本發(fā)明涉及菌落識別，具體涉及一種基于菌落識別的數(shù)據(jù)交互方法及裝置。

背景技術(shù)：

1、微生物菌落的生長監(jiān)測是生物學(xué)研究中的一個重要環(huán)節(jié)，對于了解微生物特性、評估其在不同條件下的生長狀態(tài)至關(guān)重要。

2、傳統(tǒng)的菌落監(jiān)測方法通常依賴于人工觀察和記錄，這種方式不僅耗時費力，而且容易出現(xiàn)人為誤差，導(dǎo)致數(shù)據(jù)不準(zhǔn)確。

3、為了克服傳統(tǒng)的菌落檢測方法所對應(yīng)的問題，開發(fā)一些菌落檢測系統(tǒng)，通過菌落檢測姿態(tài)的設(shè)置實現(xiàn)對菌落的自動化圖像捕捉，但是這種系統(tǒng)依然存在一些不足之處：

4、1、大多數(shù)檢測系統(tǒng)通常采用定時拍照的方式來進(jìn)行菌落圖像的捕捉，由于無法根據(jù)菌落實際的生長變化情況進(jìn)行動態(tài)調(diào)整拍照頻率，導(dǎo)致獲取到的菌落圖像無法真實且準(zhǔn)確的反映菌落生長的關(guān)鍵時刻。

5、2、大多數(shù)的菌落檢測系統(tǒng)給予客戶的交互體驗感較差。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種基于菌落識別的數(shù)據(jù)交互方法及裝置，能夠?qū)崿F(xiàn)對菌落拍照頻率的合理化和科學(xué)化的同時提高客戶的交互體驗感。

2、為了達(dá)到上述目的，提供了一種基于菌落識別的數(shù)據(jù)交互方法，包括以下步驟：

3、s1、對當(dāng)前菌落生長數(shù)據(jù)進(jìn)行獲取，所述當(dāng)前菌落生長數(shù)據(jù)包括溫度、ph值、營養(yǎng)物質(zhì)濃度和氧氣水平數(shù)據(jù)；

4、s2、根據(jù)所述的當(dāng)前生長數(shù)據(jù)，基于預(yù)先構(gòu)建好的菌落數(shù)學(xué)生長模型，確定對應(yīng)的菌落拍照預(yù)測時間點，所述菌落拍照預(yù)測時間點為菌落生長過程的各個重要節(jié)點；

5、s3、根據(jù)對應(yīng)的菌落拍照預(yù)測時間點，對當(dāng)前菌落進(jìn)行拍照，生成對應(yīng)的當(dāng)前菌落圖像信息；

6、s4、根據(jù)當(dāng)前菌落圖像信息，識別出當(dāng)前菌落圖像信息中所對應(yīng)的菌落數(shù)目結(jié)果數(shù)據(jù)，形成對應(yīng)的菌落報告并上傳到服務(wù)端；

7、s5、接收外部客戶端所發(fā)送過來的http菌落數(shù)據(jù)請求；

8、s6、根據(jù)接收到的http菌落數(shù)據(jù)請求，從服務(wù)端上進(jìn)行對應(yīng)的菌落報告的調(diào)取并發(fā)送給外部客戶端。

9、本方案的技術(shù)原理及效果：在本方案中，首先對當(dāng)前菌落生長數(shù)據(jù)進(jìn)行獲取，其中就包括溫度、ph值、營養(yǎng)物質(zhì)濃度和氧氣水平數(shù)據(jù)，通過對當(dāng)前菌落生長數(shù)據(jù)的獲取可以很好的為后續(xù)的拍照預(yù)測時間點的預(yù)測可靠作為支撐。

