深度学习赋能微生物菌落计数：AGAR 数据集与自动化分析新范式

微生物计数的传统瓶颈与深度学习机遇

微生物菌落计数是食品安全性评估、制药质量控制和临床感染诊断的核心环节。传统人工计数依赖显微镜观察，耗时耗力且误差率高（如菌落重叠或微小菌落易漏检），尤其当菌落数量超过 300 个时，人工计数几乎不可行。自动化检测需求迫切，但现有商用系统（如 ProtoCOL 计数器）仅能提供图像采集，后续分析仍依赖人工，无法满足高通量场景需求。

深度学习的兴起为解决这一难题提供了新路径。卷积神经网络（CNN）在图像识别领域的突破表明，通过大规模标注数据训练的模型可自动提取菌落形态特征，实现计数与分类的端到端自动化。然而，微生物领域缺乏公开、多样化的高质量数据集，严重制约了深度学习模型的开发与优化。

AGAR 数据集：微生物图像分析的 “标准尺”

数据集特性：包含 18,000 张高分辨率图像，标注 336,442 个菌落，覆盖 5 种微生物（金黄色葡萄球菌、枯草芽孢杆菌等），支持单 / 混合培养、多光照条件下的检测场景。

1. 数据采集与多样性构建

AGAR 数据集覆盖5 种微生物（金黄色葡萄球菌、枯草芽孢杆菌、铜绿假单胞菌、大肠杆菌、白色念珠菌），包含单菌种与混合菌种（如金葡菌 + 铜绿假单胞菌）培养的琼脂平板图像。图像采集采用两种设备：

• 高分辨率组（4000×6000 像素）：尼康 D3500 相机，配备 LED 光源，分 “明亮”“黑暗”“模糊” 三种光照条件，模拟实验室常见环境差异。
• 低分辨率组（2048×2048 像素）：IDS 单色相机，支持 RGB 三通道合成，包含更多复杂背景干扰。

2. 精细化标注与质量控制

由具有 20 年经验的微生物学家团队完成标注，每张图像标记为可计数（<300 菌落）、不可计数（>300 菌落或粘连）或空平板。可计数图像中，每个菌落均标注边界框（bounding box）及菌种类别，总计标注 336,442 个菌落。标注流程通过自研 web 应用实现，结合电子计数器验证样本 ID，确保数据与实验记录一一对应。

3. 数据特征与统计分布

• 菌落尺寸：涵盖小（如白色念珠菌，<128 像素）、中（如大肠杆菌，128-512 像素）、大（如枯草芽孢杆菌，>512 像素）三类，检测难度梯度分明。
• 密度分布：84.4% 的可计数图像菌落数 < 50 个，15.6% 为 50-300 个，模拟实际检测中的常见场景（图 2c）。
• 菌种平衡：各菌种标注数量均衡（如金黄色葡萄球菌 67,288 个，白色念珠菌 66,521 个），避免模型训练偏倚。

图 1.概述开发的从微生物样品制备到模型性能评估的两个主要阶段管道。上图说明了 AGAR 数据集的制备，展示了在琼脂平板上以单一和混合培养物的形式包含 5 种微生物物种，这些培养物来自不同的液体稀释度，并使用 4 种不同的图像采集设置捕获，最后通过微生物学家的菌落标记和鉴定完成。底部面板描述了深度学习分析工作流程，在 2 个独立阶段采用 8 种神经网络架构：使用随机切割的图像块进行模型训练，以及使用未见过图像的重叠块进行模型评估。该图概括了从样品制备到分析评估的方法精髓，强调了数据集创建和深度学习模型训练和评估所涉及的细致步骤。

图 2.AGAR 数据集统计信息摘要。样品数量分布：（a） 针对不同的微生物种类，以及 （b） 针对不同的采集设置亚组。来自明亮和黑暗亚组的样本组合约占整个数据集的一半，包括在生长的微生物和琼脂表面之间的对比度方面具有最佳质量的照片。（c） 计算的每个图像的注释实例数的直方图，包括分别（蓝色、灰色、绿色、红色）和总共（橙色）的不同子集的可计数样本。每张图像的平均注释数等于 27.4。（d） 琼脂平板的图像示例，其中不同数量的生长菌落被标记为空、可计数和不可计数。

