李艷肖，胡雪桃，張 芳，石吉勇※，邱白晶

基于高光譜技術(shù)的菌落圖像分割與計數(shù)

李艷肖1，胡雪桃1，張 芳2，石吉勇2※，邱白晶1

（1. 江蘇大學(xué)農(nóng)業(yè)裝備工程學(xué)院，鎮(zhèn)江 212013；2. 江蘇大學(xué)食品與生物工程學(xué)院，鎮(zhèn)江 212013）

在平板菌落計數(shù)過程中，菌落與背景區(qū)域類似的顏色會干擾菌落的準確計數(shù)。為了準確測定細菌數(shù)，該研究利用高光譜圖像技術(shù)捕捉成分差異引起的菌落與背景區(qū)域光譜特征，并結(jié)合化學(xué)計量學(xué)方法對平板的菌落進行分割并實現(xiàn)計數(shù)。采集枯草芽孢桿菌菌落平板的高光譜圖像，提取菌落、背景區(qū)域的高光譜信息；利用遺傳算法結(jié)合最小二乘支持向量機建立菌落區(qū)域/背景區(qū)域判別模型；隨后，將菌落平板高光譜圖像中每一個像素點對應(yīng)的光譜信息代入判別模型以判斷屬于菌落的區(qū)域，模型的識別率為97.22%；最后，利用特征波段下的高光譜圖像實現(xiàn)菌落的分割及計數(shù)，計數(shù)平均相對誤差值為4.2 %，用時約為10 min。相比較于計算機視覺計數(shù)法，菌落計數(shù)法的平均相對誤差降低了49.4%，結(jié)果表明建立的方法有望成為一類新的準確平板菌落計數(shù)方法。

圖像分割；遺傳算法；最小二乘支持向量機；高光譜圖像技術(shù)；平板菌落計數(shù)；化學(xué)計量學(xué)；枯草芽孢桿菌

0 引 言

平板菌落計數(shù)法可測定食品、農(nóng)產(chǎn)品的活體微生物數(shù)量，是有效評價食品微生物學(xué)安全性的國標方法[1]。該方法將食品樣品制成包含活體微生物的稀釋液并置于無菌的瓊脂培養(yǎng)基上，每個活體微生物均可借助吸收瓊脂中的營養(yǎng)物質(zhì)不斷繁殖形成菌落，依據(jù)菌落與背景（瓊脂培養(yǎng)基）的顏色差異對菌落進行分割并實現(xiàn)計數(shù)[2-3]。

現(xiàn)有的平板菌落計數(shù)方式可分為人工視覺法和計算機視覺法兩大類。人工視覺法利用肉眼（必要時借助放大鏡）感知菌落與背景的顏色差異來分割、識別平板中的菌落，借助記號筆或菌落計數(shù)器實現(xiàn)平板中菌落的計數(shù)[4-5]。人工視覺法具有結(jié)果準確的優(yōu)點，但是用眼強度大、菌落識別具有一定的主觀性[6]，難以實現(xiàn)大量樣本的快速計數(shù)。計算機視覺法利用相機獲取菌落與背景圖像信息，利用圖像處理算法捕捉菌落與背景的顏色差異特征，可自動分割平板中的菌落并實現(xiàn)計數(shù)[7-8]。在計算機視覺法基礎(chǔ)上發(fā)展了全自動菌落計數(shù)儀，可實現(xiàn)菌落的自動計數(shù)[9]。建立的檢測方法具有客觀、速度快的優(yōu)勢[10]，但菌落與背景顏色接近時圖像處理算法分割菌落的能力下降[11]，導(dǎo)致菌落的計數(shù)結(jié)果出現(xiàn)誤差。衛(wèi)生檢驗檢疫部門的實踐操作表明，當菌落與背景區(qū)域的顏色非常接近時，不僅計算機視覺法難以有效分割菌落，甚至人工視覺也經(jīng)常發(fā)生誤判[12]。為了提高菌落計數(shù)的準確度，學(xué)者提出了瓊脂培養(yǎng)基中添加菌落著色劑氯化三苯甲基四氮唑（Triphenyl Tetrazolium Chloride，TTC）的研究思路，研究結(jié)果表明TTC的加入可以增大菌落與背景區(qū)域的顏色差異[13-14]，從而提高菌落分割的準確度。但相關(guān)研究已證實TTC會抑制微生物的生長[4]，加入TTC與提高菌落計數(shù)準確度的初衷背道而馳。

本課題組研究發(fā)現(xiàn)引起菌落與背景產(chǎn)生顏色差異的根本原因在于二者的化學(xué)成分不一致[15]，因此擬從表征菌落區(qū)域與背景區(qū)域的成分存在差異這一角度出發(fā)，借助高光譜圖像數(shù)據(jù)包含像素點光譜信息的優(yōu)勢[16]，利用高光譜圖像技術(shù)捕捉菌落及背景區(qū)域因成分差異引起的光譜特征，并結(jié)合化學(xué)計量法對平板中的菌落進行分割及計數(shù)，期望得到一類新的平板菌落計數(shù)法，為食品、農(nóng)產(chǎn)品的微生物準確檢測提供切實有效的方法。

