤f菌落分布分析、步骤g区域分析和步骤h标志点分析的信息,作为本次菌落计数有效与否的判断标识。
本发明的有益效果:
本发明可以在快速自动计算菌落数量的同时,能快速提取培养皿中菌落分布的特征信息,避免后续云平台比对时大量的图像分析运算,大幅度减少运算量。同时也能避免由于菌落长大造成的识别困难。解决了现在全自动菌落计数仪检测数据不能网络传输,检测样品重复,检测结果可信度不足的问题。上级管理人员可通过远程云平台上检测数据分析的具体检测可信度进行评价。
附图说明
图1为本发明全自动菌落计数方法流程图;
图2为本发明实施例图像二值化处理效果前后对比图。
具体实施方式
实施例:
下面结合附图对本发明实施例详细的说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
一种全自动菌落计数仪,包括图像采集模块、计算分析模块和数据发送模块,所述图像采集模块包括摄取培养皿原始图片的摄像头,所述原始图片发送至所述计算分析模块并由所述计算分析模块计算得出该原始图片的特征码,所述特征码用于该原始图片的唯一标识;所述数据发送模块用于发送所述特征码和原始图片,与上位机或云平台搭建全自动菌落计数***。
上述全自动菌落计数***的全自动菌落计数方法,具体地,包括的步骤为:
(1),所述图像采集模块通过摄像头摄取培养皿的原始图片并将其发送至所述计算分析模块处理;
(2),所述计算分析模块对所述原始图片进行处理分析,得到该原始图片的特征码;
(3),所述数据发送模块将所述原始图片及其对应的特征码发送至上位机或云平台,由所述上位机或云平台读取该原始图片的菌落计数信息以及根据所述特征码判断本次检测信息的有效性。
上述步骤(2)中所述的处理分析包含了a-i的多个分步骤,具体地参见附图1的流程图。
步骤a平滑处理:为了减少图像采集时各种因素造成的干扰,需要对图像采集模块采集到的原始图片进行平滑处理,降低图像噪声。常用的一些图像平滑处理例如线性平滑对领域内的像素一视同仁,对于每一个像素点的灰度值用它的邻域值来代替,线性平滑虽然降低了噪声,但同时也模糊了图像的边缘和细节;均值滤波利用平均模板,采用领域平均,输出图像是窗口输入图像对应像素的简单平均值,也有将图像模糊化的趋势,对椒盐噪声基本无能为力;中值滤波的本质上是一种统计的排序滤波器。对于原图像中某点(i,j),中值滤波以该点为中心的领域内的所有像素的统计排序的中值作为(I,j)的响应,中值滤波的优点是可以很好的过滤掉椒盐噪声,缺点是易造成图像的不连续性。
因此,本实施例中采用了高斯滤波算法对采集到的原始图片进行平滑处理,高斯模板是适当加大模板中心点的权重,随着远离中心点,权重迅速减小,从而可确保中心点看起来更接近与他距离更近的点,可以减少平滑处理中的模糊,得到更自然的平滑效果。
高斯模板正是将连续的二维高斯离散化表示,因此任意大小的高斯模板可以通过建立一个(2k+1)*(2k+1)的矩阵M得到,其中(i,j)位置元素可如下确定:
步骤b图像二值化处理:对上述平滑处理后的原始图片,选取一个合适的阈值进行二值化处理,再过滤掉小的黑点,然后查询最小圆的边缘,以确定器皿的摆放位置和大小。
步骤c菌落的边缘检测:采用Canny边缘检测算法对上述二值化处理后的原始图片进行计算,得到边缘点的多个数组。
Canny边缘检测算法可以分为以下5个步骤:
1)使用高斯滤波器,以平滑图像,滤除噪声。
2)计算图像中每个像素点的梯度强度和方向。
3)应用非极大值(Non-Maximum Suppression)抑制,以消除边缘检测带来的杂散响应。
4)应用双阈值(Double-Threshold)检测来确定真实的和潜在的边缘。
5)通过抑制孤立的弱边缘最终完成边缘检测。
通过3x3的高斯卷积核进行高斯滤波,使边缘检测的定位误差少,减少菌落数量比较多比较密集时识别的误差。
若图像中一个3x3的窗口为A,要滤波的像素点为e,则经过高斯滤波之后,像素点e的亮度值为:
其中*为卷积符号,sum表示矩阵中所有元素相加求和。
图像中的边缘可以指向各个方向,因此Canny算法使用四个算子来检测图像中的水平、垂直和对角边缘。边缘检测的算子返回水平Gx和垂直Gy方向的一阶导数值,由此便可以确定像素点的梯度G和方向theta。
θ=arc tan(Gy/Gx)
其中G为梯度强度,theta表示梯度方向,arctan为反正切函数。
非极大值抑制是一种边缘稀疏技术,非极大值抑制的作用在于“瘦”边。对图像进行梯度计算后,仅仅基于梯度值提取的边缘仍然很模糊。对于标准3,对边缘有且应当只有一个准确的响应。而非极大值抑制则可以帮助将局部最大值之外的所有梯度值抑制为0,对梯度图像中每个像素进行非极大值抑制的算法是:
