一种基于人工神经网络的细菌生化鉴定系统及鉴定方法

专利名称：：一种基于人工神经网络的细菌生化鉴定系统及鉴定方法
技术领域：
：本发明涉及一种基于人工神经网络的细菌生化鉴定系统及鉴定方法，属于微生物鉴定
技术领域：
。
背景技术：
：近年来，世界范围内微生物引起的重大的食源性疾病爆发次数及规模都呈上升扩大之势。食物污染造成的疾病已经成为当今世界上最广泛的卫生问题，也是造成经济生产降低的主要原因之一。为防止食物中致病菌的污染，首先需要搞清楚食物中致病菌的种类。传统的鉴定依靠细菌培养、分离和生理生化等表型测定步骤，然后查找伯杰氏手册等权威细菌分类手册或检验标准。细菌表型特征不稳定，容易受培养物的接种量、接种时期、培养条件等内外因素的影响，极易导致鉴定结果的错误。与表型相比，细菌基因型较为稳定，也成为细菌鉴定的主要方法之一。但是基因型通常只能完成特定种的鉴定或细菌属的水平以上的分类，还无法准确完成种的水平的鉴定。随着计算机技术的发展，用计算机程序来分析细菌表型鉴定和基因型鉴定产生的大量数据成为可能。细菌表型鉴定的结果通常采用“数值鉴定”方法来处理，而细菌基因型鉴定的结果通常采用“序列比对”方法来处理。然而这些鉴定方法仍存在操作繁琐、结果不稳定、鉴定系统成本高、使用不灵活、分类计算方法存在缺陷等缺点，不能很好地满足基层微生物检测实验室的需要。人工神经网络(ArtificialNeuralNetwork,ANN)作为一种自适应的识别技术是模糊识别的一种应用。人工神经网络是模拟人脑生物过程的人工智能技术，是根据大脑神经元活动抽象出来的一种多层网络结构，是由大量的神经元大规模并行联结形成的复杂的非线性系统。人工神经网络是对大脑的简化、抽象和模拟，能模拟人脑的部分功能，具有人的记忆、辨识能力。这种技术把原来需要人主观识别的信息依靠神经网络记忆的事物内部的规律性挖掘出来，由神经网络做出判断，从而避免人主观判断带来的偏差。神经元生物学模型最早由心理学家McCulloch和数学家Pitts于1943年提出的，但是到了20世纪60年代到70年代，神经网络研究由于自身的一些缺陷陷于低潮。从20世纪80年代开始新的算法不断出现解决了神经网络固有的问题，神经网络理论步入飞速发展期，这期间提出的BP(Back—propagation)模型和Hopfield模型使得人工神经网络这一理论得到了空前的发展。目前，随着计算机技术迅猛发展功能日益强大，人工神经网络理论在数据挖掘、信号处理、目标跟踪、模式识别(包括语音和图像识别)、图像处理、预测、智能控制和虚拟现实等领域得到广泛应用。
发明内容本发明所要解决的技术问题是提供一种依据人工智能计算方法一人工神经网络(MATLAB),结合计算机图像识别和可视化分析技术，依靠生化项目为指标而开发的灵活、简便、高效、准确的细菌鉴定系统。为解决上述技术问题，本发明采用的技术方案是:一种基于人工神经网络的细菌生化鉴定系统，包括下列模块:概率人工神经网络处理器模块、数据库模块、人工输入模块、生化结果自动读取输入模块和结果输出显示模块；上述所述的细菌生化鉴定系统中以概率人工神经网络处理器模块为中心，数据库模块、人工输入模块、生化结果自动读取输入模块、结果输出显示模块分别都与之连接，其中数据库模块与之是双向连接。上述所述的细菌生化鉴定系统中，概率人工神经网络处理器模块是以人工神经网络工具箱和图形交互界面结合计算机等硬件的处理器。经过尝试多种神经网络结构，发现概率人工神经网络最适合于细菌分类，因此采用概率神经网络建立细菌鉴定系统。鉴定系统在人工神经网络中完成，设计图形用户界面(GraphicalUserInterface,⑶I)以方便生化结果的输入和鉴定结果的输出。此图形用户界面可以随MATLAB免安装程序一起运行，因此无需安装用户就可以在任意电脑上使用鉴定系统。在MATLAB中编辑⑶I，存储为“annbis.fig”。数据库模块中的信息由“分类单元”和“生化项目”构成，“分类单元”是指具有一系列生化特征的菌，一个分类单元多数情况下是一个种，也可能是一个属，或一个亚种。