CN111415709B - 菌落生长图像的预测方法、装置、电子设备及存储介质 - Google Patents

菌落生长图像的预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111415709B
CN111415709B CN202010182981.1A CN202010182981A CN111415709B CN 111415709 B CN111415709 B CN 111415709B CN 202010182981 A CN202010182981 A CN 202010182981A CN 111415709 B CN111415709 B CN 111415709B
Authority
CN
China
Prior art keywords
colony
image
generated
countermeasure network
training
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
Application number
CN202010182981.1A
Other languages
English (en)
Other versions
CN111415709A (zh
Inventor
厉刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Junlikang Biotechnology Co ltd
Original Assignee
Beijing Junlikang Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Junlikang Biotechnology Co ltd filed Critical Beijing Junlikang Biotechnology Co ltd
Priority to CN202010182981.1A priority Critical patent/CN111415709B/zh
Publication of CN111415709A publication Critical patent/CN111415709A/zh
Application granted granted Critical
Publication of CN111415709B publication Critical patent/CN111415709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明实施例公开了一种菌落生长图像的预测方法、装置、电子设备及存储介质，方法包括：将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像；其中，所述菌落生长图像为预测得到的所述预测时间点的菌落图像；所述神经网络模型通过生成式对抗网络训练得到。本发明实施例通过生成式对抗网络训练得到神经网络模型，基于菌落原始图像和预测时间点，预测得到预测时间点的菌落生长图像，由于生成式对抗网络采用了对抗训练方式，因此训练得到的神经网络模型能够对菌落的生长进行准确地预测。

Description

菌落生长图像的预测方法、装置、电子设备及存储介质
技术领域
本发明涉及计算机技术领域，具体涉及一种菌落生长图像的预测方法、装置、电子设备及存储介质。
背景技术
食品、药品、化妆品以及饲料等微生物检验中，涉及菌落总数、大肠菌群、大肠杆菌、乳酸菌等项目，在统计结果时均需进行大量的菌落分析和计数。菌落是指将细菌接种在固体培养基表面培养后，培养基表面长出的肉眼可见单个的细菌集团。对目标采样后生成的菌落数量进行计数，是相关领域内一项基本而重要的工作。菌落图像是指菌落在培养基上培养后，用工业相机对菌落拍摄形成的图像，以便于对菌落目标信息进行统计分析。
由于菌落的生长较为缓慢，同时需要不断地监测，以得到理想的菌落。但是菌落的生长受多种因素影响，现有技术采用人为经验进行预测，无法对菌落的生长进行准确地预测。
发明内容
由于现有方法存在上述问题，本发明实施例提出一种菌落生长图像的预测方法、装置、电子设备及存储介质。
第一方面，本发明实施例提出一种菌落生长图像的预测方法，包括：
将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像；
其中，所述菌落生长图像为预测得到的所述预测时间点的菌落图像；
所述神经网络模型通过生成式对抗网络训练得到。
可选地，所述将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像之前，还包括：
根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
对所述生成式对抗网络进行训练，得到所述神经网络模型。
可选地，所述根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络，具体包括：
对各菌落图像样本进行图像识别，得到各菌落图像样本的菌落基本属性和培养皿基属性；
根据各菌落图像样本的菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
其中，所述菌落基本属性包括以下至少一项：菌落大小、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度。
可选地，所述菌落生长图像的预测方法还包括：
对所述菌落生长图像进行图像识别，得到所述菌落生长图像中的菌落数量，以及各菌落的菌落位置和菌落基本属性。