1)将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较。
2)如果当前像素的梯度强度与另外两个像素相比最大,则该像素点保留为边缘点,否则该像素点将被抑制。
在施加非极大值抑制之后,剩余的像素可以更准确地表示图像中的实际边缘。然而,仍然存在由于噪声和颜色变化引起的一些边缘像素。为了解决这些杂散响应,必须用弱梯度值过滤边缘像素,并保留具有高梯度值的边缘像素,可以通过选择高低阈值来实现。如果边缘像素的梯度值高于高阈值,则将其标记为强边缘像素;如果边缘像素的梯度值小于高阈值并且大于低阈值,则将其标记为弱边缘像素;如果边缘像素的梯度值小于低阈值,则会被抑制。阈值的选择取决于给定输入图像的内容。
被划分为强边缘的像素点已经被确定为边缘,因为它们是从图像中的真实边缘中提取出来的。然而,对于弱边缘像素,将会有一些争论,因为这些像素可以从真实边缘提取也可以是因噪声或颜色变化引起的。为了获得准确的结果,应该抑制由后者引起的弱边缘。通常,由真实边缘引起的弱边缘像素将连接到强边缘像素,而噪声响应未连接。为了跟踪边缘连接,通过查看弱边缘像素及其8个邻域像素,只要其中一个为强边缘像素,则该弱边缘点就可以保留为真实的边缘。
步骤d边缘点数组的合并:经过边缘检测,得到一系列边缘点的很多个数组,多个连续边缘点为一组,以每组连续边缘点模拟圆,获取一个逼近这些边缘点的最小圆,并且在其它边缘点数组中,查找也在这个圆的近似圆的边缘点数组,然后合并这些可以逼近一个圆的边缘点数组,最后得到一系列可以逼近一个圆的边缘点的数组。
步骤e过滤:通过上述合并后得到的边缘点的数组,通过这些边缘点计算该形状的面积大小、长宽比等,对于面积过小、或过大、或者长宽比不合理的,予以过滤,不考虑这些边缘点组成的形状。
步骤f菌落分布分析:对过滤后的所有菌落,逐个去逼近一个圆,取逼近圆的中心点,作为该菌落的位置基准点,取逼近圆的半径作为菌落大小的参考值,计算各个菌落在器皿中的位置、占据的空间。
步骤g区域分析:对整个器皿进行分区,划分成几个不同的圆,计算菌落中心点落在不同区域的数量、这些菌落的总面积等。
步骤h标志点分析:取所有菌落中,面积最大的若干个菌落,记录其位置、所落区间、面积等,作为标志点,增加不同器皿的识别能力。
步骤i特征码提取:将菌落分布、区域分析、标志点分析等得到的数值进行整理,组合成识别这个器皿的特征码,作为本次菌落计数有效与否的判断标识,由上位机或云平台进行判断处理。不同器皿、不同的检测,其位置分布、区域分布、标志点相同或接近相同的,概率上是极其低微的,这个信息在菌落计算的实际应用中,足以唯一标识每一次检测,以此形成的特征码上传至上位机或云平台后通过小量计算便能分析出雷同检测,避免了上位机或云平台大量图片比对运算。
以上仅就本发明较佳的实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例,其具体结构允许有变化,总之,凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (1)
1.一种全自动菌落计数***的全自动菌落计数方法,全自动菌落计数***包括:
图像采集模块,所述图像采集模块包括摄取培养皿原始图片的摄像头,所述原始图片发送至计算分析模块并由计算分析模块计算得出该原始图片的特征码;
计算分析模块,用于根据所述图像采集模块采集的原始图片进行处理分析得到所述特征码,所述特征码用于该原始图片的唯一标识;
数据发送模块,所述数据发送模块用于发送所述特征码和原始图片,与上位机或云平台进行数据交互;
上位机或云平台,用于与所述数据发送模块进行数据交互,对所述特征码和原始图片进行有效性分析和处理;
其特征在于:包括的步骤为:
(1),所述图像采集模块通过摄像头摄取培养皿的原始图片并将其发送至所述计算分析模块处理;
(2),所述计算分析模块对所述原始图片进行处理分析,得到该原始图片的特征码;
(3),所述数据发送模块将所述原始图片及其对应的特征码发送至上位机或云平台,由所述上位机或云平台读取该原始图片的菌落计数信息以及根据所述特征码判断本次检测信息的有效性;
上述步骤(2)中所述的处理分析包含若干个分步骤,依次包括步骤a 平滑处理、步骤b图像二值化处理、步骤c 菌落的边缘检测、步骤d 边缘点数组的合并、步骤e 过滤、步骤f菌落分布分析、步骤g 区域分析、步骤h 标志点分析和步骤i 特征码提取;
所述步骤a 平滑处理中,采用高斯滤波算法所述原始图片进行平滑处理;
所述步骤b 图像二值化处理中,对平滑处理后的原始图片,选取一个阈值进行二值化处理,再过滤掉小的黑点,然后查询最小圆的边缘,以确定器皿的摆放位置和大小;