因此，严格的说，鉴定系统数据库模块是由各种分类单元而不是各种菌组成。根据数据库模块中每个分类单元计算判断细菌归属于哪些分类单元。所述的数据库模块中含有270个分类单元的20项生化项目呈阳性的生化结果概率，270个分类单元中具体包括285种菌，这20项生化项目是:β-半乳糖苷酶(0NPG)、精氨酸双水解酶(ADH)、赖氨酸脱羧酶(LDC)、鸟氨酸脱羧酶(0DC)、柠檬酸盐利用(CIT)、硫化氢产生(H2S)、尿素酶(URE)、吲哚(IND)、伏普试验(VP)、明胶液化(GEL)、甘露醇(MAN)、肌醇(ΙΝ0)、山梨醇(S0R)、鼠李糖(RHA)、蔗糖(SAC)、蜜二糖(MEL)、苦杏仁苷(AMY)、阿拉伯糖(ARA)、乳糖(LAC)、木糖(XYL)。270个分类单元中具体包括的285种菌的编号及其对应的20项生化项目呈阳性的生化结果概率见附录1和附录2。本发明收集整理的270个分类单元的20项生化试验项目的阳性概率数据来自鉴定手册和检测标准，如:《伯杰氏细菌鉴定手册》(第九版)、《伯杰氏细菌系统手册》(第二版)、《全国临床检验标准规程》(第三版)、《临床微生物学手册》(第七版)等。利用人工神经网络的图像识别和处理功能，开发对生化结果照片的读取、结果判别功能并整合到鉴定系统中作为生化结果自动读取模块，系统既接受人工输入模块手工输入的生化结果，也能通过生化结果自动读取输入模块自动读取培养后的鉴定卡结果。所述的细菌生化鉴定系统中，需要输入待检测菌的的生化项目的结果，结果输入选取采用滑动条的方式，滑动条滑向左侧表示生化结果“阴性”，滑动条滑向右侧表示生化结果“阳性”。20项生化项目可以任意选择其中几项输入，但是输入的项目数越多获得的鉴定结果越准确。“重置”按钮可以重置所有生化结果。在包含20项生化项目数据库模块的细菌生化鉴定系统中，配备有与生化结果自动读取输入模块配合使用的微量生化鉴定卡，以耐高温塑料为载体制作。微量生化鉴定卡满足如下条件:1体积小，体积小才能便于其应用于大量样本的检测。2方便使用，应该便于接种、培养和观察结果。3质量稳定，复现性好。4易于保存，应能长期保存保证其质量。制作方法如下:为满足上述要求，使用干粉培养基制作微量生化鉴定卡。制作塑料材质的固体载体，载体上有4*5个孔形杯，孔的直径为0.5cm。载体高压灭菌后备用。购买原料配制上述20种生化的液体培养基，高压灭菌后，每种培养基分别吸取30μL加入载体上的孔中。每个孔中对应的生化项目依次为:ONPG,ADH、LDC、ODC、CIT、H2S,URE、IND、VP、GEL、MAN、INO、SOR、RHA、SAC、MEL、AMY、ARA、LAC、XYL。将分装有培养液的载体冷冻干燥。待所有孔中培养基完全干燥后，用一次性无菌接种环将GEL反应孔中的培养基均匀推至孔的圆周处，使圆孔中央留空。鉴定卡放于无菌平皿密封后4°C保存备用。该系统中的网络构建原理是:假设有多个输入向量和对应的目标向量，每一个目标向量有两个要件，一个是I另一个是O。因此，每一个输入向量都有与它对应的要件。有一系列待鉴定的输入向量，通过第一层的概率矩阵，可以得到一组输入向量与概率矩阵中对应值相比较得到的几何距离。该设计中一个菌名可能对应很多个输入向量。得到的几何距离与权重相乘，与偏差相加减最终得到一组数据，最接近I的输出向量作为最终的输入向量输出的目标向量的要件。如果得到的目标向量有很多接近1，该数据经过竞争层得到最大值。即最终只选出一个目标向量为I的输入向量，通过该数值就可以对照概率矩阵得到最终的鉴定结果。一、概率人工神经网络处理器模块对应的鉴定编写计算程序如下:软件编程需在MATLAB程序中实现。在“Identify”按钮的响应程序中编写MATLAB程序，存储为“annbis.m”。20*285的概率矩阵存储到“P”变量中，代表285组20项生化的组合。285组分为270个分类单元，将285个分类单元编号(从I至270)存储在“ind”变量中。