1 材料與方法

1.1 樣品的制備

將保藏于冰箱的枯草芽孢桿菌（）接種到LB（Luria-Bertani）液體培養(yǎng)基中，37℃恒溫培養(yǎng)24 h，鏡檢無雜菌后，用無菌水以10-2、10-3、10-4梯度稀釋涂布于LB固體培養(yǎng)基上[17]，在37 ℃恒溫培養(yǎng)箱培養(yǎng)24 h后取出立即進行高光譜圖像采集和菌落計數(shù)。為保證試驗數(shù)據(jù)的重現(xiàn)性，每個稀釋度做3個重復(fù)。

LB液體培養(yǎng)基配方為：無菌水1 000 mL，蛋白胨10.0 g，酵母粉5.0 g，葡萄糖5.0 g，氯化鈉10.0 g；LB固體培養(yǎng)基配方為：無菌水1 000 mL，蛋白胨10.0 g，酵母粉5.0 g，葡萄糖5.0 g，瓊脂粉20.0 g，氯化鈉10.0 g。2種培養(yǎng)基用5 mol/L的NaOH調(diào)pH值至7.0，在210 ℃高壓下蒸汽滅菌21 min。

1.2 高光譜圖像采集和光譜信息獲取

高光譜圖像采集系統(tǒng)如圖1所示[18]，主要由波長范圍為400～1 000 nm、光譜分辨率為2.8 nm的圖像光譜儀（V10E型，芬蘭ImSpector公司）和CCD攝像頭（Clara，英國Andor公司）、150 W光纖鹵素燈（Fiber-Lter DC950 型，美國DolanJenner公司）、精密電控平移臺（SC30021 A型，中國Zolix公司）和計算機等部件組成。高光譜圖像數(shù)據(jù)采集之前，需打開系統(tǒng)預(yù)熱30 min以上，預(yù)熱后設(shè)置高光譜系統(tǒng)采集的相關(guān)參數(shù)如電控平臺速度、相機曝光時間等；數(shù)據(jù)采集完成后，對采集到的光譜數(shù)據(jù)進行黑白校正；其中試驗參數(shù)設(shè)定、采集步驟及校正具體步驟參照Zhu等人建立的方法[19]。

圖1 高光譜圖像采集系統(tǒng)

本文使用ENVI軟件從36個菌落平板高光譜圖像中提取36條菌落光譜、36條培養(yǎng)基光譜和36條培養(yǎng)皿邊緣的高光譜信息。首先在每個平板菌落圖像中隨機選擇5個菌落感興趣區(qū)域（大小為1×1像素的正方形），然后提取每個感興趣區(qū)域內(nèi)光譜信息，最后將5個區(qū)域的光譜取平均值，得到對應(yīng)的1條原始光譜，通過處理36個平板，共得到36條菌落光譜。同理，采集得到36條培養(yǎng)基光譜和36條培養(yǎng)皿邊緣光譜，共采集108條原始光譜。每條光譜數(shù)據(jù)包含618個波長下光譜信息，最終得到大小為108×618的原始光譜數(shù)據(jù)集，其中，108為數(shù)據(jù)的個數(shù)，即樣本數(shù)，618為每個數(shù)據(jù)包含的變量數(shù)。

1.3 菌落分割模型的建立

為了消除高光譜圖像采集中高頻隨機噪聲、基線漂移、樣本表面粗糙和光散射等帶來的不良影響，首先必須對培養(yǎng)基、培養(yǎng)皿邊緣和菌落的原始光譜進行預(yù)處理。標準正態(tài)變量變換（Standard Normal Variate Transformation，SNV）預(yù)處理可以使分散的光譜曲線集中，有效實現(xiàn)對基線的校正，減少樣本信號噪聲，提高信號的分辨率和靈敏度[20-21]。

為了初步探索菌落與非菌落之間光譜的差異性，研究利用主成分分析（Principal Component Analysis，PCA）對光譜進行聚類分析。根據(jù)物質(zhì)內(nèi)部基團對光能的吸收具有選擇性可知，并不是所有波長下的光譜都同物質(zhì)內(nèi)部成分高度相關(guān)，故需要對高光譜信息進行特征篩選。遺傳算法（Genetic Algorithms，GA）通過選擇、交換、突變等遺傳算子，隨著不斷的遺傳迭代，淘汰掉較差的變量，保留目標函數(shù)值較優(yōu)的變量，最終篩選出特征光譜信息用于建模[22]。本文采用偏最小二乘法（Partial Least Squares，PLS）的交叉驗證均方根誤差（Root Mean Square Error Cross Validation，RMSECV）作為評價個體波長優(yōu)勢的依據(jù)，用來判斷種群個體的優(yōu)劣程度。