图 3.使用不同图像采集设置捕获的 TSA（培养皿）上生长的不同类型的微生物的 Cascade R-CNN 和 HRNet 预测示例。保留照片刻度的整个图版显示在第一列中。其他列代表板的 20 × 20 mm 碎片。对于形成较小、密集菌落的生物体，如金黄色葡萄球菌和白色念珠菌，发现了非常适合的边界框。在铜绿假单胞菌生长在大型半透明菌落中的情况下，一些被遗漏了，尤其是在模糊的亚群中，菌落的边缘无法明确定义。模糊的亚组根本不包括枯草芽孢杆菌和白色念珠菌。

深度学习模型：从检测到计数的全流程优化

1. 模型架构与训练策略

采用Faster R-CNN和Cascade R-CNN两种目标检测架构，搭配四种主干网络（ResNet-50/101、ResNeXt-101、HRNet），利用 ImageNet 预训练权重初始化。针对高分辨率图像，将其切分为 512×512 像素的子图，避免小菌落因缩放导致的特征丢失。数据增强策略包括高斯模糊、颜色空间变换（LAB/HSV）和旋转（±45°），提升模型泛化能力。

2. 性能评估指标

• 检测精度：使用 COCO 数据集标准的平均精度（mAP），衡量预测边界框与真实值的重叠率（IoU≥0.5）。Cascade R-CNN+HRNet 在低分辨率组达到 59.4% mAP，高分辨率组为 52.0%，显著优于传统计算机视觉算法（如 MicrobIA 数据集的 44.6%）。
• 计数误差：采用平均绝对误差（MAE）和对称平均绝对百分比误差（sMAPE）。最佳模型（Cascade R-CNN+HRNet）在低分辨率组的 sMAPE 仅 3.81%，高分辨率组为 4.86%，相当于每 100 个菌落仅误差约 4 个（图 4b）。

3. 实际场景验证

在 50 组混合菌种样本中，模型正确识别 98.7% 的可计数平板，并对不可计数平板（如菌落数 2782 个）实现快速估算，耗时仅数秒，较人工计数效率提升 90% 以上。值得注意的是，模型对边缘菌落和低对比度菌落（如模糊光照条件下的大肠杆菌）的检测能力显著优于人类专家，漏检率降低 62%。

技术优势与行业应用前景

1. 核心优势

• 效率跃升：从样本制备到结果输出全流程自动化，检测时间从传统方法的数小时压缩至 30 分钟内。
• 多场景兼容：支持不同光照、分辨率和培养条件，适配制药厂洁净区监测、医院微生物实验室等多样化环境。
• 成本优化：减少人工操作和试剂消耗，尤其适合大规模筛查（如食品企业每日数百样本的检测需求）。

2. 现存挑战与未来方向

• 菌种覆盖局限：当前仅包含 5 种微生物，计划通过 ** 生成对抗网络（GANs）** 合成更多菌种图像，扩展至沙门氏菌、李斯特菌等致病菌。
• 计算资源需求：高分辨率图像处理需 GPU 支持，未来将开发轻量化模型（如 YOLO 系列），适配边缘计算设备。
• 定量与定性整合：结合代谢组学数据，构建 “形态 - 代谢” 联合模型，实现污染风险的精准预警。

3. 产业化路径

AGAR 数据集已开源（https://agar.neurosys.com/），并与制药企业合作开发集成式检测设备。下一步将推出基于Transformer 架构的新型检测器，目标将 sMAPE 降至 3% 以内，同时开发手机 APP 实现现场快速拍照检测，推动微生物检测向 “精准、即时、智能化” 转型。

结论：开启微生物分析的 AI 时代

AGAR 数据集与深度学习的结合，标志着微生物菌落计数从 “人工主导” 迈向 “AI 驱动” 的新纪元。其高扩展性和鲁棒性为食品、医药、环境等领域提供了通用型解决方案，预计 5 年内可覆盖 70% 的常规微生物检测场景。随着合成数据技术和边缘计算的进步，该技术有望进一步下沉至基层实验室，成为全球微生物质量控制的标准工具，为公共卫生安全和工业生产效率提升提供核心支撑。

原文链接:https://doi.org/10.1016/j.neucom.2025.129654