本发明涉及菌落识别，具体涉及一种基于菌落识别的数据交互方法及装置。
背景技术：
1、微生物菌落的生长监测是生物学研究中的一个重要环节，对于了解微生物特性、评估其在不同条件下的生长状态至关重要。
2、传统的菌落监测方法通常依赖于人工观察和记录，这种方式不仅耗时费力，而且容易出现人为误差，导致数据不准确。
3、为了克服传统的菌落检测方法所对应的问题，开发一些菌落检测系统，通过菌落检测姿态的设置实现对菌落的自动化图像捕捉，但是这种系统依然存在一些不足之处：
4、1、大多数检测系统通常采用定时拍照的方式来进行菌落图像的捕捉，由于无法根据菌落实际的生长变化情况进行动态调整拍照频率，导致获取到的菌落图像无法真实且准确的反映菌落生长的关键时刻。
5、2、大多数的菌落检测系统给予客户的交互体验感较差。
技术实现思路
1、本发明的目的之一在于提供一种基于菌落识别的数据交互方法及装置，能够实现对菌落拍照频率的合理化和科学化的同时提高客户的交互体验感。
2、为了达到上述目的，提供了一种基于菌落识别的数据交互方法，包括以下步骤：
3、s1、对当前菌落生长数据进行获取，所述当前菌落生长数据包括温度、ph值、营养物质浓度和氧气水平数据；
4、s2、根据所述的当前生长数据，基于预先构建好的菌落数学生长模型，确定对应的菌落拍照预测时间点，所述菌落拍照预测时间点为菌落生长过程的各个重要节点；
5、s3、根据对应的菌落拍照预测时间点，对当前菌落进行拍照，生成对应的当前菌落图像信息；
6、s4、根据当前菌落图像信息，识别出当前菌落图像信息中所对应的菌落数目结果数据，形成对应的菌落报告并上传到服务端；
7、s5、接收外部客户端所发送过来的http菌落数据请求；
8、s6、根据接收到的http菌落数据请求，从服务端上进行对应的菌落报告的调取并发送给外部客户端。
9、本方案的技术原理及效果：在本方案中，首先对当前菌落生长数据进行获取，其中就包括温度、ph值、营养物质浓度和氧气水平数据，通过对当前菌落生长数据的获取可以很好的为后续的拍照预测时间点的预测可靠作为支撑。
10、然后基于预先构建好的菌落数学生长模型，来对当前生长数据所对应的菌落拍照预测时间点进行确定和预测，其中菌落拍照时间点为菌落生长过程的各个重要节点。在预测的时间点使用摄像头捕捉菌落的图像，这些图像将用于后续的菌落数量评估。图像采集是实现自动化评估的关键环节之一。根据当前菌落图像信息，识别出当前菌落图像信息中所对应的菌落数目结果数据，形成对应的菌落报告并上传到服务端；用户可以通过外部客户端(如网页或移动应用)向服务器发送http请求，以获取特定菌落的报告。服务器接收到请求后，从数据库中检索相应的报告，并将其发送回客户端供用户查看。
11、1、通过预先构建好的菌落数学生长模型可以准确地确定菌落生长的重要时间节点，从而更有效地安排图像采集，且在菌落拍照预测时间点，对当前菌落进行拍照所形成的当前菌落图像信息能够真实且准确的反映菌落生长的关键时刻，实现对菌落拍照频率的合理化，解决了现有技术采用定时拍照的方式来进行菌落图像的捕捉时的拍照频率固定导致的获取到的菌落图像无法真实且准确的反映菌落生长的关键时刻的问题。
12、自动化流程显著减少了人力成本，并且通过提高数据采集和分析的效率，缩短了研究周期。
13、2、用户可以通过网络随时随地访问菌落生长的状态报告，方便了数据的共享和管理，提高了客户的交互体验感。
14、进一步，所述预先构建好的菌落数学生长模型为：
15、
16、式中，n为菌落数目，t为时间，μ(t,ph,o2,y)为生长速率函数，t为温度、ph为ph值、o2为氧气浓度；μmax为最大生长速率，f(t)为温度影响函数，g(ph)为ph值影响函数，h(o2)为氧气浓度影响函数，topt为最适温度，σt为温度标准差，phopt为最适ph值，σph为ph值标准差，为最适氧气浓度，为氧气浓度标准差。
17、进一步，所述s1之前还包括：