所述步骤c 菌落的边缘检测中,采用Canny边缘检测算法对二值化处理后的原始图片进行计算,得到边缘点的多个数组;
所述步骤d 边缘点数组的合并中,经过步骤c得到一系列边缘点的很多个数组,多个连续边缘点为一组,以每组连续边缘点模拟圆,获取一个逼近这些边缘点的最小圆,并且在其它边缘点数组中,查找也在这个圆的近似圆的边缘点数组,然后合并这些可以逼近一个圆的边缘点数组,最后得到一系列可以逼近一个圆的边缘点的数组;
所述步骤e 过滤中,通过步骤d合并后得到的边缘点的数组,通过这些边缘点计算该形状的面积大小、长宽比;对于面积过小、或过大、或者长宽比不合理的,予以过滤,不考虑这些边缘点组成的形状;
所述步骤f 菌落分布分析中,对过滤后的所有菌落,逐个去逼近一个圆,取逼近圆的中心点,作为该菌落的位置基准点,取逼近圆的半径作为菌落大小的参考值,计算各个菌落在器皿中的位置、占据的空间;
所述步骤g 区域分析中,对整个器皿进行分区,划分成几个不同的圆,计算菌落中心点落在不同区域的数量、这些菌落的总面积;
所述步骤h 标志点分析中,取所有菌落中面积最大的若干个菌落,记录其位置、所落区间、面积作为标志点;
所述步骤i 特征码提取中,所述特征码包含了步骤f 菌落分布分析、步骤g 区域分析和步骤h 标志点分析的信息,作为本次菌落计数有效与否的判断标识;将菌落分布分析、区域分析、标志点分析得到的数值进行整理,组合成识别这个器皿的特征码,作为本次菌落计数有效与否的判断标识,由上位机或云平台进行判断处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910117333.5A CN109919863B (zh) | 2019-02-15 | 2019-02-15 | 一种全自动菌落计数仪、***及其菌落计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910117333.5A CN109919863B (zh) | 2019-02-15 | 2019-02-15 | 一种全自动菌落计数仪、***及其菌落计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919863A CN109919863A (zh) | 2019-06-21 |
CN109919863B true CN109919863B (zh) | 2023-06-20 |
Family
ID=66961656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910117333.5A Active CN109919863B (zh) | 2019-02-15 | 2019-02-15 | 一种全自动菌落计数仪、***及其菌落计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919863B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110265A (zh) * | 2021-05-26 | 2021-07-13 | 焦作大学 | 一种采用物联网的生物化工的发酵环境调节方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5481620A (en) * | 1991-09-27 | 1996-01-02 | E. I. Du Pont De Nemours And Company | Adaptive vision system |
US6002789A (en) * | 1997-06-24 | 1999-12-14 | Pilot Industries, Inc. | Bacteria colony counter and classifier |
JP2010068227A (ja) * | 2008-09-10 | 2010-03-25 | Ricoh Co Ltd | 画像処理装置および画像処理方法 |
CN102304472A (zh) * | 2011-05-18 | 2012-01-04 | 东华大学 | 一种快速检测痰涂片结核菌的装置与方法 |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
CN107316077A (zh) * | 2017-06-21 | 2017-11-03 | 上海交通大学 | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 |
