菌落計數(shù)是微生物學實驗中最基礎也最頻繁的操作——無論是食品檢測、環(huán)境監(jiān)測還是藥物無菌檢查，最終都要統(tǒng)計培養(yǎng)基上長出的菌落數(shù)量。人工計數(shù)不僅耗時，而且不同操作者對“模糊小點”的判斷標準不一致，數(shù)據(jù)的可重復性存在問題。全自動菌落計數(shù)儀通過圖像采集和圖像分析技術，將“人的眼睛”換成了“相機的眼睛”，將“人的主觀判斷”換成了“算法的客觀判定”。理解其工作原理，有助于在操作中正確設置參數(shù)，并對可疑結果進行合理的人工復核。

圖像采集：給培養(yǎng)皿拍一張“標準照”

全自動菌落計數(shù)儀的第一步是獲取培養(yǎng)皿的數(shù)字圖像。培養(yǎng)皿放置在儀器的成像室內，由均勻的LED光源（通常從培養(yǎng)皿下方或側方照明）照亮。為了保證菌落與培養(yǎng)基背景之間有足夠的對比度，通常采用透射照明或反射照明，具體取決于培養(yǎng)基的透明度和顏色。透射照明適合透明培養(yǎng)基，菌落呈不透明點狀，在背光下與明亮背景形成鮮明對比；反射照明適合不透明培養(yǎng)基或需要觀察菌落表面特征的場景。高分辨率工業(yè)相機從正上方拍攝培養(yǎng)皿圖像，確保整皿清晰成像。

圖像預處理：突出菌落，削弱背景

原始圖像中除了菌落之外，還包括培養(yǎng)基的顏色、光照不均勻、灰塵顆粒等干擾信息。圖像預處理算法對原始圖像進行處理：灰度化將彩色圖像轉換為灰度圖像，減少計算量；對比度增強使菌落與背景的灰度差異更明顯；濾波器去除圖像中的噪聲，避免灰塵或劃痕被誤識別為菌落。預處理后的圖像中，菌落區(qū)域與背景區(qū)域的灰度差異被放大，為后續(xù)的菌落識別打下基礎。

菌落識別：從像素到菌落

菌落識別是算法的核心步驟。常見的識別邏輯包括：

• 閾值分割：根據(jù)像素灰度值設定一個“閾值”，高于閾值的像素標記為背景，低于閾值的像素標記為潛在菌落。由于不同培養(yǎng)皿的曝光條件不同，閾值通常不是固定值，而是根據(jù)當前圖像的灰度直方圖自動計算（如大津法）。

• 邊緣檢測：檢測圖像中灰度突變的邊界，勾勒出菌落的輪廓。適合邊緣清晰的菌落，但對邊緣模糊的菌落識別效果較差。

• 形態(tài)學處理：對初步識別出的菌落區(qū)域進行膨脹、腐蝕等形態(tài)學操作，填補菌落內部的空洞，分離粘連的菌落，使每個菌落區(qū)域成為獨立的連通區(qū)域。

粘連菌落的分離

菌落密度較高時，相鄰菌落可能生長在一起，形成粘連區(qū)域。粘連菌落的分割是菌落計數(shù)儀算法中的難點。常用的分割方法包括：

• 分水嶺算法：將圖像灰度值視為地形高度，模擬水從局部低點開始上升，在相鄰區(qū)域即將合并的地方筑壩，實現(xiàn)粘連菌落的分離。

• 凹點檢測：在粘連區(qū)域的邊緣上檢測凹點，通過連接凹點之間的最短路徑將粘連菌落分割為多個獨立的菌落。

人工驗證與參數(shù)微調

全自動菌落計數(shù)儀在絕大多數(shù)情況下能給出可靠的計數(shù)結果，但在某些特殊情況下（如培養(yǎng)基表面有氣泡、菌落顏色與培養(yǎng)基對比度低、菌落過?。惴ㄗR別可能存在偏差。建議操作者每次自動計數(shù)后，通過軟件界面查看識別標記：被計數(shù)的菌落是否有綠色或紅色圈標記，是否覆蓋了所有菌落。如有漏計或誤計，可手動添加或刪除標記，軟件自動更新計數(shù)結果。對于同一類型的培養(yǎng)皿，建議將調整好的參數(shù)保存為標準方法，后續(xù)批次可直接調用，提高效率和一致性。

全自動菌落計數(shù)儀將圖像采集、圖像處理與模式識別算法相結合，替代了傳統(tǒng)的人工計數(shù)。它的識別精度不僅取決于硬件成像質量，更依賴于圖像預處理和菌落分離算法的設計質量。理解這些原理，有助于在實際操作中根據(jù)樣品特點調整參數(shù)設定，并對儀器給出的結果進行科學的復核驗證。