036]
[0037]其中，Ro为校正图像，R为原始图像，W为白板，D为黑板。
[0038]通过波段减法得到细菌菌落和背景培养基差别明显的灰度图像，在此基础上运用 大津阈值分割法将灰度图像二值化，得到原始图像的掩膜图像(图2)。通过掩膜图像中细菌 菌落所在位置提取原始图像中细菌菌落的光谱数据信息，如图3所示即为三种细菌菌落的 所有光谱。并将所有光谱分为校正集和预测集两部分，样本组成如表1所示。其中，校正集用 来建立模型，预测集则用来检验模型性能。
[0039]表1校正集和预测集样本
LUU…」 灶」座J 天ΤΜ??Ρ凼yOiPim、」土奴?Χ?厕取7」、一水方1」力 1J1矢生，逆r土奴H矢生 对预测样本预测的准确率。
[0042] 利用竞争性自适应重加权算法(CARS)、遗传算法(GA)和最小角回归算法(LARS-Lasso)三种波长选择方法对特征波长进行优选并建立对应简化模型，利用预测集检验简化 模型的性能。
[0043] 全波长模型及简化模型对预测集样本预测的准确率及其他性能如表2所示。
[0044] 表2基于不同波长选择方法的简化模型性能
[0045]
[0046] 从表2可知，全波长模型和简化模型对细菌分类的校正准确率和预测准确率均达 到了 100%，说明全波长模型和简化模型均能对样本进行很好的预测，但是在置信预测准确 率上其差别却较大。比较可知，CARS简化模型的性能比GA和LARS-Lasso简化模型好，且在模 型精度和简单度方面略优于全波长模型。
[0047] CARS简化模型对预测集样本的校正和预测结果：
[0048] 图4为建立CARS简化模型所用的30个波段，他们分别为415,444,446,453,454， 462,464,472,542,551，567,568,570,571，572,575,601，602,603,605,606,607,610,611， 625,631，698,744,864,872nm。
[0049] 图5表明在潜变量数取6时，模型剩余残差平方和最小，此时对应最优模型。
[0050] 图6是预测分类结果图，从图中可以看出，虽然该模型对预测样本的预测准确率达 到了 100%，但第16个样本(大肠杆菌)的预测置信区间超出了大肠杆菌的类别区间，即该细 菌虽然被正确分类，但其可信度并不是100%。经计算，预测集样本置信预测准确率为 97.96 %，具有较好的可信分类准确度。
[0051 ]由上可见，利用高光谱成像技术能实现培养基上细菌菌落快速准确的分类。
[0052]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人 员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型 也应视为本发明的保护范围。
【主权项】
1. 一种基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方法，其特征在 于，包含W下步骤：51. 进行细菌培养，获得细菌菌落培养基；52. 采集培养基上细菌菌落的高光谱图像，并对原始图像进行黑白文件校正处理；53. 利用图像处理技术获取校正图像的掩膜图像，并提取细菌菌落的光谱数据信息；54. 建立基于细菌类别和细菌光谱数据信息的全波长线性预测模型；55. 运用多种波长选择方法进行特征波长优选并建立相应简化模型；56. 利用上述全波长预测模型和简化模型分别对未知细菌样本进行预测。2. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤Sl中，所述的细菌菌落培养基为大肠杆菌培养基、李斯特菌培养基 和金黄色葡萄球菌培养基。3. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤S2中，所述高光谱图像为高光谱反射图像。4. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤S2中，利用如下公式对原始图像进行黑白文件校正处理：其中，Ro为校正图像，R为原始图像，W为白板，D是黑板。5. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤S3中，利用大津阔值分割法对校正图像进行二值分割W得到掩膜图 形，并利用掩膜图像中细菌菌落所在的位置定位校正高光谱图像中细菌菌落所在的位置， 从而提取出每个细菌菌落的光谱数据信息。6. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤S3中，提取光谱数据信息时对原始光谱进行了均值滤波。7. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤S4中，全波长线性预测模型为偏最小二乘判别模型。8. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤S5中，运用的多种波长选择方法为竞争性自适应重加权算法、遗传 算法和最小角回归算法。9. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的方 法，其特征在于，在步骤S5中，所述简化模型为W所选特征波长为自变量，W细菌种类为因 变量的偏最小二乘判别模型。10. 如权利要求1所述的基于高光谱成像技术对培养基上的细菌菌落进行快速分类的 方法，其特征在于，在步骤S6中，全波长预测模型及简化模型对未知细菌菌落预测性能好坏 的评价指标为决定系数、均方根误差、潜变量数、优选波长数、校正准确率、预测准确率和置 信预测准确率。
【专利摘要】本发明公开了一种对培养基上的细菌菌落进行快速分类的方法，利用高光谱成像系统采集培养基上细菌菌落的反射图像，该图像包含细菌菌落的光谱信息和图像信息，将高光谱反射图像经黑白文件校正后得到校正图像，运用图像处理技术对校正图像进行处理以获得原始高光谱图像的掩膜图像，利用掩膜图像中细菌菌落所在的位置提取每个细菌菌落的光谱数据信息，建立基于细菌类别和光谱数据信息的全波长线性预测模型，并运用该模型实现对未知细菌样本的种类预测。此外，本发明还运用多种波长选择方法对特征波长进行优选并建立对应简化模型，该简化模型也能对未知细菌样本种类进行预测。本发明实现了对培养基上细菌菌落高精度、快速、无损的识别检测和分类。
【IPC分类】G01N15/10
【公开号】CN105651679
【申请号】
【发明人】冯耀泽, 余伟, 陈伟, 彭宽宽, 穆渴心, 李骏杨
【申请人】华中农业大学
【公开日】2016年6月8日
【申请日】2016年2月4日