10、然后基于預(yù)先構(gòu)建好的菌落數(shù)學(xué)生長模型，來對當(dāng)前生長數(shù)據(jù)所對應(yīng)的菌落拍照預(yù)測時間點進(jìn)行確定和預(yù)測，其中菌落拍照時間點為菌落生長過程的各個重要節(jié)點。在預(yù)測的時間點使用攝像頭捕捉菌落的圖像，這些圖像將用于后續(xù)的菌落數(shù)量評估。圖像采集是實現(xiàn)自動化評估的關(guān)鍵環(huán)節(jié)之一。根據(jù)當(dāng)前菌落圖像信息，識別出當(dāng)前菌落圖像信息中所對應(yīng)的菌落數(shù)目結(jié)果數(shù)據(jù)，形成對應(yīng)的菌落報告并上傳到服務(wù)端；用戶可以通過外部客戶端(如網(wǎng)頁或移動應(yīng)用)向服務(wù)器發(fā)送http請求，以獲取特定菌落的報告。服務(wù)器接收到請求后，從數(shù)據(jù)庫中檢索相應(yīng)的報告，并將其發(fā)送回客戶端供用戶查看。

11、1、通過預(yù)先構(gòu)建好的菌落數(shù)學(xué)生長模型可以準(zhǔn)確地確定菌落生長的重要時間節(jié)點，從而更有效地安排圖像采集，且在菌落拍照預(yù)測時間點，對當(dāng)前菌落進(jìn)行拍照所形成的當(dāng)前菌落圖像信息能夠真實且準(zhǔn)確的反映菌落生長的關(guān)鍵時刻，實現(xiàn)對菌落拍照頻率的合理化，解決了現(xiàn)有技術(shù)采用定時拍照的方式來進(jìn)行菌落圖像的捕捉時的拍照頻率固定導(dǎo)致的獲取到的菌落圖像無法真實且準(zhǔn)確的反映菌落生長的關(guān)鍵時刻的問題。

12、自動化流程顯著減少了人力成本，并且通過提高數(shù)據(jù)采集和分析的效率，縮短了研究周期。

13、2、用戶可以通過網(wǎng)絡(luò)隨時隨地訪問菌落生長的狀態(tài)報告，方便了數(shù)據(jù)的共享和管理，提高了客戶的交互體驗感。

14、進(jìn)一步，所述預(yù)先構(gòu)建好的菌落數(shù)學(xué)生長模型為：

15、

16、式中，n為菌落數(shù)目，t為時間，μ(t,ph,o2,y)為生長速率函數(shù)，t為溫度、ph為ph值、o2為氧氣濃度；μmax為最大生長速率，f(t)為溫度影響函數(shù)，g(ph)為ph值影響函數(shù)，h(o2)為氧氣濃度影響函數(shù)，topt為最適溫度，σt為溫度標(biāo)準(zhǔn)差，phopt為最適ph值，σph為ph值標(biāo)準(zhǔn)差，為最適氧氣濃度，為氧氣濃度標(biāo)準(zhǔn)差。

17、進(jìn)一步，所述s1之前還包括：

18、s010、對歷史菌落生長數(shù)據(jù)以及對應(yīng)的歷史菌落數(shù)目結(jié)果數(shù)據(jù)進(jìn)行獲?。?/p>

19、s011、構(gòu)建對應(yīng)的菌落數(shù)學(xué)生長模型；

20、s012、根據(jù)獲取到的歷史菌落生長數(shù)據(jù)以及對應(yīng)的歷史菌落數(shù)目結(jié)果數(shù)據(jù)，基于各自對應(yīng)的參數(shù)擬合策略，對菌落數(shù)學(xué)生長模型中的模型參數(shù)進(jìn)行擬合，形成擬合后的模型參數(shù)并對菌落數(shù)學(xué)生長模型中的模型參數(shù)進(jìn)行更新，得到擬合后的菌落數(shù)學(xué)生長模型；

21、s013、根據(jù)得到擬合后的菌落數(shù)學(xué)生長模型，基于時間步長擬合策略，對菌落數(shù)學(xué)生長模型中時間步長進(jìn)行擬合，形成最佳擬合曲線。

