Automatic Yeast Detection and Counting Using Computer Vision Techniques

  • João Victor Boechat Gomide Universidade FUMEC
  • Elton Vieira Cunha Universidade FUMEC
  • Guilherme Boechat Gomide ACervA Mineira

Resumo


This paper presents the development of a computer vision system that automatically identifies and counts viable and inviable brewer's yeast, to improve the time and accuracy of results obtained compared to the manual expert counting method commonly performed in the brewing industry. The equipment used consists of a digital video camera coupled to an optical microscope, which transmits the captured images, in real time, to the computer. Two approaches were tested and implemented, one taking into account the morphology and color of yeasts, and the other using machine learning. Although there are programs that automatically count yeasts, this is the first application that makes use of convolutional neural network techniques with Yolo to identify yeasts, making the results more accurate and reliable compared to manual methods. Experiments were carried out to measure the performance and accuracy of the prototype, which are presented in this article.

Palavras-chave: automatic yeast counting, computer vision, deep learning, Saccharomyces cerevisiae, yeast cell viability

Referências

OpenCV (2021), biblioteca de código aberto de visão computacional, disponível em https://opencv.org/, acessado em 25 de setembro de 2021.

J. Redmon, (2018) YOLOv3: An Incremental Improvement, arxiv.org, arXiv:1804.02767.

CARVALHO, G. B. M.; BENTO, C. V.; SILVA, J. B. A. (2006) Elementos Fundamentais no Processo Cervejeiro: 1ª parte- As leveduras. Revista Analítica. São Paulo, 2006.

BRIGGS, D. E. Malts and malting. London: Blackie Academic and Professional; Gaithersburg:Aspen, 1998. 796p.

CECCATO-ANTONINI, S. R. (2010) Microbiologia da fermentação alcoólica: a importância do monitoramento microbiológico em destilarias. São Carlos: EdUFSCar, Vol. 27, p. 120, Nº 5, 2010.

MCCONELL, S. (2004). Code Complete: A practical handbook of software-construction practices. Second Edition. Microsoft Press, Redmond, WA, EUA.

Qt (2021), portal oficial do software de desenvolvimento Qt, em https://www.qt.io/, acessado em 25 de setembro de 2021.

GONZALEZ, Rafael C. e WOODS, Richard E. (2010) Processamento Digital de Imagens. São Paulo: Pearson Education do Brasil. 2010.

J. Redmon, S. Divvala, R. Girshick and A. Farhadi, You Only Look Once: Unified, Real-Time Object Detection (2015), arxiv.org, arXiv:1506.02640.

LabelImg (2021), projeto de código aberto disponível no GitHub em https://github.com/tzutalin/labelImg, acessado em 25 de setembro de 2021.

A. Bochkovskiy, C. Y. Wang, H.-Y. M. Liao. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection), arxiv.org, arXiv:2004.10934.

GOMIDE, J.V.B.; CUNHA, E. V.; YeastSoft, counting yeast cells automatically. 2018. Patente: Programa de Computador. Número do registro: 512018052212-2, data de registro: 27/11/2018, título: "YeastSoft, counting yeast cells automatically" , Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial.

GOMIDE, J. V. B.; CUNHA, E. V. ; GOMIDE, G. B. . YeastSmartCount, counting yeast cells automatically with artificial intelligency. 2019. Patente: Programa de Computador. Número do registro: 512019001821-4, data de registro: 31/07/2019, Instituição de registro: INPI - Instituto Nacional da Propriedade Industrial.

RASCHKA, S. (2014). An Overview of General Performance Metrics of Binary Classifier Systems. arXiv preprint arXiv:1410.5330

THOLUDUR, A.; GIRON, L.; ALAM, K.; THOMAS, T.; GARR, E.; WEATHERLY, G.; KULOWIEC, K.; QUICK, M.; SHEPARD, S. (2006). Comparing automated and manual cell counts for cell culture applications. Bioprocess Int. 2006, 4, 28-34.

MONGELO, A. I., DA SILVA, D. S., QUINTA, L. N. B., PISTORI, H., E CEREDA, M. P. (2011). Validação de método baseado em visão computacional para automação de contagem de viabilidade de leveduras em indústrias alcooleiras. páginas 17-21 Outubro, Bento Gonçalves, RS.

CORRÊA, B. et al. Método fluorescente (diacetato de fluoresceína e brometo de etídio) para o estudo da viabilidade de cryptococcus neoformans em liquor. Ver. Inst. Med. Trop. São Paulo v. 32, p.46-50, 1990.

CARPENTER, A.E. ET AL. (2006) CellProfiler: image analysis software for identifying and quantifying cell phenotypes. Genome Biol. 7, R100.

LAMPRECHT M.R.; SABATINI D.M.; CARPENTER A.E.(2007). CellProfiler: free, versatile software for automated biological image analysis. BioT(echniques, v. 42, pp. 71- 75.

SOUZA J. S.; (2015) Identificação de Viabilidade de leveduras com corante vital utilizando histogramas de palavras visuais em imagens coloridas. Dissertação de Mestrado da UFMS.

SCHIER, J. K.; B. (2011) Automated Counting of Yeast Colonies using the Fast Radial Transform Algorithm. Bioinformatics, p. 22-27, 2011.

LUCARINI A. C.; SILVA L. A.; BIANCHI R. A. C (2011). Um sistema para a contagem semi-automática de microorganismos. PESQUISA & TECNOLOGIA FEI - Nº 26 p 36-40. Disponível em http://fei.edu.br/~rbianchi/publications/RevistaFEI2004-a.pdf acessado em 06/01/2019.

RASCHKA, S. (2014). An Overview of General Performance Metrics of Binary Classifier Systems. arXiv preprint arXiv:1410.5330.

CONGALTON, R. G. (1991) A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, v. 49, n. 12, p. 1671-1678
Publicado
22/11/2021
GOMIDE, João Victor Boechat; CUNHA, Elton Vieira; GOMIDE, Guilherme Boechat. Automatic Yeast Detection and Counting Using Computer Vision Techniques. In: WORKSHOP DE VISÃO COMPUTACIONAL (WVC), 17. , 2021, Online. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2021 . p. 25-30. DOI: https://doi.org/10.5753/wvc.2021.18884.

Artigos mais lidos do(s) mesmo(s) autor(es)

Obs.: Esse plugin requer que pelo menos um plugin de estatísticas/relatórios esteja habilitado. Se o seu plugins de estatísticas oferece mais que uma métrica, então, por favor, também selecione uma métrica principal na página de configurações administrativas do site e/ou da revista.