270个分类单元对应的菌的名称存储在“n270”变量中。将生化项目的名称存储在“B”变量中。20项生化的输入存储在“p_test”变量中，如果生化结果阳性就记作“1”，生化结果阴性就记作“0”，该项生化未做或结果不明显就记作“0.5”。若某项生化未做或结果不明确，就在输入向概率矩阵P和生化项目名称向量B中剔除相应位置的元素:fori=20:-l:1;ifp—test(i，I)==0.5;p(i，:)=[];p—test(i，:)=[];B(i)=[];end;end;用newprm建立概率人工神经网络。网络的距离函数釆用欧几里得距离。当输入p—test后，网络返回其所属分类单元的序号n—num。t—test=sim(net，p—test);n—num=vec2ind(t—test);在第一栏显示鉴定结果:set(handles.1Dresultj’String’，n270{n—num}，’FontAnglei，’Italic’);在第二栏显示结果评价:erl=sqrt(l);er2=sqrt(2);%距离小于I时认为是“好的鉴定”；距离小于1.414时认为是“可接受的鉴定”，距离大于1.414时认为是“可疑的鉴定”。ifmin(ds)<erlset(handles,evaluationresult,’String’，’GoodIdentification’);elseifmin(ds)<er2set(handles,evaluationresult,’String’，’AcceptableIdentification’);elseset(handles,evaluationresult,’String’，’DoubtableIdentification’);end在第三栏显示不符合的生化项目:n_ser=find(ds==min(ds));iflength(n_ser)>1%最小距离有不止一个时。conBio=[];nc=[];fori=l:length(n_ser)conBio=[conBio(p(:，n_ser(i))-0.5).*(p—test-0.5)];nc=[ncfind(conBio(i)〈0)];endnc=min(nc)else%最小距离只有一个时。conBio=(p(:，n_ser)_0.5).*(p—test—0.5);nc=find(conBio<0);endiflength(nc)==0set(handles.conBioresult，’String’，’none’);elseBnc=cel12mat(B(nc));set(handles.conBioresult,’String’，Bnc);end使用方法如下:在安装有MATLAB或存储有MATLAB免安装版的电脑上，将“annbis.fig”和“annbis.m”文件拷贝到默认文件夹下。然后在MATLAB中输入“annbis”，MATLAB就打开了用于鉴定的GUI。在⑶I的上半部分设定各项生化的结果，未做的生化项目保持滑块在中央位置不动。点击⑶I下半部分的“Identify”按钮，⑶I通过计算就显示了鉴定结果。二、20项生化项目数据库模块的细菌生化鉴定系统中生化结果自动读取输入模块的程序如下:首先编写“选择jpg文件”的响应函数:[filename,user—canceled]=imgetfiIe;%打开文件窗口。ifuser_canceIed==Oim=imread(filename);%选择jpg文件后，将其存储到im变量中。