本文利用GA選擇的特征變量建立GA-LS-SVM模型，用于菌落平板的菌落、培養(yǎng)基和培養(yǎng)皿邊緣的識別。最小二乘支持向量機（Least Square Support Vector Machine，LS-SVM）可以將多維的特征輸入映射到高維的核空間，使原來不可分的數(shù)據(jù)獲得新的特征后進行分類，很好地解決非線性分類問題[19]。試驗采集了108條光譜（培養(yǎng)基、培養(yǎng)皿邊緣和菌落的樣本光譜數(shù)都為36條），通過隨機分組將72條光譜作為校正集，余下的36條作為預(yù)測集。模型的優(yōu)劣以模型識別率為評價指標，模型識別率為菌落正確識別的概率，即正確識別的菌落數(shù)量/菌落總數(shù)。根據(jù)菌落區(qū)域和背景區(qū)域因成分差異引起的特征光譜建立其GA-LS-SVM判別模型，再利用該判別模型對高光譜圖像中每一像素點對應(yīng)的光譜信息進行判別，識別高光譜圖像中菌落區(qū)域和背景區(qū)域。

1.4 菌落計數(shù)

平板菌落計數(shù)的主要步驟分為高光譜圖像的獲取、菌落的分割、粘連菌落的分割以及菌落數(shù)的計算。高光譜圖像的獲取參照1.2節(jié)。獲取樣品的高光譜圖像后，將每個像素點的光譜信息代入菌落分割GA-LS-SVM模型中。當該像素點被識別為背景時，將該像素點的灰度值設(shè)為0，當該像素點被識別為菌落時，將像素點的灰度值設(shè)為1。經(jīng)過上述步驟后，得到菌落分割二值圖，實現(xiàn)待測培養(yǎng)平板高光譜圖像中菌落區(qū)域的判別和分割。

采用灰度閾值分割方法對特征波段下的高光譜菌落割圖像進行粘連菌落的分割，得到粘連菌落分割二值圖，菌落區(qū)域的灰度值為1，非菌落區(qū)域的灰度值為0。結(jié)合菌落分割二值圖和粘連菌落分割二值圖，若2張圖片的中像素點的灰度值都為1時，則該像素點的灰度值記為1，此時該像素點為菌落區(qū)域。若2張圖中像素點的灰度值不全為1時，該像素點的灰度值記為0，此時該像素點為背景區(qū)域。由此得到了最終菌落計數(shù)圖。

采用局部鄰域算法中的輪廓跟蹤算法對分割出的菌落最終計數(shù)圖進行計數(shù)[18,23]，對圖像進行掃描將此次標號改為其八連通域內(nèi)的最小標號，重復(fù)執(zhí)行此過程到不需要做標號標記為止。最終實現(xiàn)對培養(yǎng)平板中的枯草芽孢桿菌菌落計數(shù)。

為了評價建立的計數(shù)方法的可重復(fù)性，對7個菌落平板進行了菌落計數(shù)。為了驗證建立方法的準確性，利用人工視覺計數(shù)和計算機視覺計數(shù)驗證[1]。

2 結(jié)果與分析

2.1 高光譜信息與圖像信息的分析

高光譜圖像技術(shù)采集到的光譜信息主要呈現(xiàn)的是物質(zhì)內(nèi)部化學(xué)基團合頻和倍頻吸收情況[24]，而菌落和背景區(qū)域內(nèi)部化學(xué)組分差異會引起光譜響應(yīng)值的差異。枯草芽孢桿菌菌落、LB固體培養(yǎng)基和培養(yǎng)皿邊緣的感興趣區(qū)域及3種物質(zhì)的平均光譜曲線如圖2a所示，光譜曲線的波長范圍為431～963 nm，3種物質(zhì)的光譜曲線形狀及反射率值都存在很大的差異。利用3種物質(zhì)的特征光譜曲線，可以實現(xiàn)它們的準確區(qū)分。本文通過對菌落和背景區(qū)域的光譜信息進行主成分分析，來初步探索菌落和背景的光譜差異性。主成分分析可以在不降低光譜差異性的前提下，對光譜數(shù)據(jù)進行降維處理，將得到的主成分數(shù)據(jù)特征用散點圖表示，每一散點代表1條光譜（圖2b）[25]。由圖2b的菌落與背景二維主成分分析圖可以看出，利用第1主成分（the first Principal Component Analysis，PC1）和第2主成分（PC2）可以明顯的區(qū)分菌落和背景區(qū)域，有良好的聚類趨勢。PC1和PC2的貢獻率分別為81.05%和4.16%。以上結(jié)果表明利用高光譜信息可以對菌落與背景進行定性分類。