CN107680129A (zh) * | 2017-09-11 | 2018-02-09 | 浙江大学 | 一种基于智能手机的便携式菌落自动计数装置及方法 |
-
2019
- 2019-02-15 CN CN201910117333.5A patent/CN109919863B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5481620A (en) * | 1991-09-27 | 1996-01-02 | E. I. Du Pont De Nemours And Company | Adaptive vision system |
US6002789A (en) * | 1997-06-24 | 1999-12-14 | Pilot Industries, Inc. | Bacteria colony counter and classifier |
JP2010068227A (ja) * | 2008-09-10 | 2010-03-25 | Ricoh Co Ltd | 画像処理装置および画像処理方法 |
CN102304472A (zh) * | 2011-05-18 | 2012-01-04 | 东华大学 | 一种快速检测痰涂片结核菌的装置与方法 |
CN104091179A (zh) * | 2014-07-01 | 2014-10-08 | 北京工业大学 | 小麦白粉病菌孢子图片的智能识别方法 |
CN107316077A (zh) * | 2017-06-21 | 2017-11-03 | 上海交通大学 | 一种基于图像分割及边缘检测的脂肪细胞自动计数方法 |
CN107680129A (zh) * | 2017-09-11 | 2018-02-09 | 浙江大学 | 一种基于智能手机的便携式菌落自动计数装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109919863A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636824B (zh) | 一种基于图像识别技术的多目标计数方法 | |
CN108846401A (zh) | 商品检测终端、方法、***以及计算机设备、可读介质 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测*** | |
CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN111027546B (zh) | 一种字符分割方法、装置以及计算机可读存储介质 | |
EP4071665A1 (en) | Character segmentation method and apparatus, and computer-readable storage medium | |
CN109145708A (zh) | 一种基于rgb和d信息融合的人流量统计方法 | |
CN110415208A (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及*** | |
CN111161295B (zh) | 一种菜品图像背景剥离方法 | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
CN112364865B (zh) | 一种复杂场景中运动小目标的检测方法 | |
CN111695373B (zh) | 斑马线的定位方法、***、介质及设备 | |
CN112069985A (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及*** | |
CN110458019B (zh) | 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法 | |
CN108171098A (zh) | 一种条码检测方法及设备 | |
CN115841633A (zh) | 一种电力塔和电力线关联矫正的电力塔和电力线检测方法 | |
CN113689365B (zh) | 一种基于Azure Kinect的目标跟踪定位方法 | |
CN109919863B (zh) | 一种全自动菌落计数仪、***及其菌落计数方法 | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
WO2024016632A1 (zh) | 亮点定位方法、亮点定位装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |