[发明专利]基于U2-Net和Resnet50的菌落图像自动计数方法

说明书

本发明公开了一种基于U2‑Net和Resnet50的菌落图像自动计数方法，其识别和计数的步骤为：(1)培养皿边缘分割，即使用U2net模型提取培养皿边缘，将提取的边缘和原图重合分离出培养皿中心培养基所在区域，作为ROI进行下一步处理；(2)菌落单元分割，即使用U2net模型对ROI区域进行菌落提取，菌落为前景，培养基区域为后景，将U2net的输出阈值分割得到菌落的mask，再经连通区域查找，每个连通区域作为一个菌落单元，进行旋转，统一规格后输入后续的步骤；(3)菌落单元计数，即对菌落单元使用ResNet50进行特征提取，根据提取的特征，输出菌落单元中包含的菌落数量。本发明不需要调节超参数即可有较高泛用性，即对于操作使用人员的依赖度更低，整个过程几乎不需要人工干预。

技术领域

本发明涉及一种基于U2-Net和Resnet50的菌落图像自动计数方法，属于生物检验技术领域。

背景技术

菌落计数以及菌种鉴定，是判断被检环境或产品中微生物含量或被污染程度的依据，在食品品质和卫生检验、水质空气分析、酸奶制品的检测、医院临床检验、化妆品检验和药品的质量检测、高校微生物实验教学等方面都有广泛应用。当前，国内各疾控食药监等检验检疫机构、本科院校教学科研实验室仍选择手工法对培养后的菌落进行计数，效率低下、错漏误记现场多发、原始记录难以保存等问题广泛存在。基于图像识别算法研究领域的最新进展，将其应用于菌落图像分析的领域成为可能，开发菌落计数软件能够辅助人工计数，显著推进微生物检验领域的发展。目前国内外在微生物平板培养基上培养后的菌落图像处理方面仍有不足。

在自动菌落计数软件的实现过程中，菌落图像分割是关键技术。图像分割，不仅仅包括菌落与背景的分割，还包括粘连菌落的分割。菌落与背景的分割一般基于阈值、边缘、聚类、区域、形态学、图论、特定理论等，可以通过边缘检测算法(Sobel、Canny、Prewitt等)、区域生长法和阈值分割法等直接进行分割，但这些算法不能直接运用于粘连菌落的计数。目前识别粘连菌落的方法主要有两大类，一种基于图像处理的算法主要包括分水岭算法，和基于凹点检测的算法等。但是传统的算法不适合形状不规则、目标大小差异过大、粘连数量较多的情况。另一种基于卷积神经网络深度学习的人工智能自适应性、自学习性更强，能提取更多的深层信息。基于卷积神经网络的深度学习架构是当下解决目标计数问题的一个较为先进的手段。不像传统算法需要运用复杂算法，直接将图片送入神经网络来进行的特征提取，可以大大的降低损失信息率，从而学习得到相比传统算法更多的特征，对于提升准确度意义重大。

发明内容

本发明的目的在于提供一种基于U2-Net和Resnet50的菌落图像自动计数方法，该方法首次用培养基区域的光强度矫正菌落区域的光强度值，并通过U2-Net网络用于培养皿边缘查找以及菌落和背景之间的分割，再通过Resnet50网络实现菌落特征提取和识别计数的图像处理技术和流程。

本发明采取的技术方案是:一种基于U2-Net和Resnet50的菌落图像自动计数方法，其包括如下步骤：

步骤一、图像获取，利用成像系统拍摄培养皿的实时图像；

步骤二、图像前处理，将拍摄得到的培养皿数据图，通过模糊去噪音、微分变换、阈值分割步骤，重新调整图像的吸光度；

步骤三、菌落识别和计数，该步骤过程为：

第一步，培养皿边缘分割，即使用U2net模型提取培养皿边缘，将提取的边缘和原图重合分离出培养皿中心培养基所在区域，作为ROI进行下一步处理；

第二步，菌落单元分割，即使用U2net模型对ROI区域进行菌落提取，菌落为前景，培养基区域为后景，将U2net的输出阈值分割得到菌落的mask，再经连通区域查找，每个连通区域作为一个菌落单元，进行旋转，统一规格成128*128*3图片输入后续的步骤；

第三步，菌落单元计数，即对于第二步的菌落单元，使用ResNet50进行特征提取，根据提取的特征，输出菌落单元中包含的菌落数量。