endset(handles,imreadresult,’String’，filename);[m，n，l]=size(im);%完成配套鉴定卡生化试验结果的读取:R=m/1194;r=round(10*R);fori=l:5X(i，l)=round(136*R);Y(i，I)=round(276*R+(i_l)*330.5*R);forj=2:5X(i，j)=X(i，I)+round(sin(j*pi/2)*r);Y(i，j)=Y(i，I)+round(-cos(j*pi/2)*r);endendfori=6:10X(i，I)=IOund(435*R);Y(i，I)=round(276*R+(i_6)*330.5*R);forj=2:5X(i，j)=X(i，I)+round(sin(j*pi/2)*r);Y(i，j)=Y(i，I)+round(-cos(j*pi/2)*r);endendfori=ll:15X(i，I)=IOund(739*R);Y(i,l)=round(276*R+(i_ll)*330.5*R);forj=2:5X(i，j)=X(i，I)+round(sin(j*pi/2)*r);Y(i，j)=Y(i，I)+round(-cos(j*pi/2)*r);endendfor1=16:20X(i，I)=IOund(1052*R);Y(i,I)=round(276*R+(i_16)*330.5*R);forj=2:5X(i，j)=X(i，I)+round(sin(j*pi/2)*r);Y(i，j)=Y(i，I)+round(-cos(j*pi/2)*r);endendA=[];B=[];C=[];fori=l:20forj=l:5A(i,j)=im(X(i,j)，Y(i,j)，I);B(i,j)=im(X(i,j)，Y(i，j)，2);C(i，j)=im(X(i,j)，Y(i，j)，3);endenda=round(mean(A，)，)；b=round(mean(B，)，)；c=round(mean(C，)，)；ifa(l)>128&b(l)>128&c(l)>128pa(1)=0;elsepa(1)=1;endfori=2:4ifa(i)>150&b(i)<90&c(i)<128pa(i)=l;elsepa(i)=0;endendifa(5)〈60&b(5)〈80&c(5)>50pa(5)=1;elsepa(5)=0;endifa(6)<60&b(6)<60&c(6)<60pm(6)=1;elsepa(6)=0;endifa(7)>150&b(7)<90&c(7)<128pa(7)=1;elsepa(7)=0;endfori=8:10ifa(i)>90&b(i)>90&c(i)>90pa(i)=0;elsepa(i)=l;endendfori=ll:20ifa(i)〈60&b(i)〈80&c(i)>50pa(i)=l;elsepa(i)=0;endendp_test=pa’;使用方法如下:在安装有MATLAB或存储有MATLAB免安装版的电脑上，将“annbis.fig”和“annbis.m”文件拷贝到默认文件夹下。然后在MATLAB中输入“annbis”并回车，随后鉴定⑶I自动打开。首先将接种培养后的鉴定系统配套鉴定卡、API20E、EnterotubeII或Micro-1D鉴定卡按要求添加反应试剂(例如:VP、IND需要添加反应试剂)，然后将鉴定卡平放在桌面，从正上方拍照，照片沿鉴定卡边线剪裁并存储为jpg文件。可以选用手工选取滑动块的输入方式，也可以选取自动读取结果的方式:在自动读取结果控件内，点击“选择jpg文件”按钮，从保存有jpg图片的文件夹内选取该文件后按窗口上的“打开”按钮。图片文件被自动存储到im变量中。点击此自动读取结果控件中的“鉴定”按钮，⑶I开始读取图片上的生化结果并将结果输入建立好的人工神经网络，最后输出鉴定结果。一种利用基于人工神经网络的细菌生化鉴定系统鉴定细菌的方法，所述细菌生化鉴定系统包括概率人工神经网络处理器模块和数据库模块，所述细菌鉴定方法包括下列步骤:待测菌的生化项目结果测定步骤；输入步骤，将待检测菌获得的各项生化结果概率值输入到基于人工神经网络的细囷生化鉴定系统中；数据处理步骤，概率人工神经网络处理器模块将输入的待测菌的生化项目结果与数据库模块中的信息进行处理匹配；上述鉴定细菌的方法中输入步骤包括人工输入和生化结果自动读取输入两种。