圖2 原始光譜曲線及其主成分分析圖

2.2 光譜的預(yù)處理

本試驗首先采用SNV方法對校正集原始光譜（24條菌落區(qū)域光譜、48條背景區(qū)域的光譜）進行處理，在后續(xù)試驗中，選用SNV預(yù)處理后的光譜數(shù)據(jù)進行分析和建模。在數(shù)據(jù)建模過程中，輸入的變量越少，建立的模型越穩(wěn)定性，魯棒性越好。因此本試驗采用GA進行特征波長篩選，以便簡化變量信息，在不損失有用光譜信息的前提下，最大程度地減少變量數(shù)。按照GA的取值規(guī)律，設(shè)定控制參數(shù)種群大小為108、遺傳迭代次數(shù)為200、染色體個數(shù)為50、基因交換概率為0.95、基因變異概率為0.01，來優(yōu)化遺傳算法。通過該優(yōu)化的遺傳算法，最終從全波段中篩選出能表征菌落和背景的11個特征波長，分別為604、636、790、799、748、683、492、437、558、470和928 nm。所篩選出的特征波長主要與枯草芽孢桿菌在生長繁殖過程分泌大量揮發(fā)性脂肪和胞外酶如蛋白酶、乙酸及丁酸等代謝物及培養(yǎng)基成分等中含氫基團C-H、O-H合頻和倍頻吸收有關(guān)。

2.3 菌落的分割

經(jīng)GA特征波長篩選后，模型自變量由全波段光譜數(shù)據(jù)的618個降至11個。將菌落區(qū)域和背景區(qū)域?qū)?yīng)11個特征波長下的光譜信息作為輸入變量，光譜種類（菌落或背景區(qū)域）為輸出變量，利用化學(xué)計量學(xué)方法GA-LS-SVM確立光譜信息和光譜種類的關(guān)系，得到菌落的判別模型GA-LS-SVM。LS-SVM建模過程中選擇徑向基函數(shù)（Radial Basis Function，RBF）為核函數(shù)，采用交叉驗證法與網(wǎng)格搜索法對RBF核參數(shù)的參數(shù)即正則化參數(shù)和對核參數(shù)2參數(shù)進行尋優(yōu)計算，尋優(yōu)過程由粗選和精選2個步驟組成[26]：粗選格點數(shù)10×10，搜索步長較大；精選格點數(shù)仍為10×10，在粗選基礎(chǔ)上，以較小步長更加細致地搜索，以定標集交互驗證均方根誤差（Root Mean Square Error of Cross Validation，RMSECV）最小為指標，確定最優(yōu)的（，2）組合。本文設(shè)定10-2～102為參數(shù)的范圍進行網(wǎng)格搜索。經(jīng)處理得到模型最佳參數(shù)組合為2=78.48，=1 311.004，此時GA-LS-SVM模型預(yù)測集的正確識別率為97.22%（RMSECV最小值為0.488）。同時，利用全波長的光譜信息建立的LS-SVM模型預(yù)測集的正確識別率為94.44%。結(jié)果說明GA篩選出的11個特征波長包括菌落和背景區(qū)域的大部分光譜信息，可以利用該判別模型進行后續(xù)菌落的分割。

把菌落和背景區(qū)域在全變量下的高光譜圖像（圖3a）簡化為在特征波長下的圖像，逐一提取特征波長下待測培養(yǎng)平板中的高光譜圖像中每一像素點的高光譜信息，代入上述已建的GA-LS-SVM判別模型，對菌落平板中的每一像素點進行判別。當像素點灰度值為1時，像素點處被判別為菌落，同時，當像素點灰度值為0時，表明該位置為背景區(qū)域，最終實現(xiàn)待測培養(yǎng)平板高光譜圖像中菌落的判別和分割。由于高光譜圖像技術(shù)采集圖像信息時易受儀器及環(huán)境噪聲的影響，使得分割后的菌落區(qū)域圖像有少量雜散噪聲點[6]?？筛鶕?jù)先驗知識，人機交互設(shè)定1個閾值，統(tǒng)計噪聲點連通區(qū)域的面積，如面積小于設(shè)定的閾值，則認為是噪聲點，不予計數(shù)[18]。經(jīng)檢測本試驗菌落圖像上噪聲點像素面積小于6而菌落的像素點面積超過16，因此設(shè)定閾值為6可去除噪聲點的干擾。得到菌落圖像分割二值圖（圖3b）。圖3b是利用菌落識別方法對平板的菌落進行了分割，此時只是將菌落從背景中分離出來，有些菌落之間存在明顯的粘連，粘連菌落的存在往往導(dǎo)致計數(shù)結(jié)果小于實際的菌落數(shù)，利用此圖無法對準確計算菌落數(shù)量。因此有必要對粘連的菌落進行分割并計數(shù)。

