一种细菌识别定位系统的制作方法

本发明属于细菌识别定位，具体而言，涉及一种细菌识别定位系统。

背景技术：

1、细菌ai自动识别检测装置是一款全自动大通量智能化细菌识别挑取设备。主要为了解决传统细菌检验中耗费人力、工作周期长、工作效率低、误差大等问题。该系统集合仿真划线和自动传输大通量设计，利用微生物形态学和ai智能识别技术相结合，建立了十余种微生物菌落识别模型数据库。细菌ai自动识别检测装置能够有效的对食源性微生物和水污染微生物进行菌落识别和菌落计数，在菌样划线和菌落甄别等环节节省了大量人力和时间，可广泛应用于疾控中心、三方检测中心等所有配置微生物检验平台的单位。

2、图像处理是细菌识别和定位技术的基础，包括图像去噪、增强和目标检测等操作。近年来，针对细菌图像的特点和挑战，研究人员提出了各种图像处理方法和算法，以提高图像质量和准确性。特征提取是将细菌图像转化为可供分类和定位的特征向量的过程，常用的方法包括传统的形状、纹理和颜色特征提取，以及基于深度学习的卷积神经网络等方法。

3、机器学习在细菌识别和定位中扮演重要角色。传统的机器学习方法包括支持向量机、决策树和随机森林等。随着深度学习的兴起，基于卷积神经网络的方法在细菌识别和定位中取得了显著的成果。深度学习方法能够自动学习和提取图像中的特征，并通过端到端的训练来实现高精度的分类和定位。

4、细菌计数和定位是细菌识别技术中的关键任务之一。研究人员提出了多种方法来实现准确的细菌计数和定位，包括基于图像分析的算法、统计方法和基于深度学习的方法。这些方法通过对图像中细菌的分布、形态和特征进行分析和建模，实现了对细菌数量和位置的精确估计和定位。

5、近年来，细菌识别和定位技术的研究重点逐渐转向自动化和高通量分析。自动化的细菌识别系统能够自动处理大量的细菌样本图像，实现高效的细菌检测和定位。高通量分析则利用并行计算和分布式计算等技术，加快细菌识别和定位的速度，并实现大规模数据的分析和处理。细菌识别和定位技术在计算机视觉和机器学习领域取得了显著的发展。不断涌现的新算法和方法使得细菌识别和定位的准确性和效率得到了极大提升。

6、然而，传统方法仍然存在召回率低、对变形遮挡敏感以及特征表示不充分等问题。

技术实现思路

1、有鉴于此，本发明提供一种细菌识别定位系统，能够解决传统的细菌识别方法存在召回率低、对变形遮挡敏感以及特征表示不充分的问题。

2、本发明是这样实现的：

3、本发明提供一种细菌识别定位系统，其中，包括图像采集单元、图像处理单元、特征提取单元、分类器、计数单元以及位置定位单元，

4、所述图像采集单元用于获取细菌样本的图像；

5、所述图像处理单元用于对采集到的细菌样本的图像进行预处理；

6、所述特征提取单元用于利用先进的图像特征提取算法，提取采集到的细菌样本的图像的相关特征并转化为特征向量；

7、所述分类器用于根据输入的特征向量对不同类型的细菌进行识别；

8、所述计数单元用于利用图像分析算法和统计方法对细菌样本的图像中的细菌进行准确的计数；

9、所述位置定位单元用于根据细菌样本的图像中细菌的特征和位置信息，确定其在样本中的准确位置。

10、所述图像采集单元为摄像头或其他适当的图像采集设备。

11、在上述技术方案的基础上，本发明的一种细菌识别定位系统还可以做如下改进：

12、其中，所述图像处理单元用于对采集到的细菌图像进行预处理的具体步骤包括：

13、第一步，对所述采集到的细菌图像进行小波去噪；

14、第二步，对去噪后的图像进行直方图均衡化增强；

15、第三步，对增强后的图像进行目标检测。

16、进一步的，所述对所述采集到的细菌样本的图像进行小波去噪的具体步骤包括：

17、第一步，将所述采集到的细菌样本的图像经过小波变换，将其分解为低频部分和高频部分，其中所述低频部分包含所述采集到的细菌样本的图像的整体结构和低频细节，而所述高频部分包含所述采集到的细菌样本的图像的细节和噪声；