待测菌的生化项目结果测定中使用与生化结果自动读取输入配合的微量生化鉴定卡，以耐高温塑料为载体制作，微量生化鉴定卡上有4*5个孔形杯，孔的直径为0.5cm，微量生化鉴定卡高压灭菌后备用，待测菌的生化项目测定在微量生化鉴定卡上完成，测定完成后从微量生化鉴定卡的正上方拍照，将拍的照片沿微量生化鉴定卡四周边缘裁剪，将裁剪好的照片导入到所述的细菌生化鉴定系统中，完成生化结果自动读取输入。本发明的有益效果是:1)鉴定原理更先进，使其具有传统鉴定系统无法比拟的应用潜力:可以实现一个分类单元对应多组生化结果。摆脱了传统鉴定系统数值分类要求各生化项目为“独立事件”的限制。依靠MATLAB强大的计算功能，编程简单，整合新数据或新指标都十分容易，还可以实现批处理，完成高通量鉴定。2)使用十分方便。3)成本低。4)数据库庞大。5)可以实现“多相”鉴定。6)结合可视化分析，使得结果输出更直观。传统的生化鉴定是微生物分类的基准方法，但是由于菌株性状不稳定或培养基质量问题往往导致实验结果不理想。分子鉴定虽然相比传统生化鉴定准确，但是16SrDNA数据库中细菌种类还不完全，16SrDNA全长序列所包含的信息还不足以将细菌鉴定到种的水平。本发明的鉴定系统将生化鉴定与分子鉴定相结合，充分发挥了传统生化鉴定和分子鉴定两种技术的优点。并且，本发明的鉴定原理还支持细菌脂肪酸或蛋白质组成等指标，如果建立数据库可以将这些指标弓I入鉴定系统。长期以来，细菌鉴定要么依靠商业化的细菌鉴定系统，要么配制生化培养基查鉴定手册进行传统生化鉴定。这两类方法都存在明显的缺点:1.商业化的细菌鉴定系统虽然准确，但是仪器和耗材成本高、数据库有局限性并且更新慢；2.传统生化鉴定方法的实用性不强。权威鉴定手册中的很多生化试验培养基是无法准确配制的，鉴定手册的应用性大打折扣。另外，一般情况下，鉴定获得的细菌生化结果与鉴定手册中的生化结果不会完全一致，判断细菌鉴定结果存在很大困难。这些因素都造成了目前细菌鉴定工作盲目和混乱的局面。本项目所开发的细菌鉴定系统的本质是把标准菌株生化试验结果、权威细菌鉴定手册等资料中的细菌生化鉴定特征以概率神经网络计算的方法表现出来，靠传统生化试验或商业化的鉴定条(或卡)获得生化结果，鉴定过程通过人工神经网络计算实现，避免了人为判断带来的误差和错误。另外在鉴定过程中整合了可以自动读取生化结果的功能，方便其应用；检测人员可以随意选择任意数量生化项目查看鉴定结果。这种随意组合生化的功能还使得生化鉴定过程变得简单和便宜，免除了细菌鉴定过程中查阅鉴定手册和参考资料的麻烦，不用购买商业化的鉴定软件或鉴定仪器就可以借用商业化的鉴定条或卡完成复杂的细菌生化鉴定。任意选择生化项目的功能使得鉴定时试验材料的选用变得非常灵活，使用者可以根据自身需求和所能承担的费用来选择自己配制培养基，还是使用商业化的鉴定条(或卡)，使食品微生物检测实验室在鉴定成本和鉴定准确性之间寻找到“平衡点”，在尽可能保证鉴定准确性的前提下尽量降低鉴定成本。说明书附1是本发明的结构示意图。图2是本发明的系统界面图。图3是阴沟肠杆菌在微量生化鉴定卡上反应的照片。图4是直接使用自动读取输入模块自动读取培养后的鉴定卡结果示意图。具体实施例方式实施例1如图1所示，一种基于人工神经网络的细菌生化鉴定系统，包括下列模块:概率人工神经网络处理器模块、数据库模块、人工输入模块、生化结果自动读取输入模块、结果输出显示模块；上述所述的细菌生化鉴定系统中以概率人工神经网络处理器模块为中心，数据库模块、人工输入模块、生化结果自动读取输入模块、结果输出显示模块分别都与之连接，其中数据库模块与之是双向连接。上述所述的细菌生化鉴定系统中，概率人工神经网络模块是以人工神经网络工具箱和图形交互界面结合计算机硬件的处理器；数据库模块中的信息由“分类单元”和“生化项目”构成，“分类单元”是指具有一系列生化特征的菌；利用人工神经网络的图像识别和处理功能，开发对生化结果照片的读取、结果判别功能并整合到鉴定系统中作为生化结果自动读取模块，系统既接受人工输入模块手工输入的生化结果，也能通过生化结果自动读取输入模块自动读取培养后的鉴定卡结果。