圖3 高光譜圖像菌落分割結(jié)果

2.4 粘連菌落的分割

針對特征波長下高光譜圖像中粘連菌落不同部位的像素點灰度值存在較大差異的特點，本文提出采用灰度閾值分割方法實現(xiàn)粘連菌落的分割[26]。對貢獻率最大的波長（604 nm）圖像進行粘連菌落處理，來實現(xiàn)粘連菌落的分割，得到了粘連菌落分割二值圖。具體的操作過程為：從枯草芽孢桿菌在604 nm下的高光譜圖像的偽彩色圖（圖4a）可以看出，單一菌落顏色從中心到邊緣依次呈紅色、黃色、天藍色以及藍色且呈圓圈型變化。對圖4a進行三維圖形等高線處理，以像素點顏色灰度表示等高線的大?。▓D4b），并放大粘連菌落的三維圖形（圖4c）。根據(jù)顏色標尺，每個菌落中心點到邊緣的灰度值由0.8逐漸減小為0.3。對于粘連菌落，粘連菌落有2個中心點，2個中心呈紅色，由中心向邊緣延伸時，粘連菌落還有黃色（灰度值約為0.5～0.6）和天藍色（灰度值約為0.4～0.5）。圖4c可觀察到粘連菌落有2個明顯的峰，頂部的顏色仍為紅色，菌落粘連處不僅有黃色（灰度值高于0.5），還有天藍色（灰度值低于0.5）。這說明該高光譜圖像粘連菌落區(qū)域的顏色特征和非粘連區(qū)域的顏色特征不同，2個菌落并未完全合并。因此將菌落粘連處的天藍色區(qū)域作為分割區(qū)域，將分割閾值設(shè)為0.5，分割后的粘連菌落如圖4d所示。

圖4 利用604 nm下的高光譜圖像特征分割粘連菌落的結(jié)果

經(jīng)過菌落分割和粘連菌落分割等步驟，得到最終菌落計數(shù)圖（圖5），實現(xiàn)了菌落的準確分割。

圖5 最終菌落計數(shù)圖

2.5 菌落計數(shù)

采用局部鄰域算法中的輪廓跟蹤算法對分割出的菌落最終計數(shù)圖進行計數(shù)[27]，最終實現(xiàn)培養(yǎng)平板中的枯草芽孢桿菌菌落計數(shù)，計數(shù)結(jié)果為48（圖5）。

枯草芽孢桿菌菌落形態(tài)呈圓形，其邊緣光滑，顏色為淺黃色，本研究培養(yǎng)的枯草芽孢桿菌菌落與典型菌落形態(tài)描述一致（圖6a）。針對本試驗枯草芽孢桿菌菌落的彩色圖像特點，本文分別采用人工視覺和計算機視覺技術(shù)對培養(yǎng)平板中的枯草芽孢桿菌菌落進行計數(shù)。利用人工視覺計數(shù)法計算的枯草芽孢桿菌菌落數(shù)為46（圖6a）。采用灰度閾值分割算法對菌落平板彩色圖像（圖6a）進行二值化處理，結(jié)果如圖6b所示。從圖6b可以看出，閾值分割法使一部分背景點錯分為菌落，特別是右上邊部分，菌落和背景連在一起，不利于后續(xù)的計數(shù)。再對圖6b進行處理，以便去除培養(yǎng)皿邊緣和分割粘連菌落等的影響，最終得到菌落圖像分割圖，如圖6c所示。從圖6c清晰地可以看到有粘連菌落沒能被成功分割開，有些菌落被分割成背景等，計算機視覺計數(shù)法計算該平板中菌落數(shù)為44（圖6c）。

注：圖b的橢圓區(qū)域為平板背景點錯分為菌落的區(qū)域，圖c的橢圓區(qū)域為沒能被成功分割開的粘連菌落區(qū)域。

利用提出的基于高光譜技術(shù)的平板菌落計數(shù)方法、基于計算機視覺技術(shù)的平板菌落計數(shù)方法和人工視覺計數(shù)法（國標法）分別對同一培養(yǎng)平板中枯草芽孢桿菌菌落進行計數(shù)，計數(shù)結(jié)果依次為48、44和46。為了驗證建立方法的準確度和可重復(fù)性，研究對7個菌落平板進行檢測。將人工視覺計數(shù)方法作為國家標準方法，高光譜圖像計數(shù)法的平均相對誤差值為4.2%，優(yōu)于計算機視覺技術(shù)計數(shù)結(jié)果（平均相對誤差值為8.3%），具體結(jié)果如表1所示。全自動菌落計數(shù)儀是在計算機視覺技術(shù)上發(fā)展起來的，主要利用圖像處理算法捕捉菌落與背景的顏色差異特征，自動分割平板中的菌落，從而實現(xiàn)計數(shù)，自動菌落計數(shù)的時間一般少于5 min，檢測結(jié)果精度與計算機視覺技術(shù)一致。對于本研究建立的方法，檢測平板菌落數(shù)的步驟主要包括高光譜圖像的獲取、菌落分割、粘連菌落分割和菌落數(shù)計算，耗費的時間分別為4、2、2和2 min，總耗時約為10 min。比自動菌落計數(shù)耗時長。但是其準確度卻大大提高，平均相對誤差降低了49.4%，結(jié)果表明，建立的計數(shù)方法有利于食品、農(nóng)產(chǎn)品中菌落數(shù)的準確檢測。