可选地，所述环境信息包括以下至少一项：温度、ph值、亮度、湿度。
第二方面，本发明实施例还提出一种菌落生长图像的预测装置，包括：
模型预测模块，用于将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像；
其中，所述菌落生长图像为预测得到的所述预测时间点的菌落图像；
所述神经网络模型通过生成式对抗网络训练得到。
可选地，所述菌落生长图像的预测装置还包括：
对抗网络建立模块，用于根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
对抗网络训练模块，用于对所述生成式对抗网络进行训练，得到所述神经网络模型。
可选地，所述对抗网络建立模块具体用于：
对各菌落图像样本进行图像识别，得到各菌落图像样本的菌落基本属性和培养皿基属性；
根据各菌落图像样本的菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
其中，所述菌落基本属性包括以下至少一项：菌落大小、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度。
可选地，所述菌落生长图像的预测装置还包括：
图像识别模块，用于对所述菌落生长图像进行图像识别，得到所述菌落生长图像中的菌落数量，以及各菌落的菌落位置和菌落基本属性。
可选地，所述环境信息包括以下至少一项：温度、ph值、亮度、湿度。
第三方面，本发明实施例还提出一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。
第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述方法。
由上述技术方案可知，本发明实施例通过生成式对抗网络训练得到神经网络模型，基于菌落原始图像和预测时间点，预测得到预测时间点的菌落生长图像，由于生成式对抗网络采用了对抗训练方式，因此训练得到的神经网络模型能够对菌落的生长进行准确地预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种菌落生长图像的预测方法的流程示意图；
图2为本发明一实施例提供的一种菌落生长图像的预测装置的结构示意图；
图3为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种菌落生长图像的预测方法的流程示意图，包括：
S101、将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像；
其中，所述菌落原始图像为待预测的菌落图像。
所述预测时间点为对所述菌落原始图像进行预测得到的菌落生长图像所对应的时间点。
所述神经网络模型通过生成式对抗网络训练得到，用于对输入的菌落原始图像和预测时间点进行计算，输出菌落生长图像。
所述菌落生长图像为预测得到的所述预测时间点的菌落图像。
所述生成式对抗网络是一种深度学习模型，该模型通过至少两个子模型(生成子模型和判别子模型)之间的互相博弈学习产生不断优化的输出。
本实施例通过生成式对抗网络训练得到神经网络模型，基于菌落原始图像和预测时间点，预测得到预测时间点的菌落生长图像，由于生成式对抗网络采用了对抗训练方式，因此训练得到的神经网络模型能够对菌落的生长进行准确地预测。
进一步地，在上述方法实施例的基础上，S101之前，还包括：
根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
对所述生成式对抗网络进行训练，得到所述神经网络模型。
其中，所述菌落图像样本为进行生成式对抗网络训练所用的菌落图像的样本。
各菌落图像样本对应的时间点为当前菌落图像样本拍摄的时间点，方便按照时间线记录菌落的生长情况。
所述环境信息包括以下至少一项：温度、ph值、亮度、湿度。
具体地，在对所述生成式对抗网络进行训练之前，首先按照生命周期，将菌落训练样本的成长过程划分为50个序列图像，对每一组序列图像标记每一个状态的亮度、湿度、ph值、颜色等特征标签y；然后对所述生成式对抗网络进行训练的过程中，通过生成子模型根据训练图像中多种菌落的成长过程的形态变化序列图像，结合菌落基本参数以及前一幅图像的位置生成菌落图像，训练程序在特征标签的监督下，学习成长过程中的隐藏向量z与标签y间的关系；先通过一个独立的特征提取器模型y＝F(x)利用现有的带有标签的图像数据集(xreal,yreal)，之后将特征提取网络F与GAN的生成器G结合。完成后，可以预测合成图像xgen的特征标签ypred，从而在z和y之间建立起连接。进而可以训练一个回归模型y＝A(z)，来得出控制图像生成过程的所有特征轴。并通过判别子模型根据图像位置和对应序列号，对生成的菌落图像进行判别，交替多次迭代，得到逼真的虚拟菌落图像。
具体地，所述生成式对抗网络在训练过程中选择的相关参数如下：
学习分布：选择一个训练好的GAN模型和生成器网络，选的是pg-GAN，它能生成质量最高的图像。
分类：选择一个预训练特征提取模型(可以使一个卷积神经网络或其他计算机视觉模型)，或者用经过标记的数据集训练自己的特征提取网络。
生成：生成多个随机隐藏向量，将它们输入到训练过的GAN生成器中，生成合成图像，然后用一个训练过的特征提取器，为每张图像生成特征。
联系：用一个通用的线性模型(GLM)在隐藏向量和特征之间执行回归。回归斜率就是特征轴。
所述菌落基本参数包括菌落的颜色、形状、生长速度等，以生长速度为例，该参数可以与菌落尺寸相关联，对所述生成式对抗网络进行训练的过程中，可以根据序列图像，拟合出一个尺寸变化序列值。不同的菌落类别，其生长速度也不同；同时环境对菌落尺寸的变化也有影响，比如生成过程随机定一个温度，同时设置菌落生长系数与温度成一定比例，同样的亮度、湿度、ph值等参数也可以与生长速度建立加权系数，不断地进行迭代训练，最终得到所述生成式对抗网络。
