一种基于深度卷积神经网络的菌落分割计数方法及系统与流程

技术特征：
1.一种基于深度卷积神经网络的菌落分割计数方法，其特征在于，包括以下步骤：在暗箱环境下，采集低噪声菌落图像数据，通过labelme软件进行修改并进行菌落标注，获取初始图像数据；基于mobilenetv2的基础模块，采用unet模型的跳跃连接方式，并在模型编码器的结尾添加一个aspp结构，构建多尺度聚合模型，所述多尺度聚合模型用于通过将高维度语义信息和低维度边缘信息进行结合，对所述初始图像数据进行菌落分割，获取菌落分割图像数据；通过适用性分水岭算法，对所述菌落分割图像数据进行处理后，采用四连通域检测的方式进行菌落计数。2.根据权利要求1所述一种基于深度卷积神经网络的菌落分割计数方法，其特征在于：在获取初始图像数据的过程中，对进行菌落标注的所述低噪声菌落图像数据，通过顶帽变换进行预处理，获取所述初始图像数据，用于实现对不同场景下背景的强鲁棒性。3.根据权利要求2所述一种基于深度卷积神经网络的菌落分割计数方法，其特征在于：在采用unet模型的跳跃连接方式的过程中，所述跳跃连接方式用于在模型解码器端和同尺度的编码器特征进行拼接，实现特征的结合和保留。4.根据权利要求3所述一种基于深度卷积神经网络的菌落分割计数方法，其特征在于：在模型编码器的结尾添加一个aspp结构的过程中，所述aspp结构用于获得单一特征层输出的多尺度特征以及降低池化层的层数。5.根据权利要求4所述一种基于深度卷积神经网络的菌落分割计数方法，其特征在于：在构建多尺度聚合模型的过程中，将级联分割网络模型融合到所述多尺度聚合模型中，用于实现所述多尺度聚合模型的精细化和轻量化。6.根据权利要求5所述一种基于深度卷积神经网络的菌落分割计数方法，其特征在于：在对所述初始图像数据进行菌落分割的过程中，基于欧几里得距离图的中心损失函数，通过计算前景点和背景点到边缘的欧几里得距离，作为损失函数的权重，同时分别使用两个参数控制其指数变换量，实现对中心点的加强识别。7.一种基于深度卷积神经网络的菌落分割计数系统，其特征在于，包括：图像采集模块，用于在暗箱环境下，采集低噪声菌落图像数据；数据预处理模块，用于通过labelme软件进行修改并进行菌落标注，获取初始图像数据；菌落分割模块，用于基于mobilenetv2的基础模块，采用unet模型的跳跃连接方式，并在模型编码器的结尾添加一个aspp结构，构建多尺度聚合模型，所述多尺度聚合模型用于通过将高维度语义信息和低维度边缘信息进行结合，对所述初始图像数据进行菌落分割，获取菌落分割图像数据；菌落技术模块，用于通过适用性分水岭算法，对所述菌落分割图像数据进行处理后，采用四连通域检测的方式进行菌落计数。8.根据权利要求7所述一种基于深度卷积神经网络的菌落分割计数系统，其特征在于：所述菌落分割计数系统，还包括：数据存储模块，用于存储所述低噪声菌落图像数据、所述初始图像数据、所述菌落分割图像数据、所述菌落计数的计数数据以及所述菌落分割计数系统产生的其他系统数据；
数据显示模块，用于显示所述初始图像数据以及在所述初始图像数据的当前显示界面上显示所述菌落分割图像数据和所述计数数据。

技术总结
本发明公开了一种基于深度卷积神经网络的菌落分割计数方法及系统，菌落分割计数方法包括以下步骤：在暗箱环境下，采集低噪声菌落图像数据，通过Labelme软件进行修改并进行菌落标注，获取初始图像数据；基于mobileNetv2的基础模块，采用UNet模型的跳跃连接方式，并在模型编码器的结尾添加一个ASPP结构，构建多尺度聚合模型，多尺度聚合模型用于通过将高维度语义信息和低维度边缘信息进行结合，对初始图像数据进行菌落分割，获取菌落分割图像数据；通过适用性分水岭算法，对菌落分割图像数据进行处理后，采用四连通域检测的方式进行菌落计数；本发明具有高自动化，高精度，高效率的自动化检测计数功能。化检测计数功能。化检测计数功能。


技术研发人员：谢锋 申鹰 李雨鑫 谭波 黄坤宁 付有亮 石姚金 何灏宇 杨久玲 周亚 李华东
受保护的技术使用者：贵州省分析测试研究院
技术研发日：2021.12.15
技术公布日：2022/3/18