View Project Presentation

Colony-Counter: 基于计算机视觉的自动化菌落计数研究

本项目针对生物、医学及食品安全领域的菌落计数痛点，开发了一套基于深度学习的目标检测系统。本项目对比了基于 CNN 的 YOLOv11 与基于 Transformer 的 RT-DETR 模型，实现了高精度、客观标准化的自动计数。

1. 项目背景与目标

• 痛点：传统人工目视计数耗时耗力、主观误差大且不可重复。
• 目标：利用计算机视觉技术实现高通量、高精度的自动化计数。
• 数据集：基于 AGAR Dataset，选取了 1900 张有菌样本和 200 张无菌样本进行训练与验证。

2. 算法与方法

数据预处理

• 自动化脚本：编写 data_prepare.py，实现 AGAR JSON 标签向 YOLO 格式（归一化坐标）的无损转换。
• 坐标转换公式： $$x_{center} = \frac{x_{tl} + w/2}{Img_Width}, \quad y_{center} = \frac{y_{tl} + h/2}{Img_Height}$$
• 数据增强：采用 Mosaic 增强（提高小目标敏感度）和 HSV 颜色空间调整。

模型选择

• YOLOv11n：代表经典的 CNN 架构，兼顾精度与推理速度。
• RT-DETR：引入 Transformer 的全局建模能力，优化密集场景下的重叠菌落识别。
• OpenCV：传统图像处理，体现深度学习的优势。

实验设计

• 5-Fold 交叉验证：将 2100 张样本分为 5 组，确保模型评估的严谨性和泛化能力。
• 硬件支持：利用 NVIDIA GeForce RTX 4060 GPU 进行训练优化。

3. 结果展示

核心指标对比

模型	mAP@0.5	MAE (平均计数误差)	训练速度
RT-DETR	0.9634	3.22	慢 (15s/epoch)
YOLOv11n	0.9024	7.57	快 (5s/epoch)

菌种特异性分析

菌种	实际总数	AI 计数	表现分析
大肠杆菌 (E.coli)	2085	2207	背景噪声干扰较多
枯草芽孢杆菌 (B.subtilis)	666	714	表现稳定，漏报极低
白色念珠菌 (C.albicans)	1897	1034	漏报率约 50%，颜色淡导致不敏感

4. 讨论与总结

• 优势：RT-DETR 在密集小目标场景下表现出极强的稳定性，MAE 远低于 YOLO。
• 局限性：对特征不明显的菌种（如白色念珠菌）及培养皿边缘的误报仍有改进空间。
• 未来方向：计划引入更精细的图像预处理算法（如直方图均衡化）以增强浅色菌落特征。

5. 项目文件说明

• core/data_prepare.py: 坐标转换与数据预处理脚本。
• core/train.py: 模型训练逻辑。
• results/: 存放混淆矩阵、F1 曲线及检测对比图。
• representation/: 包含本项目详细的 汇报 PDF。

---

本项目为《模式识别与机器学习》课程大作业成果。