表1 3種計數(shù)方法的檢測結(jié)果

本研究以枯草芽孢桿菌菌落平板為實例，詳細介紹了基于高光譜技術(shù)的平板菌落計數(shù)方法，建立的方法只能用于實際樣品中枯草芽孢桿菌的菌落計數(shù)。若要檢測其他菌株菌落數(shù)，需要重新建立適用于目標菌株的計數(shù)方法，具體的方法可以參考本研究建立計數(shù)法的步驟?；旌暇昃淦桨逵嫈?shù)是當前研究的難點和熱點，當不能根據(jù)菌落形貌肉眼區(qū)別菌株類別時，利用人工視覺計數(shù)和計算機視覺計數(shù)法無法實現(xiàn)混合菌株平板中每種菌株菌落的計數(shù)。不同菌株菌落具有不同高光譜圖像信息，因此將高光譜圖像技術(shù)和菌落平板計數(shù)法結(jié)合對混合菌落平板進行計數(shù)是課題組接下來的研究目標。

3 結(jié) 論

本文利用高光譜圖像技術(shù)捕捉菌落與背景區(qū)域因成分差異引起的光譜特征，并結(jié)合化學(xué)計量法方法對平板中的菌落進行分割并實現(xiàn)了計數(shù)。主要結(jié)論如下：

1）利用遺傳算法（Genetic Algorithms，GA）結(jié)合最小二乘支持向量機（Least Square Support Vector Machine，LS-SVM）建立了菌落區(qū)域和背景區(qū)域的判別模型，模型識別率為97.22%。

2）利用已建GA-LS-SVM判別模型實現(xiàn)了菌落與背景的分割，利用特征波段604 nm下的高光譜圖像實現(xiàn)了粘連菌落之間的分割，最終建立了基于高光譜技術(shù)的菌落計數(shù)方法。建立的菌落計數(shù)法平均相對誤差為4.2%，低于計算機視覺法的平均相對誤差（8.3%）。

3）建立的菌落計數(shù)法耗時約10 min，表明提出的菌落計數(shù)方法的有望成為一種新的平板菌落計數(shù)方法，為食品、農(nóng)產(chǎn)品中微生物數(shù)量的準確檢測提供技術(shù)支持。

[1] 國家食品藥品監(jiān)督管理總局,國家衛(wèi)生和計劃生育委員會.食品安全國家標準食品微生物學(xué)檢驗菌落總數(shù)測定：GB 4789.2-2016[S]. 北京：中國標準出版社，2016：1-5.

[2] 王忠東，于建煥. 食品衛(wèi)生微生物學(xué)檢驗菌落總數(shù)測定方法的效果分析[J]. 臨床醫(yī)藥文獻電子雜志，2015，2(20)：4285-4286.

Wang Zhongdong, Yu Jianhuang. The analysis of food hygiene microbiology method for determination of total number of bacterial colonies[J]. Journal of Clinical Medicine, 2015, 2(20): 4285-4286. (in Chinese with English abstract)

[3] 張哲，楊峰，李新圃，等. 基于 Photoshop 和計數(shù)軟件精準計數(shù)平板上菌落個數(shù)的新方法[J]. 微生物學(xué)通報，2016，43(7)：1646-1648.

Zhang Zhe, Yang Feng, Li Xinpu, et al. A new couting method for colonies on plating medium based on photoshop and counting software[J]. Microbiology China, 2016, 43(7): 1646-1648. (in Chinese with English abstract)

[4] Mati? T, Vidovi? I, Sila?i E, et al. Semi-automatic prototype system for bacterial colony counting[J]. 2016. International Conference on Smart Systems and Technologies (SST), 2016: 205-210.

[5] Cheong J S. Aerobic Bacterial, Coliform, Escherichia Coli, and Staphylococcus Aureus Counts of Randomly Selected Sstreet Foods in Kampar, Perak[D]. Sungai Long: UTAR, 2016.

[6] Yoon S C, Lawrence K C, Park B. Automatic counting and classification of bacterial colonies using hyperspectral imaging[J]. Food and Bioprocess Technology, 2015, 8(10): 2047-2065.

[7] Ferrari A, Lombardi S, Signoroni A. Bacterial colony counting with convolutional neural networks in digital microbiology imaging[J]. Pattern Recognition, 2017, 61: 629-640.

[8] Liu D, Wu X, Yang J, et al. Comparison of detection methods of total bacterial colonies in infant rice flour[J]. Journal of Food Safety and Quality, 2019, 9(23): 6090-6094.

[9] Choudhry P. High-throughput method for automated colony and cell counting by digital image analysis based on edge detection[J]. PloS One, 2016, 11(2): 0148469.

[10] 王振杰，孫曄，顧欣哲，等. 計算機視覺技術(shù)對食品腐敗檢測的研究進展[J]. 食品安全質(zhì)量檢測學(xué)報，2015，6(8)：2969-2975.

