[發明專利]基于平皿實驗和深度學習的抑菌程度識別方法

有效

• 申請號: 201711190762.2
• 申請日: 2017-11-24
• 公開（公告）號: CN108090501B
• 公開（公告）日: 2020-08-18
• 發明（設計）人: 孫堅;李西明;翁佳林;劉雅紅;郭玉彬;崔澤華;廖曉萍;杜治國
• 申請（專利權）人: 華南農業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

1.基于平皿實驗和深度學習的抑菌程度識別方法，其特征在于，包括下述步驟：

S1、確定藥敏紙片位置：對原始圖像進行預處理，確定好藥敏紙片位置，便于測定其抑菌圈大小，并且切割成單個藥敏紙片圖像，作為深度學習模型的輸入；

S2、測定抑菌圈大小：所述抑菌圈的大小是平皿實驗中藥物對應的抑菌標準中需要用到的指標，采用圖像處理技術測定抑菌圈的直徑；

S3、構造樣本集：給深度學習模型構造帶標簽的樣本集，用于訓練模型；

S4、構建及訓練模型：構建能夠用來識別藥敏紙片的模型，并用訓練樣本集進行訓練；

S5、使用模型識別藥敏紙片：模型訓練完成之后的操作，此時模型可以接收訓練集以外的圖像，判斷其所屬的藥物種類；

S6、判定藥物的抑菌程度：通過模型識別出的藥物種類，從數據庫中查詢對應的抑菌標準，再確定抑菌圈的直徑屬于標準中的哪一個區間，從而得到藥物的抑菌程度。

2.根據權利要求1所述基于平皿實驗和深度學習的抑菌程度識別方法，其特征在于，步驟S1中，原始圖像包含一整個平皿，需要找到平皿中每個藥敏紙片的位置，才能進行后續相應的抑菌圈識別與紙片識別的操作，具體方法為：

首先，使用霍夫變換圖像處理技術找到藥敏紙片所在圓形區域，確定區域后，即可用作抑菌圈大小的識別；

其次，為了用模型識別紙片，還需要將這塊圓形區域切割下來，構成單個紙片圖像，作為模型的輸入，用于識別紙片。

3.根據權利要求1或2所述基于平皿實驗和深度學習的抑菌程度識別方法，其特征在于，所述藥敏紙片通過下述方法制作：

將藥物名稱按設定的間距行距印滿整張濾紙片，使得打孔器無論在濾紙片上哪個位置打孔，都能讓打下來的圓片包含整個藥物名稱。

4.根據權利要求1所述基于平皿實驗和深度學習的抑菌程度識別方法，其特征在于，步驟S2中，通過測定抑菌圈大小來數值化藥物的抑菌程度，所述測定抑菌圈大小具體為：

抑菌圈是以藥敏紙片為中心，故圓心已經確定，只需通過圖像處理技術掃描藥敏片周圍，得到抑菌圈的半徑即可。

5.根據權利要求1所述基于平皿實驗和深度學習的抑菌程度識別方法，其特征在于，步驟S3中，構造樣本集包括構造真實樣本集和模擬樣本集：

S3.1、真實樣本集：這里的樣本為真實拍攝下的圖像，只需人工標注紙片所屬藥物種類，樣本即可構造成功；

S3.2、模擬樣本集：由于藥敏紙片的制作方法已知，所以可在計算機上模擬出類似的藥敏紙片圖像，所述模擬樣本集用于以足夠大的樣本集幫助深度學習模型初步學習到紙片圖像的主要特征，之后再用數量較小的真實樣本集來幫助模型進一步挖掘紙片圖像的特征，并克服真實環境下的噪聲。

6.根據權利要求1所述基于平皿實驗和深度學習的抑菌程度識別方法，其特征在于，步驟S4中，構建模型包括下述內容：

基于遷移學習的思想，利用Google在ImageNet數據集上訓練好的Inception-v3模型，Inception-v3模型最后的全連接層輸出1000個節點，再經過Softmax層后，輸出ImageNet數據集中1000類樣本中每一類的概率，將模型遷移到渾濁度識別問題上，替換Inception-v3模型的最后一層全連接層與Softmax層，使新的全連接層的輸出節點為2，再經Softmax層后，能輸出渾濁與清澈分別的概率，而構建后的模型其他部分保持與原Inception-v3模型相同。