[发明专利]一种基于深度学习的复杂背景菌落的测量方法

说明书

本发明公开了一种复杂背景下培养皿中菌落大小测量的方法，该方法包括如下步骤：利用设计的深度学习网络特征提取器对样本图像进行扩充，然后在应用设计的深度学习网络完成对培养皿中菌落尺寸的测量。本方法能对生物中培养皿中的菌落进行精确测量。首先通过视觉系统装置采集培养皿中菌落区域的图像，然后对菌落区域中的菌落尺寸进行测量：把采集的菌落样品通过设计的对抗网络模型中对菌落图像进行样本的扩增，并将对抗网络模型迁移到菌落区域中关键点的检测网络中，用于加强对关键点的检测能力。本发明能精确的测量多种大小的菌落尺寸，为生物中菌落的培养提供快速、准确的测量技术。

技术领域

本发明公开了基于机器视觉的测量领域中，涉及生物领域中关于菌落尺寸大小测量的方法。

背景技术

菌落总数的测定是医学、食品、农业等行业中普遍需要进行检测的项目之一，尤其在食品行业中，菌落总数是食品卫生质量必不可少的依据之一。目前食品中常用的菌落总数的方法有显色培养基法、电阻抗技术法等，都主要靠人工对菌落总数进行计算并测量，造成人工成本高，效率慢等问题。

发明内容

本发明针对现有菌落总数和测量方法的不足，提供了一种基于深度学习的复杂背景下菌落的测量方法。

本菌落的测试方法相对于现有的菌落总数计数和测量的方法，对菌落尺寸的测量具有很高的鲁棒性和精确性，同时也大大的减少对菌落样本数量的需求。该方法主要包括以下步骤：

步骤 1：菌落区域采集。利用视觉光路系统装置，对生物培养皿中的菌落区域进行拍摄，获取到菌落区域的图像样本。

步骤2：菌落样本的扩增。1）首先把采集的菌落图像进行归为集合A={a1,s2,…,an}，然后采集一些相近场景的图像归为集合B={b1,b2,…,bn}。2）构建对抗学习网络样本。随机从样本集合A和样本集合B中分别各取一张图像组成对抗学习样本组，输入到数据扩增的对抗网络中，设计的数据扩增的对抗网络包含一个生成器和两个辨别器，随机的结合生成器和判别器，并对其中一个判别器采用结构相似损失函数（如式1所示）进行调节，生成器是一个2K层网路，其中前K层中每层网路包含一个3x3的卷积层和1x1的卷积层，间隔两层包含一个Dropout层，并采用ELU进行激活，后K层网络进行升维，每层将前K层中每层所得到的特征层进行相加和相乘处理；两个判别器都是K+1层网路，其中一个判别器1采用残差网络结构的深度网络，且第K+1层为全连接网络层，另一个判别器2采用金字塔网络结构并与生成器中的前K层权值共享，且第K+1层为全连接网络层。3）菌落数据网络训练。首先保持生成器不变，对判别器1和判别器2进行训练，当判别器1和2 都收敛，然后在保持判别器1和判别器2不变，对生成器进行训练，当生成器网络收敛后，最后对生成器、判别器1和判别器2一起进行训练，当整体网络收敛后，生成大量菌落区域样本。

式1