18、第二步，在所述高频区域中对高频小波系数通过软阈值处理进行去噪，抑制噪声较弱的高频小波系数，保留所述细菌样本的图像的细节；

19、第三步，去噪处理后，进行小波系数的重构，将保留的小波系数和所述低频部分的低频系数进行合成，得到去噪后的图像。

20、小波变换是一种多尺度分析方法。

21、设定所述采集到的细菌样本的图像为i，进行小波变换后得到其小波系数为c，其中c可以表示为：

22、c＝{ci，j}；

23、其中，i表示尺度，j表示位置，ci，j表示尺寸i和位置j处的小波系数。

24、软阈值处理表示为：

25、

26、其中，表示去噪后的小波系数，sign(ci，j)表示的符号函数，λ为一个阈值，用于控制去噪程度。

27、通过重构原始图像的小波系数，得到去噪后的图像id，重构可以表示为：

28、id＝inversewavelettransform(cd)；

29、其中，inversewavelettransform为小波逆变换操作，cd为去噪后的小波系数。

30、进一步的，所述对去噪后的图像进行直方图均衡化增强的具体步骤包括：

31、第一步，通过对对去噪后的图像进行灰度级的统计，计算图像的直方图；

32、第二步，根据所述图像的直方图，计算所述图像的累积分布函数，所述累计分布函数表示所述图像从最小灰度级到当前灰度级的像素数目累积和；

33、第三步，将所述累积分布函数归一化到灰度级范围内，对所述图像的每个像素进行灰度级映射，将其像素值映射到增强后的像素值，对所述图像进行均衡化增强。

34、图像的累积分布函数cdf通过以下公式表示：

35、

36、其中，cdf(k)表示灰度级k的累计分布函数值，hist(i)表示灰度级i的像素数量。

37、归一化的累积分布函数cdf公式为：

38、

39、其中，cdfnormalized(k)表示归一化的cdf值，m和n分别是图像的宽度和高度，l是图像的灰度级数，cdfmin是cdf的最小值，用于保证归一化后的cdf范围在0到l-1之间。

40、对原始图像中的每个像素进行灰度级映射的映射公式如下：

41、ienhanced(x，y)＝round(cdfnormalized(i(x，y)))；；

42、其中，ienhanced(x，y)表示增强后的图像像素值，i(x,y)表示原始图像的像素值，cdfnormalized(l(x，y))表示原始图像像素值对应的归一化的cdf值，round(·)表示四舍五入取整。

43、进一步的，所述特征提取单元利用先进的图像特征提取算法，提取采集到的细菌样本的图像的相关特征并转化为特征向量的具体步骤包括：

44、所述特征提取单元采用yolov5作为骨干提取特征，设计特征增强模块fem捕获更具辨别力的小目标特征，使用全局注意力和高级上下文信息来指导浅层、高分辨率的特征；

45、fem的计算过程如下：

46、

47、

48、其中，fint表示中间特征，fin为输入特征，fout为输出特征，ac表示通道注意力，表示空间注意力，表示元素乘法运算。

49、通道注意力ac和空间注意力as的描述如下：

50、ac(fin)＝σ(f(mlp(permutation(fin))))；

51、as(finy)＝σ(conv(conv(fint)))；

52、其中，mlp是一个感知器，σ是sigmoid函数，permutation用于转变特征维度，并保留跨维度信息。

53、所述yolov5的网络宽度参数为1，深度参数为1。

54、进一步的，所述特征提取单元中引入空间感知模块，所述空间感知模块sam用于过滤空间信息并增强特征的稳健性。

55、sam使用可变形卷积来自适应的学习目标大小以调整感受野。

56、

57、其中，k是卷积核的大小，wk为卷积核权重，pk为预定义的偏移量，y(p)为sam模块的输出特征。

58、进一步的，所述分类器根据输入的特征向量对不同类型的细菌进行识别的具体步骤包括：

59、第一步，对分类器进行训练；

60、第二步，通过训练好的分类器对每个检测到的细菌提取的特征向量进行归类，确定特定的细菌类别，对不同类型的细菌进行识别。

61、进一步的，所述对分类器进行训练的具体步骤包括：

62、第一步，准备一个标记了类别的训练集；

63、第二步，对于训练集中的每个样本(αi，labelj)，其中，αi是特征向量，labeli是其对应的真实类别标签，采用机器学习算法来学习分类器的参数，以最小化预测类别与真实类别之间的误差；