数据库模块中含有270个分类单元20项生化项目呈阳性的生化结果概率，270个分类单元中具体包括285种菌，20项生化项目依次是:β-半乳糖苷酶(0NPG)、精氨酸双水解酶(ADH)、赖氨酸脱羧酶(LDC)、鸟氨酸脱羧酶(0DC)、柠檬酸盐利用(CIT)、硫化氢产生(H2S)、尿素酶(URE)、吲哚(IND)、伏普试验(VP)、明胶液化(GEL)、甘露醇(MAN)、肌醇(ΙΝ0)、山梨醇(S0R)、鼠李糖(RHA)、蔗糖(SAC)、蜜二糖(MEL)、苦杏仁苷(AMY)、阿拉伯糖(ARA)、乳糖(LAC)、木糖(XYL)。细菌生化鉴定系统配备有与生化结果自动读取输入模块配合使用的微量生化鉴定卡，以耐高温塑料为载体制作，微量生化鉴定卡上有4*5个孔形杯，孔的直径为0.5cm。一种利用基于人工神经网络的细菌生化鉴定系统鉴定细菌的方法，所述细菌生化鉴定系统包括概率人工神经网络处理器模块和数据库模块，所述细菌鉴定方法包括下列步骤:待测菌的生化项目结果测定步骤；输入步骤，将待检测菌获得的各项生化结果概率值输入到基于人工神经网络的细囷生化鉴定系统中；数据处理步骤，概率人工神经网络处理器模块将输入的待测菌的生化项目结果与数据库模块中的信息进行处理匹配；上述鉴定细菌的方法中输入步骤包括人工输入和生化结果自动读取输入两种。上述鉴定细菌的方法中包括在待测菌的生化项目结果测定中与生化结果自动读取输入配合使用的微量生化鉴定卡，以耐高温塑料为载体制作，微量生化鉴定卡上有4*5个孔形杯，孔的直径为0.5cm，微量生化鉴定卡高压灭菌后备用，待测菌的生化项目测定在微量生化鉴定卡上完成，测定完成后从微量生化鉴定卡的正上方拍照，将拍的照片沿微量生化鉴定卡四周边缘裁剪，将裁剪好的照片导入到所述的细菌生化鉴定系统中，完成生化结果自动读取输入。下面以阴沟肠杆菌的具体检测实例说明本系统的使用方法。以生化结果阳性就记作“1”，生化结果阴性就记作“O”为原则，通过实际实验检测得到阴沟肠杆菌的20项生化项目结果依次为:1、1、0、1、1、0、0、0、1、0、1、0、1、1、1、1、1、1、1、1。手工输入生化结果的阴性和阳性，点击鉴定，结果输出窗口即输出阴沟肠杆菌Enterobactercloacae。如果有其他生化结果需要鉴定，点击重置，即可重新输入结果。系统界面如图2所示。图3是阴沟肠杆菌在微量生化鉴定卡上反应的照片。选择自动读取模式，选择图3的照片输入,点击鉴定,结果输出窗口即输出阴沟肠杆菌Enterobactercloacae。系统界面如图4所示。实施例2下面以阴沟肠杆菌的具体检测实例说明本发明系统的检测流程。以生化结果阳性就记作“1”，生化结果阴性就记作“O”为原则，通过实际实验检测得到阴沟肠杆菌的20项生化项目结果依次为:1、1、0、1、1、0、0、0、1、0、1、0、1、1、1、1、1、1、1、1。具体程序如下:p=[];(说明:P后[]中为附表2中20项生化的阳性概率矩阵)>>t=ind2veC([]’)；(说明:t后[]中为附表I中285种菌的细菌编号)>>p=p’;[R,Q]=size(p);[S，Q]=size(t);>>p_test=[11011000101011111111]’;(说明:p_test后的[]中为阴沟肠杆菌的生化鉴定结果)>>dist(p’,p_test);>>netprod(dist(p，,p_test));>>t*radbas(netprod(dist(p，,p_test)));>>compet(t*radbas(netprod(dist(p',p_test),8.3255)))ans=(81,I)I通过查找细菌编号，81号即为阴沟肠杆菌。附270个分类单元中具体包括的285种菌的编号及其对应的20项生化项目呈阳性的生化结果概率:附表I权利要求1.