22、有益效果：通過收集歷史菌落生長數(shù)據(jù)和對應(yīng)的菌落數(shù)目結(jié)果數(shù)據(jù)，為模型構(gòu)建提供了豐富的訓(xùn)練樣本。利用這些歷史數(shù)據(jù)構(gòu)建菌落數(shù)學(xué)生長模型，為后續(xù)的預(yù)測和分析奠定了基礎(chǔ)。通過參數(shù)擬合策略，可以有效地擬合模型中的參數(shù)，提高模型的預(yù)測精度。擬合后的模型參數(shù)能夠更準(zhǔn)確地反映菌落生長的實際情況，為模型的準(zhǔn)確性提供保障。通過對時間步長的擬合，可以更精細(xì)地控制模型的時間分辨率，確保預(yù)測結(jié)果的時效性和準(zhǔn)確性?；跁r間步長擬合策略形成的最佳擬合曲線能夠更精確地預(yù)測菌落生長的關(guān)鍵時間節(jié)點，從而指導(dǎo)自動拍照的最佳時機。

23、進(jìn)一步，所述參數(shù)擬合策略為：

24、初始化模型參數(shù)，所述模型參數(shù)包括初始菌落數(shù)目、最大承載量和最大生長速率；

25、在當(dāng)前迭代時，根據(jù)預(yù)先設(shè)置的誤差計算公式，計算出在時間ti處菌落數(shù)學(xué)生長模型所對應(yīng)的菌落數(shù)量預(yù)測值與菌落數(shù)目真實值之間的誤差值，并判斷誤差值是否小于等于預(yù)設(shè)誤差閾值，若否，則執(zhí)行下一步；若是，則判斷本次迭代所對應(yīng)的模型參數(shù)為最終參數(shù)；

26、所述誤差計算公式為：

27、

28、式中，mse為誤差值，npred(ti)為在時間ti處菌落數(shù)學(xué)生長模型所對應(yīng)的菌落數(shù)量預(yù)測值，ntrue(ti)為在時間ti處所對應(yīng)的菌落數(shù)目真實值，n為對應(yīng)的數(shù)據(jù)點的數(shù)量；

29、根據(jù)梯度計算公式，計算損失函數(shù)相對于每一個模型參數(shù)的梯度；

30、梯度計算公式為：

31、

32、式中，θ為模型參數(shù)初始菌落數(shù)目、最大承載量或最大生長速率；

33、根據(jù)計算出來的各個模型參數(shù)所對應(yīng)的梯度，基于預(yù)設(shè)的梯度更新參數(shù)計算公式，對對應(yīng)的模型參數(shù)進(jìn)行更新，然后重新執(zhí)行誤差值的計算；

34、所述梯度更新參數(shù)計算公式為：

35、

36、式中，α為對應(yīng)的學(xué)習(xí)率，用于控制每一次模型參數(shù)更新的幅度。

37、有益效果：在本實施例中通過迭代調(diào)整模型參數(shù)(包括初始菌落數(shù)目、最大承載量和最大生長速率)，使得模型預(yù)測值更接近于實際觀測值，從而顯著提高了模型的預(yù)測精度。采用梯度下降法更新參數(shù)，通過計算損失函數(shù)相對于每個參數(shù)的梯度，確保了每次迭代都能朝著降低誤差的方向前進(jìn)，有效加快了參數(shù)優(yōu)化的速度。

38、進(jìn)一步，所述時間步長擬合策略為：

39、設(shè)定初始菌落數(shù)目和菌落生長數(shù)據(jù)；

40、選取對應(yīng)的時間步長，并在每個時間步長內(nèi)，根據(jù)當(dāng)前的菌落生長數(shù)據(jù)，基于菌落數(shù)學(xué)生長模型，計算對應(yīng)的生長速率；

41、根據(jù)計算出來的生長速率，基于菌落數(shù)目更新計算公式，計算出每個時間步長內(nèi)所對應(yīng)的菌落數(shù)目；

42、所述菌落數(shù)目更新計算公式為：

43、n(t+δt)＝n(t)+μ(t,ph,o2,y)×n(t)×δt

44、式中，n(t+δt)為時間t+δt所對應(yīng)的菌落數(shù)目；

45、重復(fù)上述步驟，直到t+δt大于或者等于預(yù)設(shè)總時間；

46、將所有時間步長內(nèi)的菌落數(shù)目所對應(yīng)的數(shù)據(jù)點連成曲線，得到菌落生長隨時間變化的最佳擬合曲線。

47、本發(fā)明還提供了一種基于菌落識別的數(shù)據(jù)交互裝置，使用上述的一種基于菌落識別的數(shù)據(jù)交互方法。