[发明专利]一种菌落的分类方法

说明书

本发明公开了一种菌落的分类方法，包括：将输入的菌落图像转化成灰度图像；对所述灰度图像进行局部阈值分割，把所述灰度图像大于对应局部阈值的像素，设置为1，并把所述灰度图像小于局部阈值的像素设置为0，以生成二值化图像；对所述二值化图像采用腐蚀膨胀操作，并进行形态学处理，去除噪点和毛刺；对所述二值化图像进行连通区域分析，以提取菌落连通区域，剔除非菌落区域；当所述菌落连通区域中包含的像素大于像素个数阈值T时，把所述二值化图像输入菌落分类网络或者根据菌落形态结构进行分类，得菌落分类结果，其中，所述菌落形态结构包括圆形菌落、椭圆菌落、黏连菌落或条形菌落。本发明具有提高了菌落分割与分类的精度等优点。

技术领域

本发明涉及菌落分割与分类的技术领域，尤其是涉及一种菌落的分类方法。

背景技术

目前，采用人工对菌落进行计数和识别，人工对菌落进行计数和识别的工作非常繁杂，并且无法保证计数和识别的精度。

如果采用传统方法对菌落进行分类，当传统方法对复合菌落进行分类时，传统方法的分类又表现得比较乏力，由于复合菌落中的菌落大小形状不一，且当存在菌落黏连的情况时，形成的黏连菌落更会存在各种形状；而传统的分类方法在复杂情况下鲁棒性差，无法达到较优的分类效果。

目前也有使用目标检测的方法对培养皿中的菌落进行检测，目标检测的方法只对圆形和椭圆形等特定形状的菌落且菌落分布较稀疏的情况，表现较优，当存在条形菌落，或者菌落黏连的情况时，检测框无法框住单一连通区域，在后续的菌落分类中则会产生较大影响，由于检测框是矩形框，黏连菌落形状不规则，用矩形框框到的区域，可能包含其他菌落；条形菌落也一样，如果是两个或多个条形菌落是倾斜的、紧邻的，则不能框住一个区域，可能同时框住多个菌落。则将框住的多个菌落送入分类网络进行分类，会对分类结果造成影响，对分类的准确率和召回率都会产生影响。

发明内容

为了提高菌落分割与分类的精度，本发明提供一种菌落的分类方法。

本发明提供一种菌落的分类方法，采用如下的技术方案：该分类方法包括以下步骤：

将输入的菌落图像转化成灰度图像；

对所述灰度图像进行局部阈值分割，把所述灰度图像大于对应局部阈值的像素，设置为1，并把所述灰度图像小于局部阈值的像素设置为0，以生成二值化图像；

对所述二值化图像采用腐蚀膨胀操作，并进行形态学处理，去除噪点和毛刺；

对所述二值化图像进行连通区域分析，以提取菌落连通区域，剔除非菌落区域；

当所述菌落连通区域中包含的像素大于像素个数阈值T时，把所述二值化图像输入菌落分类网络或者根据菌落形态结构进行分类，得菌落分类结果，其中，所述菌落形态结构包括圆形菌落、椭圆菌落、黏连菌落或条形菌落。

上述技术方案，是一种高效的菌落的分类方法，可以高效提取各种菌落，并根据需要对不同的菌落进行分类和统计计数，有效提高了菌落分类的精度。

本发明在一较佳示例中可以进一步配置为：当所述菌落分类网络为卷积神经网络时，所述卷积神经网络收集菌落数据，所述卷积神经网络具有残差网络结构，提取不同种类的菌落图像，统计不同种类的菌落数量，根据需求收集不同种类的菌落数据，将收集的菌落数据分为训练集、验证集和测试集，所述卷积神经网络通过所述训练集、验证集和测试集把菌落分类为圆形菌落、椭圆菌落、黏连菌落或条形菌落。

采用上述技术方案，基于局部阈值分割方法和卷积神经网络菌落分类方法的菌落图像分割分类框架，既可以达到较快的处理速度，也可以达到较优的效果。

本发明在一较佳示例中可以进一步配置为：所述卷积神经网络收集菌落数据，采用的卷积神经网络网络为残差网络结构，提取不同种类的菌落图像，统计不同种类的菌落数量，根据需求收集不同种类的菌落数据，并将收集的菌落数据分为训练集、验证集和测试集；把所述训练集和验证集归一化为固定大小，并送入预先设计好的卷积神经网络进行训练和验证，根据训练情况和模型在测试集的表现情况，选择最优模型。