机构名称：
¥ 1.0
细菌、真菌、病毒、酵母和原生动物等微生物污染物引起了食品制造商的极大兴趣和担忧，因为它们可能存在食物中毒或食物腐败的风险（Maruthamuthu 等人，2020 年）（Talo，2019 年）。对数字微生物数据的需求不断增长，为微生物学家和实验室专业人员提供了轻松检测微生物的机会（Egli 等人，2020 年）。这种变化可以个性化诊断和治疗，提高数字数据质量，并降低医疗成本。传统的基于培养的微生物检测方法非常耗时，而数字成像因其快速的方法而备受关注。数字微生物学还有可能对公共卫生和病原体监测产生重大影响。为了实现数字化，微生物实验室必须发展数字医学和食品分析方面的专业知识，包括数据处理、感知和基础设施（Soni 等人，2022 年）。近年来，计算机视觉、人工智能 (AI) 和机器学习 (ML) 等在大量标记数据上进行训练的方法越来越多地用于自动分析医学图像和微生物样本 (Goodswen et al., 2021)。这些方法可用于识别四种不同类型的微生物：细菌、藻类、原生动物和真菌 (Rani et al., 2022)。卷积神经网络和 ResNet-50 等模型可用于确定微生物样本的类别 (Majchrowska et al., 2021) (Rani et al., 2022) (Talo, 2019)。语义分割是一种计算机视觉方法，用于分析微生物样本的图像，当需要根据语义含义精确确定图像的不同区域时，为图像中的每个像素分配一个类标签 (Zawadzki et al., 2021)。 Faster R-CNN 和 Cascade R-CNN 等模型可用于计数微生物样本图像中的细菌菌落，这些模型可以检测单个物体并确定其类别。实例分割方法旨在通过区分图像中单个细菌菌落的不同实例并将每个像素分配给唯一的菌落来提供对图像的详细理解（Zawadzki 等人，2021 年）。Meta 公司开发和训练的 Segment Anything Model (SAM) 用于图像分割（实例分割）（Kirillov 等人，2023 年）。该模型使用超过 10 亿个掩模对 1100 万张图像进行了训练。SAM 模型具有零样本泛化的可能性，因此无需额外训练即可用于图像中对象的分割。SAM 模型可以分析来自广泛领域的图像，包括生物医学、农业、自动驾驶等。2. 方法
使用任意片段模型分析微生物样本
主要关键词
相关文件推荐