Wang Zhnejie, Sun Ye, Gu Xinzhe, et al. Research progress on computer vision for detection of food putrefaction[J]. Journal of Food Safety and Quality, 2015, 6(8): 2969-2975. (in Chinese with English abstract)

[11] Mao C, Yang Z, Sun X, et al. Fungus bacteria bag density detection system based on image processing Technology[M]. Data Processing Techniques and Applications for Cyber-Physical Systems (DPTA 2019): Advances in Intelligent Systems and Computing, Springer; 2020, 1163-1170.

[12] Mutimawurugo M, Wagara I, Muhinyuza J, et al. Virulence and characterization of isolates of potato bacterial wilt caused by Ralstonia solanacearum (Smith) in Rwanda[J]. African Journal of Agricultural Research. 2019, 14(6): 311-320.

[13] 李光澤. 食品微生物檢驗菌落總數(shù)測定方法的效果分析[J]. 中國衛(wèi)生產(chǎn)業(yè)，2016，13(1)：134-135.

Li Guangze. Analysis of the method for the determination of total number of colonies in food microbe test[J]. China Health Industry, 2016, 13(1): 134-135. (in Chinese with English abstract)

[14] Ren D, Chen P, Wang Y, et al. Research and application on the characteristics of compound cold water soluble gel in petrifilm aerobic count plates[J]. LWT-Food Science and Technology. 2017, 82: 335-341.

[15] 石吉勇，吳勝斌，鄒小波，等. 高光譜技術(shù)融合平板菌落法同步計數(shù)酸奶中益生菌[J]. 食品科學(xué)，2018，39(24)：16.

Shi Jiyong, Wu Shengbing, Zou Xiaobo, et al. A simultaneous counting method for total probiotics in yogurt with mixed strains based on hyperspectral imaging technology and plate colony method[J]. Food Science, 2018, 39(24): 16. (in Chinese with English abstract)

[16] 石吉勇，李文亭，胡雪桃，等. 基于葉綠素葉面分布特征的黃瓜氮鎂元素虧缺快速診斷[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(13)：170-176.

Shi Jiyong, Li Wenting, Hu Xuetao, et al. Diagnosis of nitrogen and magnesium deficiencies based on chlorophyll distribution features of cucumber leaf[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 170-176. (in Chinese with English abstract)

[17] 劉寶生，余占橋. 一株高度黏連的枯草芽孢桿菌的活菌計數(shù)[J]. 黑龍江畜牧獸醫(yī)，2011，381(9)：19-21.

Liu Baosheng, Yu Zhanqiao. A modified plate count for a strain of highly sticky Bacillus subtilis[J]. Heilongjiang Animal Husbandry and Veterinary Medicine, 2011, 381(9): 19-21. (in Chinese with English abstract)

[18] 董春旺，梁高震，安霆，等. 紅茶感官品質(zhì)及成分近紅外光譜快速檢測模型建立[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(24)：306-313.

Dong Chunwang, Liang Gaozhen, An Ting, et al. Near-infrared spectroscopy detection model for sensory quality and chemical constituents of black tea[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(24): 306-313. (in Chinese with English abstract)

[19] Zhu Y, Zou X, Shen T, et al. Determination of total acid content and moisture content during solid-state fermentation processes using hyperspectral imaging[J]. Journal of Food Engineering, 2016, 174: 75-84.

[20] 趙杰文. 食品、農(nóng)產(chǎn)品檢測中的數(shù)據(jù)處理和分析方法[M]. 北京：科學(xué)出版社，2012.

[21] 寧井銘，孫京京，朱小元，等. 基于圖像和光譜信息融合的紅茶萎凋程度量化判別[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(24)：303-308.

Ning Jingming, Sun Jingjing, Zhu Xiaoyuan, et al. Discriminant of withering quality of Keemun black tea based on information fusion of image and spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 303-308. (in Chinese with English abstract)

[22] 孫俊，靳海濤，蘆兵，等. 基于高光譜圖像及深度特征的大米蛋白質(zhì)含量預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(15)：295-303.

Sun Jun, Jin Haitao, Lu Bing, et al. Prediction model of rice protein content based on hyperspectral image and deep feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 295-303. (in Chinese with English abstract)

[23] 石吉勇，吳勝斌，鄒小波，等. 基于高光譜技術(shù)的酸奶中常見致病菌的快速鑒別及計數(shù)[J]. 光譜學(xué)與光譜分析，2019，39(4)：1186.

Shi Jiyong, Wu Shengbing, Zou Xiaobo, et al. Rapididentification and enumeration of common pathogens in yogurt using hyperspectral imaging[J]. Spectroscopy and Spectral Analysis, 2019, 39(4): 1186. (in Chinese with English abstract)

[24] Altuntas V, Altuntas S, Gok M. Automatic colony segmentation on agar surface by image processing[J]. NISCAIR-CSIR, 2018, 77(8): 451-456.

[25] 鄒小波，申婷婷，石吉勇，等. 基于高光譜圖像技術(shù)的固態(tài)發(fā)酵中芽孢桿菌的快速識別[J]. 現(xiàn)代食品科技，2016(4)：1-7.