64、所述通过训练好的分类器对每个检测到的细菌提取的特征向量进行归类，确定特定的细菌类别，对不同类型的细菌进行识别的具体步骤包括：

65、第一步，在分类器训练完成后，对于新检测到的细菌，将其特征向量α输入到所述分类器中，得到对应的分类结果概率向量p；

66、第二步，根据所述概率向量选择概率最高的类别，将该细菌归类为概率最高的类别，实现对不同类型细菌的自动识别和分类。

67、进一步的，所述计数单元利用图像分析算法和统计方法对细菌样本的图像中的细菌进行准确的计数的具体方法包括基于阈值的方法和基于深度模型的方法，所述基于阈值的方法为通过设定一个适当的阈值来确定细菌样本的图像中的细菌是否计算该菌落；所述基于深度模型的方法为通过统计检测到的细菌边界框数量，完成细菌的计数；

68、基于阈值的计数方法公式如下：

69、

70、其中，e表示图像中菌落的评估指标。通过设定合适的阈值t，可以得到定位精确度更好的菌落。基于此，可以统计排名靠前的细菌的数量。

71、所述计数单元利用图像分析算法和统计方法对细菌样本的图像中的细菌进行准确的计数的具体步骤包括：

72、第一步，对细菌样本的图像中的细菌进行准确的计数；

73、第二步，将计数结果输出为数字形式，表示图像中的细菌数量。

74、将结果直接显示在界面上或导出为数据文件，方便后续的数据分析和处理，可以表示为：

75、bnum＝model(i)；

76、其中，i表示输入的图像，model(i)表示基于深度学习的模型对图像进行处理后得到的细菌数量。

77、进一步的，所述位置定位单元根据细菌样本的图像中细菌的特征和位置信息，确定其在样本中的准确位置的具体步骤包括：

78、第一步，从细菌样本的图像中细菌的特征和位置信息中提取每个细菌的边界框坐标信息；

79、边界框通常由左上角和右下角坐标表示，即(xleft，ytop)和(xright，ybottom)；

80、第二步，通过所述边界框坐标信息，计算每个细菌的中心坐标(xcenter，yrenter)；

81、

82、

83、计算每个细菌的边界框宽度w和高度h：

84、w＝xright-xleft；

85、h＝ybottom-ytop；

86、第三步，将所述细菌的中心坐标(xcenter，yrenter)和边界框的宽度w和高度h归一化到所述图像的尺寸(w，h)上，得到归一化坐标(x，y，wc，hc)；

87、

88、

89、

90、

91、第四步，将细菌在图像中的位置信息转换为归一化坐标，所述归一化坐标为相对于所述图像尺寸的百分比，在不同尺寸的所述图像上进行准确的细菌定位。

92、与现有技术相比较，本发明提供的一种细菌识别定位系统的有益效果是：本技术方案通过改进细菌识别方法，提高小目标的检测能力和召回率，能够准确地检测小尺寸或弱信号的细菌，并具备处理变形和遮挡物体的能力，提高对复杂场景下细菌的识别准确性和鲁棒性。本技术方案引入了动态调整网络深度和宽度的能力，使系统能够根据不同场景和细菌类型的需求进行灵活的优化和调整，具备较高的适应性，能够更好地适应不同细菌识别任务的要求。本技术方案通过引入fem、sam和全局注意力模块等改进，提升特征的表达能力和丰富性，能够更好地捕捉细菌的特征信息，同时通过引导上下文关系和全局关系，更准确地识别小目标和捕捉特征的全局信息。本技术方案通过改进的网络结构和特征融合方法，有效解决小目标信息丢失和多尺度特征不充分表达的问题，能够保留并准确检测小目标的关键信息，提高小目标检测的准确性和可靠性。本技术方案通过优化特征提取和注意力机制，降低背景干扰并提高特征质量，引入全局注意力模块和特征增强模块，能够捕捉更丰富的特征信息，减少与目标无关的区域，提高对小目标的识别和定位能力。

93、