一种基于人工神经网络的细菌生化鉴定系统，其特征在于，包括下列模块:概率人工神经网络处理器模块、数据库模块、人工输入模块、生化结果自动读取输入模块、结果输出显示模块；上述所述的细菌生化鉴定系统中以概率人工神经网络处理器模块为中心，数据库模块、人工输入模块、生化结果自动读取输入模块、结果输出显示模块分别都与之连接，其中数据库模块与之是双向连接；上述所述的细菌生化鉴定系统中，概率人工神经网络模块是以人工神经网络工具箱和图形交互界面结合计算机硬件的处理器；数据库模块中的信息由“分类单元”和“生化项目”构成，“分类单元”是指具有一系列生化特征的菌；利用人工神经网络的图像识别和处理功能，开发对生化结果照片的读取、结果判别功能并整合到鉴定系统中作为生化结果自动读取模块，系统既接受人工输入模块手工输入的生化结果，也能通过生化结果自动读取输入模块自动读取培养后的鉴定卡结果。2.根据权利要求1所述的细菌生化鉴定系统，其特征在于，数据库模块中含有270个分类单元20项生化项目呈阳性的生化结果概率，270个分类单元中具体包括285种菌，20项生化项目依次是:β-半乳糖苷酶(ONPG)、精氨酸双水解酶(ADH)、赖氨酸脱羧酶(LDC)、鸟氨酸脱羧酶(ODC)、柠檬酸盐利用(CIT)、硫化氢产生(H2S)、尿素酶(URE)、吲哚(IND)、伏普试验(VP)、明胶液化(GEL)、甘露醇(MAN)、肌醇(INO)、山梨醇(S0R)、鼠李糖(RHA)、蔗糖(SAC)、蜜二糖(MEL)、苦杏仁苷(AMY)、阿拉伯糖(ARA)、乳糖(LAC)、木糖(XYL)。3.根据权利要求1所述的细菌生化鉴定系统，其特征在于，细菌生化鉴定系统配备有与生化结果自动读取输入模块配合使用的微量生化鉴定卡，以耐高温塑料为载体制作，微量生化鉴定卡上有4*5个孔形杯，孔的直径为0.5cm。4.一种利用基于人工神经网络的细菌生化鉴定系统鉴定细菌的方法，所述细菌生化鉴定系统包括概率人工神经网络处理器模块和数据库模块，其特征在于，所述细菌鉴定方法包括下列步骤:待测菌的生化项目结果测定步骤；输入步骤，将待检测菌获得的各项生化结果概率值输入到基于人工神经网络的细菌生化鉴定系统中；数据处理步骤，概率人工神经网络处理器模块将输入的待测菌的生化项目结果与数据库模块中的信息进行处理匹配；结果输出显示步骤，将结果通过显示器显示出来。5.根据权利要求4所述的利用基于人工神经网络的细菌生化鉴定系统鉴定细菌的方法，其特征在于，输入步骤包括人工输入和生化结果自动读取输入两种。6.根据权利要求5所述的利用基于人工神经网络的细菌生化鉴定系统鉴定细菌的方法，其特征在于，待测菌的生化项目结果测定中使用与生化结果自动读取输入配合的微量生化鉴定卡，以耐高温塑料为载体制作，微量生化鉴定卡上有4*5个孔形杯，孔的直径为.0.5cm，微量生化鉴定卡高压灭菌后备用，待测菌的生化项目测定在微量生化鉴定卡上完成，测定完成后从微量生化鉴定卡的正上方拍照，将拍的照片沿微量生化鉴定卡四周边缘裁剪，将裁剪好的照片导入到所述的细菌生化鉴定系统中，完成生化结果自动读取输入。全文摘要本发明公开了一种基于人工神经网络的细菌生化鉴定系统及其鉴定细菌的方法，鉴定系统包括下列模块组成概率人工神经网络处理器模块、数据库模块、人工输入模块、生化结果自动读取输入模块、结果输出显示模块；上述所述的细菌生化鉴定系统以概率人工神经网络处理器模块为中心；鉴定方法包括下列步骤对样品进行任意数量的生化项目鉴定，将鉴定结果输入到所述细菌生化鉴定系统中，系统中的概率人工神经网络处理器模块会自动将结果与数据库中的数据信息进行匹配鉴定，并通过结果输出显示模块显示结果。本发明鉴定原理更先进，使用十分方便，成本低，结合可视化分析，使得结果输出更直观。文档编号C12Q1/04GK103224880SQ201310177669公开日2013年7月31日申请日期2013年5月14日优先权日2013年5月14日发明者贾俊涛,唐静,李正义,姜英辉申请人:山东出入境检验检疫局检验检疫技术中心