Zou Xiaobo, Shen Tingting, Shi Jiyong, et.al. Quick identification of bacillus in the solid-state fermentation based on hyperspectral imaging technology[J]. Modern Food Science and Technology, 2016(4): 1-7. (in Chinese with English abstract)

[26] 胡雪桃，朱瑤迪，鄒小波，等. 近紅外光譜技術(shù)快速預(yù)測鎮(zhèn)江香醋乙醇脫氫酶活性的研究[J]. 中國調(diào)味品，2016，41(2)：20-25.

Hu Xuetao, Zhu Yaodi, Zou Xiaobo, et al. Research on alchol dehydrogenase activity of seed vinegar culture during solid-state fermentation of Zhenjiang aromatic vinegar[J]. China Condiment, 2016, 41(2): 20-25. (in Chinese with English abstract)

[27] Bonah E, Huang X, Aheto J H, et al. Application of hyperspectral imaging as a nondestructive technique for foodborne pathogen detection and characterization[J]. Foodborne Pathog Dis. 2019, 16(10): 712-22.

Colony image segmentation and counting based on hyperspectral technology

Li Yanxiao1, Hu Xuetao1, Zhang Fang2, Shi Jiyong2※, Qiu Baijing1

(1.,212013,; 2.,,212013,)

Colony plate counting methods as the national standard method are common and traditional for quantity inspection of living bacteria in food and agricultural products. The colonies are counted by manual counting and computer vision counting methods because of the color difference between colonies and background (such as medium and the edge of petri dish). However, colonies and background with similar color will interfere with the colony segmentation and lead to the deviation in counting results. Considering colonies and background have different spectral information resulting from different chemical compositions, hyperspectral imaging technology can be applied to colony segmentation and adherent colonies separation combined with chemostics. The segmentation method of colony and background, separated method of adherent colonies and calculation method of colony number were developed for colony counting. The hyperspectral images of() colony plate were acquired in the wavelengths from 431 to 963 nm. Spectral information of colonies and background (medium and the edge of petri dish) was extracted after preprocessing hyperspectral images. Genetic algorithms (GA) was used for processing spectral data and eleven characteristic wavelengths were selected (604, 636, 790, 799, 748, 683, 492, 437, 558, 470 and 928 nm). Genetic Algorithms least Square Support Vector Machine (GA-LS-SVM) model was established for distinguishing colonies and background by using the spectral information at the eleven characteristic wavelengths. The identification model with identification rate of 97.22% indicated that the colony and background could be successfully distinguished. The segmentation method of colony and background was developed. The spectral information of every pixel was extracted to identify whether it is colony or background by using the identification model. The binary image of colony segmentation was obtained through the spatial information in hyperspectral images. The location of colony was assigned as 1 and the location of background was assigned as 0, resulting in colony segmentation. The hyperspectral image at 604 nm was used for segmentation of adherent colonies to obtain binary image of adherent colonies segmentation. The segmentation threshold between background and colony was set as 0.5. The results demonstrated that the colonies were successfully segmented from background and adherent colonies could be accurately separated. Finally, the isolated colonies were counted by contour tracking algorithm after colony segmentation from background and adherent colonies separation. For application, acquisition of hyperspectral image, colony segmentation, adhesion colonies separation and colony number calculation were used forcolony counting of real samples. The time required by the developed method was about 10 min. Its average relative error of colony count was 4.2% with the manual counting method as the standard method. In addition, the colony plate counting was performed by using computer vision counting method. The average relative error of colony counting was 8.3% which was higher than the developed method. These results indicated that this method performed better than computer vision counting method though the consuming time was longer than that spent by the automatic colony counter. This method with high accuracy can become a novel plate colony counting method and provide technical support for the detection of microbial quantity in food and agricultural products.

image segmentation; genetic algorithms; least square support vector machine; hyperspectral imaging technology; colony counting; chemometrics;

李艷肖，胡雪桃，張芳，等. 基于高光譜技術(shù)的菌落圖像分割與計數(shù)[J]. 農(nóng)業(yè)工程學(xué)報，2020，36(20)：326-332.doi：10.11975/j.issn.1002-6819.2020.20.038 http://www.tcsae.org

Li Yanxiao, Hu Xuetao, Zhang Fang, et al. Colony image segmentation and counting based on hyperspectral technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(20): 326-332. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.20.038 http://www.tcsae.org

2020-08-04

2020-10-10

國家重點研發(fā)計劃（2016YFD0200708）；國家自然科學(xué)基金（61301239）；江蘇省現(xiàn)代農(nóng)業(yè)重點項目（BE2019359）

李艷肖，高級實驗師，主要從事農(nóng)產(chǎn)品快速檢測研究。Email：5983459@qq.com

石吉勇，教授，博士生導(dǎo)師，主要從事食品、農(nóng)產(chǎn)品快速無損檢測研究。Email：shi_jiyong@ujs.edu.cn

10.11975/j.issn.1002-6819.2020.20.038

O657.3

A

1002-6819(2020)-20-0326-07