Örüntü tanıma teknikleri ile agar yüzeyi üzerinde koloni morfoloji sınıflandırması

Yıl 2018, Cilt: 24 Sayı: 2, 260 - 265, 30.04.2018

Volkan Altuntaş Seda Altuntaş Murat Gök

Öz

Mikroorganizmalar
çıplak gözle göremeyeceğimiz kadar küçük canlılardır. Ekolojik dengede rol
oynayan mikroorganizmalar temel olarak bakteriler, mantarlar, algler, virüsler
ve protozoalardan oluşur. Besiyeri ve petri kabı, mikroorganizmaların ortamdan
yalıtılması, geliştirilmesi, tanımlanması, sayımı gibi işlemlerin yerine
getirilmesi için agar ve diğer besin maddeleri karıştırılarak,
mikroorganizmalara büyüme ortamı sağlamak amacı ile kullanılırlar.
Mikroorganizmalar çoğalarak sayısı milyonlara hatta daha fazlasına ulaşabilir
böylece çıplak gözle görülebilen, koloni olarak adlandırılan yapıları
oluştururlar. Terminolojide bu yapı, koloni oluşturan birim (kob, cfu) olarak
ifade edilir. Peynir, ekmek, meyve veya yoğurtların üzerindeki küfler,
çikolata, marmelat gibi şeker içeren gıdalar üzerindeki mayalar,
mikroorganizmaların çoğalarak oluşturduğu kolonilerdir. Besiyeri üzerinde
oluşan koloniler, mikroorganizma ve üreme ortamına bağlı olarak farklı
morfolojik özelliklerde görüntüler oluşturmaktadır. Bu çalışmada koloni
görüntülerinden görüntü işleme ve örüntü tanıma teknikleri ile
mikroorganizmaların sınıflandırılması yapılmaktadır.

Anahtar Kelimeler

Mikrobiyoloji, Koloni oluşturan birim, Taksonomi, Segmentasyon, Öznitelik çıkarımı, Sınıflandırma

Pattern recognition techniques on agar surface colony morphology classification

Öz

Microorganisms
are small organisms as we cannot see with the naked eye. Microorganisms that
play a role in the ecological balance are mainly composed of bacteria, fungi,
algae, viruses and protozoa. The medium and petri dish are used in order to
provide the growth medium to microorganism by mixing agar and other nutrients
for performing operations such as isolating from the environment, growth,
counting of microorganisms. The number of microorganisms may reach the million
or even more by reproductively, in this way they form structures called colony
which can be seen with the naked eye. In terminology, this structure expressed
as colony forming units (cfu). Mold on the cheese, bread, fruit or yogurt,
yeast on the sugar-containing foods such as chocolate, marmalade are colonies
formed by grown microorganism. Colonies formed on the agar, create images of
different morphological characteristics depending on the microorganism and
growth media. In this paper, classification of microorganism is performed from
the colony images by image processing and pattern recognition techniques.

Anahtar Kelimeler

Microbiology, Colony forming unit, Taxonomy, Segmentation, Feature extraction, Classification