进一步地，在上述方法实施例的基础上，所述根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络，具体包括：
对各菌落图像样本进行图像识别，得到各菌落图像样本的菌落基本属性和培养皿基属性；
根据各菌落图像样本的菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络。
其中，所述菌落基本属性包括以下至少一项：菌落大小、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度。
所述培养皿基属性为培养菌落所用的培养皿基的型号、大小等参数。
具体地，为了建立所述生成式对抗网络，需要丰富的菌落图像样本，以及详细的训练参数。通过对菌落图像样本进行图像识别，能够挖掘菌落图像样本对应的各菌落的菌落基本属性以及培养皿基属性，方便后续根据菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息进行不断训练，将不同的菌落相关参数作为生成式对抗网络的输入，菌落生长图像作为输出，并采用对抗的方式不断训练，得到训练效果满足要求的神经网络模型。
进一步地，在上述方法实施例的基础上，所述菌落生长图像的预测方法还包括：
对所述菌落生长图像进行图像识别，得到所述菌落生长图像中的菌落数量，以及各菌落的菌落位置和菌落基本属性。
其中，所述菌落生长图像中的菌落数量为所述菌落生长图像中的满足生长要求的菌落的个数。
各菌落的菌落位置为各菌落的中心在培养皿中的位置。
具体地，根据不同的培养皿基属性、不同时期的菌落图像样本以及各菌落图像样本的菌落基本属性，建立生成式对抗网络。设定网络训练及预测的各项参数，得到基于神经网络对抗生成的培养皿中的菌落生长图像，能够对菌落出现的位置、成长速度等情况进行有效监督，模拟出菌落生长的基本过程和形态，为建立快速菌落检测和识别的神经网络训练提供了有效的样本生成方法，可以用于基于神经网络的菌落检测和识别。
图2示出了本实施例提供的一种菌落生长图像的预测装置的结构示意图，所述装置包括：模型预测模块201，其中：
所述模型预测模块201用于将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像；
其中，所述菌落生长图像为预测得到的所述预测时间点的菌落图像；
所述神经网络模型通过生成式对抗网络训练得到。
本实施例通过生成式对抗网络训练得到神经网络模型，基于菌落原始图像和预测时间点，预测得到预测时间点的菌落生长图像，由于生成式对抗网络采用了对抗训练方式，因此训练得到的神经网络模型能够对菌落的生长进行准确地预测。
进一步地，在上述装置实施例的基础上，所述菌落生长图像的预测装置还包括：
对抗网络建立模块，用于根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
对抗网络训练模块，用于对所述生成式对抗网络进行训练，得到所述神经网络模型。
进一步地，在上述装置实施例的基础上，所述对抗网络建立模块具体用于：
对各菌落图像样本进行图像识别，得到各菌落图像样本的菌落基本属性和培养皿基属性；
根据各菌落图像样本的菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
其中，所述菌落基本属性包括以下至少一项：菌落大小、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度。
进一步地，在上述装置实施例的基础上，所述菌落生长图像的预测装置还包括：
图像识别模块，用于对所述菌落生长图像进行图像识别，得到所述菌落生长图像中的菌落数量，以及各菌落的菌落位置和菌落基本属性。
进一步地，在上述装置实施例的基础上，所述环境信息包括以下至少一项：温度、ph值、亮度、湿度。
本实施例所述的菌落生长图像的预测装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
参照图3，所述电子设备，包括：处理器(processor)301、存储器(memory)302和总线303；
其中，
所述处理器301和存储器302通过所述总线303完成相互间的通信；
所述处理器301用于调用所述存储器302中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种菌落生长图像的预测方法，其特征在于，包括：
将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像；
其中，所述菌落生长图像为预测得到的所述预测时间点的菌落图像；
所述神经网络模型通过生成式对抗网络训练得到；
所述将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像之前，还包括：
根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
对所述生成式对抗网络进行训练，得到所述神经网络模型，在训练所述生成式对抗网络过程中，将特征提取器模型与所述生成式对抗网络的生成子模型结合，用于预测所述生成子模型生成的合成图像的特征标签，将在训练所述生成式对抗网络之前对所述菌落图像样本标记的特征标签作为训练所述生成式对抗网络时的监督；
所述根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络，具体包括：
对各菌落图像样本进行图像识别，得到各菌落图像样本的菌落基本属性和培养皿基属性；
