OpenCV与AI深度学习 | 基于YOLOv8检测培养皿中细菌菌落

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：基于YOLOv8检测培养皿中细菌菌落

 在培养皿中寻找细菌菌落是药物制造过程中控制生产环境无菌性的常规方法。经过几次模型选择试验，我成功训练出一个 YOLOv8 模型，其准确率为 76%，召回率为 99%。这种性能足以满足药物制造的需求，目前唯一阻碍实际应用的因素是缺乏用于拍摄图像的自动硬件。

简 介

    在培养皿中发现细菌菌落是控制药物制造过程中无菌性的常规方法。将样品加入装有琼脂凝胶的培养皿中，然后将其放入培养箱中以促进细菌生长。此后约 2 周，技术人员每天检查培养皿，如果发现培养皿上有菌落，则记录下来。发现菌落会引发调查和纠正措施，因为这意味着样品或环境不无菌——这对制药制造业来说是一个大问题。这种测试非常主观，只是人类所说的他们所看到的，而技术人员的动机往往相互矛盾，因为他们是处理发现污染后果的人。

    制药公司可能有兴趣使用计算机视觉和机器学习来生成更客观的记录并做出更少偏见的决策。这是一个召回驱动问题的案例：遗漏受污染的盘子比将阴性盘子标记为“阳性”要糟糕得多。如果人工智能辅助识别出不少于 99% 的受污染盘子（召回率 >99%），人们可以考虑使用它。准确率不那么重要，因为所有阳性病例无论如何都会由人类专家审查。尽管如此，准确率应该保持在约 30% 以上，以确保提议的工具显著减少人工审查人员的工作量。

数 据

    该数据集包含 4421 张 3 通道图像 ~ 1500x1500 像素。371 张图像中有细菌菌落，4050 张没有。专家对每张图像进行了标记，给出了菌落数量。许多照片是同一块盘子，拍摄间隔约 24 小时，但许多盘子在数据集中出现过一次。该数据集是在欧洲一家生产放射性药物的工厂的日常运营过程中收集的，并以实物形式共享用于研究目的。

    该数据集的主要挑战在于大量与细菌无关的图像伪影：LED 反射、记号笔痕迹、胶带、琼脂裂缝等。其中许多特征看起来与细菌菌落相似。另一个挑战是菌落非常多样化，从几毫米宽的模糊点到几乎覆盖整个培养皿表面的团块。10 倍的类别不平衡也无济于事。