Kaynakça

• Türkoğlu M. Otomatik Kan Hücrelerinin Tanınması ve Sınıflandırılmasında Değişmez Momentlere Dayalı Görüntü İşleme Yöntemlerinin Kullanılması. Yüksek Lisans Tezi, Fırat Üniversitesi, Elazığ, Türkiye 2013.
• Koçer HE. İris Deseninin Yapay Zeka Yöntemleri ile Tanınması. Doktora Tezi, Selçuk Üniversitesi, Konya, Türkiye, 2007.
• Kayaaltı Ö. Bilgisayarlı Tomografi Görüntülerinden Tekstür Analizi ve Sınıflandırma Yöntemleri Yardımıyla Karaciğer Fibrozisinin Evrelendirilmesi. Doktora Tezi, Erciyes Üniversitesi, Kayseri, Türkiye, 2014.
• Chourasiya S, Rani RU. “Automatic red blood cell counting using watershed segmentation”. International Journal of Computer Science and Information Technologies, 5(4), 4834-4838, 2014.
• Myint SW. “Fractal approaches in texture analysis and classification of remotely sensed data: comparisons with spatial autocorrelation techniques and simple descriptive statistics”. International Journal of Remote Sensing, 24(9), 1925-1947, 2003.
• Dalal N, Triggs B. “Histograms of oriented gradients for human detection”. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, CA, 20–25 June 2005.
• Eleyan A, Demirel H. “Co-occurrence matrix and its statistical features as a new approach for face recognition”. Turkish Journal of Electrical Engineering and Computer Sciences, 19(1), 97-107, 2011.
• Chapelle O, Haffner P, Vapnik VN. “Support vector machines for histogram-based ımage classification”. IEEE T Neural Networ, 10(5), 1055-1064, 1999.
• Gurpreet K, Poonam S. “A novel methodology for automatic bacterial colony counter”. International Journal of Computer Applications, 49(15), 21-26, 2012.
• Er Monita G. “Machine vision based bacteria colony counter”. IJETAE, 2(4), 58-64, 2012.
• Quentin G. “OpenCFU a new free and open-source software to count cell colonies and other circular objects”. PLoS ONE, 8(2), 1-10, 2013.
• Bae E, Ying D, Kramer D, Patsekin V, Rajwa B, Holdman C, Sturgis J, Davisson VJ, Robinson JP. “Portable bacterial ıdentification system based on elastic light scatter patterns”. Journal of biological engineering, 6(1), 1-11, 2012.
• Bottigli U, Carpinelli M, Fiori PL, Golosio B, Marras A, Masala GL, Oliva P. “A new automatic system of cell colony counting”. International Journal of Biological, Biomolecular, Agricultural, Food and Biotechnological Engineering, 2(3), 78-82, 2008.
• Brugger S D, Baumberger C, Jost M, Jenni W, Brugger U, Mühlemann K. “Automated counting of bacterial colony forming units on agar plates”. PLoS ONE, 7(3), 1-6, 2012.
• Meyer F, Beucher S. “Morphological segmentation”. Journal of Visual Communication and Representation, 1(1), 21-46, 1990.
• Soille P, Vincent L. “Determining watersheds in digital pictures via flooding simulations”. Visual Communications and Image Processing, 1360, 240-250, 1990.
• Jain AK, Farrokhnia F. “Unsupervised texture segmentation using Gabor filters”. Pattern Recognition, 24(12), 1167-1186, 1991.
• Seo N. “ENEE731 Project: Texture segmentation using gabor filters”. The University of Maryland, Maryland, USA, Technical report, 1, 2006.
• Sivalingamaiah M, Reddy BDV. “Texture segmentation using multichannel gabor filtering”. IOSR Journal of Electronics and Communication Engineering, 2, 22-26, 2012.
• Sharifi M, Fathy M, Mahmoudi MT. “A classified and comparative study of edge detection algorithms”. International Conference on Information Technology: Coding and Computing. Las Vegas, USA, 8-10 April 2002.
• Karakaya F, Altun H, Ald ÇM. “Gerçek zamanlı nesne tanıma uygulamaları için HOG algoritmasının FPGA tabanlı gömülü sisteme uyarlaması”. The Institute of Electrical and Electronics Engineers 17, Antalya, Türkiye, 9-11 Nisan 2009.
• Albayrak NB, Oktay AB, Akgül YS. “Bel omurları arası disklerin yerlerinin belirlenmesi”. Signal Processing and Communications Applications Conference, Muğla, Türkiye, 18-20 Nisan 2012.
• Erhan C, Tazehkandi AA, Yeşilyurt HY, Bayram İ. “Öznitelik betimleyicileri füzyonu ile trafik isaretlerinin tespit edilmesi ve tanınması”. Signal Processing and Communications Applications Conference, Mersin, Türkiye, 24-26 Nisan 2013
• Yoldaş M, Şakar MO, Dirlikli M, Kılınç OES. “Mamografi imgelerinden HOG öznitelikleri çıkartılarak hastaların kanser seviyelerinin belirlenmesi”. TMMOB EMO Ankara Şubesi Haber Bülteni İlk Bildiriler Konferansı, Ankara, Türkiye, 14-16 Haziran 2013.
• Bay H, Ess A, Tuytelaars T, Gool LV. “Surf: Speeded up robust features”. European Conference on Computer Vision, Graz, Austria, 7-13 May 2006.
• Juan L, Gwun O. “A coparison of SIFT, PCA-SIFT and SURF”. Internetional Journal of Image Processing, 3(4), 143-152, 2009.
• Kocadere G. Video Görüntülerinin Sabitlenmesi. Yüksek Lisans Tezi, Ankara Üniversitesi, Ankara, Türkiye, 2010.
• Buruş ME, Kuzu RS, Beyazıt S, Varol G. “Market raflarında dönüşüm ve ölçeklendirmeye dayanıklı nesne tanıma”. Akademik Bilişim, Mersin, Türkiye, 5-7 Şubat 2014.
• Leutenegger Stefan, Margarita Chli, Roland Y. Siegwart. “BRISK: Binary robust invariant scalable keypoints.” International Conference on Computer Vision, Barcelona, Spain, 6-13 Nov. 2011.‏
• Harris C, Stephens M. "A Combined Corner and Edge Detector". 4th Alvey Vision Conference, Manchester, UK, 31 Aug – 2 Sep 1988.
• Shi J, Tomasi C. "Good features to track". IEEE Conference on Computer Vision and Pattern Recognition, Seattle, USA, 21-23 June 1994.
• Usta R. “Naive Bayes Sınıflandırma Algoritması”. http://kodcu.com/2014/05/naive-bayes-siniflandirma-algoritmasi (04.12.2015).
• Babaoğlu İ, Kıran MS, Ülker E, Gündüz M. “Diagnosis of coronary artery disease using artificial bee colony and K-Nearest Neighbor Algorithms”. International Journal of Computer and Communication Engineering, 2(1), 56-59, 2013.
• Yorgancılar S. “En Yakın Komşu Bulma Algoritması”. http://www.herturbilgi.com/2013/01/en-yakin-komsu-bulma-algoritmasi-knn (12.12.2015).
• Safavin SR, Landgrebe DA. “Survey of decision tree classifier methodology”. IEEE Transaction on Systems, Man and Cybernetics, 21(3), 660-674, 1991.
• Rokach L. Pattern Classification Using Ensemble Methods. Singapore, World Scientific Publishing, 2010.
• Soille P, Vincent L. “Determining watersheds in digital pictures via flooding simulations”. Visual Communications and Image Processing, 1360, 240-251, 1990.