根据各菌落图像样本的菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
其中，所述菌落基本属性包括以下至少一项：菌落大小、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度。
2.根据权利要求1所述的菌落生长图像的预测方法，其特征在于，所述菌落生长图像的预测方法还包括：
对所述菌落生长图像进行图像识别，得到所述菌落生长图像中的菌落数量，以及各菌落的菌落位置和菌落基本属性。
3.根据权利要求1-2任一项所述的菌落生长图像的预测方法，其特征在于，所述环境信息包括以下至少一项：温度、ph值、亮度、湿度。
4.一种菌落生长图像的预测装置，其特征在于，包括：
模型预测模块，用于将当前的菌落原始图像和预测时间点输入神经网络模型，得到所述神经网络模型输出的菌落生长图像；
其中，所述菌落生长图像为预测得到的所述预测时间点的菌落图像；
所述神经网络模型通过生成式对抗网络训练得到；
所述菌落生长图像的预测装置还包括：
对抗网络建立模块，用于根据菌落图像样本以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
对抗网络训练模块，用于对所述生成式对抗网络进行训练，得到所述神经网络模型，在训练所述生成式对抗网络过程中，将特征提取器模型与所述生成式对抗网络的生成子模型结合，用于预测所述生成子模型生成的合成图像的特征标签，将在训练所述生成式对抗网络之前对所述菌落图像样本标记的特征标签作为训练所述生成式对抗网络时的监督；
所述对抗网络建立模块具体用于：
对各菌落图像样本进行图像识别，得到各菌落图像样本的菌落基本属性和培养皿基属性；
根据各菌落图像样本的菌落基本属性和培养皿基属性，以及各菌落图像样本对应的时间点和环境信息，建立所述生成式对抗网络；
其中，所述菌落基本属性包括以下至少一项：菌落大小、菌落颜色、菌落形状、菌落表面光滑度、菌落边缘整齐度。
5.根据权利要求4所述的菌落生长图像的预测装置，其特征在于，所述菌落生长图像的预测装置还包括：
图像识别模块，用于对所述菌落生长图像进行图像识别，得到所述菌落生长图像中的菌落数量，以及各菌落的菌落位置和菌落基本属性。
6.根据权利要求4-5任一项所述的菌落生长图像的预测装置，其特征在于，所述环境信息包括以下至少一项：温度、ph值、亮度、湿度。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至3任一所述的菌落生长图像的预测方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至3任一所述的菌落生长图像的预测方法。
CN202010182981.1A 2020-03-16 2020-03-16 菌落生长图像的预测方法、装置、电子设备及存储介质 Active CN111415709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010182981.1A CN111415709B (zh) 2020-03-16 2020-03-16 菌落生长图像的预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010182981.1A CN111415709B (zh) 2020-03-16 2020-03-16 菌落生长图像的预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111415709A CN111415709A (zh) 2020-07-14
CN111415709B true CN111415709B (zh) 2023-05-30

Family

ID=71493048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010182981.1A Active CN111415709B (zh) 2020-03-16 2020-03-16 菌落生长图像的预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111415709B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113088555A (zh) * 2021-04-26 2021-07-09 四川大学 基于机器学习模型的微生物菌落检验方法以及检验***
WO2023131932A1 (en) * 2022-01-10 2023-07-13 3M Innovative Properties Company Artificial intelligence techniques for generating a predicted future image of microorganism growth
CN117037152B (zh) * 2023-10-10 2024-01-05 江西农业大学 基于机器视觉的灰葡萄孢菌防效分析方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102676634A (zh) * 2012-05-05 2012-09-19 上海海洋大学 一种气调包装生鲜冷却牛肉腐败菌生长预测方法
CN103080331A (zh) * 2010-06-23 2013-05-01 株式会社N－Tech 微生物检测方法、微生物检测设备和程序
JP2016049055A (ja) * 2014-08-29 2016-04-11 株式会社エヌテック 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム
CN109657077A (zh) * 2018-10-31 2019-04-19 百度在线网络技术（北京）有限公司 模型训练方法、车道线生成方法、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103080331A (zh) * 2010-06-23 2013-05-01 株式会社N－Tech 微生物检测方法、微生物检测设备和程序
CN102676634A (zh) * 2012-05-05 2012-09-19 上海海洋大学 一种气调包装生鲜冷却牛肉腐败菌生长预测方法
JP2016049055A (ja) * 2014-08-29 2016-04-11 株式会社エヌテック 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム
CN109657077A (zh) * 2018-10-31 2019-04-19 百度在线网络技术（北京）有限公司 模型训练方法、车道线生成方法、设备及存储介质

Also Published As

Publication number Publication date
CN111415709A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111415709B (zh) 菌落生长图像的预测方法、装置、电子设备及存储介质
CN111414995B (zh) 小目标菌落的检测处理方法、装置、电子设备及介质
CN111241952B (zh) 一种离散制造场景中的强化学习奖励自学习方法
CN111402235B (zh) 菌落图像的生长记录方法、装置、电子设备及存储介质
Chu et al. Method of image segmentation based on fuzzy C-means clustering algorithm and artificial fish swarm algorithm
CN110097616B (zh) 一种联合绘画方法、装置、终端设备及可读存储介质
EP3955174A3 (en) Method, apparatus and storage medium for training a deep learning framework
Andersen et al. The dreaming variational autoencoder for reinforcement learning environments
Zhang et al. An improved discriminative model prediction approach to real-time tracking of objects with camera as sensors
Wu et al. Anticipating future relations via graph growing for action prediction
CN115829983A (zh) 一种基于知识蒸馏的高速工业场景视觉质量检测方法
CN108053418A (zh) 一种动物背景建模方法及装置
CN105528615B (zh) 行为数据的路径寻优方法
Ma et al. Feature distribution representation learning based on knowledge transfer for long-tailed classification
CN115690570B (zh) 一种基于st-gcn的鱼群摄食强度预测方法
CN111160170A (zh) 一种自学习的人体行为识别与异常检测方法
Barry Quantifying the branching frequency of virtual filamentous microbes using fractal analysis
Szeto et al. A dataset to evaluate the representations learned by video prediction models
Wang et al. Human–Machine Interactive Learning Method Based on Active Learning for Smart Workshop Dynamic Scheduling
Kaul et al. A survey on MR brain image segmentation using hybrid PSO and AFSA
CN109840552A (zh) 一种动态图像分类方法
Liu et al. The Guiding Role of Reward Based on Phased Goal in Reinforcement Learning
CN106911462A (zh) 基于基因表达式编程的无线路由器密码分析方法
Hernandez Model calibration: Global optimizer vs. neural network
Silva et al. A machine learning based image classification method to estimate fish sizes from images without a specified reference object

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