18、s010、对历史菌落生长数据以及对应的历史菌落数目结果数据进行获取；
19、s011、构建对应的菌落数学生长模型；
20、s012、根据获取到的历史菌落生长数据以及对应的历史菌落数目结果数据，基于各自对应的参数拟合策略，对菌落数学生长模型中的模型参数进行拟合，形成拟合后的模型参数并对菌落数学生长模型中的模型参数进行更新，得到拟合后的菌落数学生长模型；
21、s013、根据得到拟合后的菌落数学生长模型，基于时间步长拟合策略，对菌落数学生长模型中时间步长进行拟合，形成最佳拟合曲线。
22、有益效果：通过收集历史菌落生长数据和对应的菌落数目结果数据，为模型构建提供了丰富的训练样本。利用这些历史数据构建菌落数学生长模型，为后续的预测和分析奠定了基础。通过参数拟合策略，可以有效地拟合模型中的参数，提高模型的预测精度。拟合后的模型参数能够更准确地反映菌落生长的实际情况，为模型的准确性提供保障。通过对时间步长的拟合，可以更精细地控制模型的时间分辨率，确保预测结果的时效性和准确性。基于时间步长拟合策略形成的最佳拟合曲线能够更精确地预测菌落生长的关键时间节点，从而指导自动拍照的最佳时机。
23、进一步，所述参数拟合策略为：
24、初始化模型参数，所述模型参数包括初始菌落数目、最大承载量和最大生长速率；
25、在当前迭代时，根据预先设置的误差计算公式，计算出在时间ti处菌落数学生长模型所对应的菌落数量预测值与菌落数目真实值之间的误差值，并判断误差值是否小于等于预设误差阈值，若否，则执行下一步；若是，则判断本次迭代所对应的模型参数为最终参数；
26、所述误差计算公式为：
27、
28、式中，mse为误差值，npred(ti)为在时间ti处菌落数学生长模型所对应的菌落数量预测值，ntrue(ti)为在时间ti处所对应的菌落数目真实值，n为对应的数据点的数量；
29、根据梯度计算公式，计算损失函数相对于每一个模型参数的梯度；
30、梯度计算公式为：
31、
32、式中，θ为模型参数初始菌落数目、最大承载量或最大生长速率；
33、根据计算出来的各个模型参数所对应的梯度，基于预设的梯度更新参数计算公式，对对应的模型参数进行更新，然后重新执行误差值的计算；
34、所述梯度更新参数计算公式为：
35、
36、式中，α为对应的学习率，用于控制每一次模型参数更新的幅度。
37、有益效果：在本实施例中通过迭代调整模型参数(包括初始菌落数目、最大承载量和最大生长速率)，使得模型预测值更接近于实际观测值，从而显著提高了模型的预测精度。采用梯度下降法更新参数，通过计算损失函数相对于每个参数的梯度，确保了每次迭代都能朝着降低误差的方向前进，有效加快了参数优化的速度。
38、进一步，所述时间步长拟合策略为：
39、设定初始菌落数目和菌落生长数据；
40、选取对应的时间步长，并在每个时间步长内，根据当前的菌落生长数据，基于菌落数学生长模型，计算对应的生长速率；
41、根据计算出来的生长速率，基于菌落数目更新计算公式，计算出每个时间步长内所对应的菌落数目；
42、所述菌落数目更新计算公式为：
43、n(t+δt)＝n(t)+μ(t,ph,o2,y)×n(t)×δt
44、式中，n(t+δt)为时间t+δt所对应的菌落数目；
45、重复上述步骤，直到t+δt大于或者等于预设总时间；
46、将所有时间步长内的菌落数目所对应的数据点连成曲线，得到菌落生长随时间变化的最佳拟合曲线。
47、本发明还提供了一种基于菌落识别的数据交互装置，使用上述的一种基于菌落识别的数据交互方法。
1.一种基于菌落识别的数据交互方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于菌落识别的数据交互方法，其特征在于：所述预先构建好的菌落数学生长模型为：
3.根据权利要求2所述的一种基于菌落识别的数据交互方法，其特征在于：所述s1之前还包括：
4.根据权利要求3所述的一种基于菌落识别的数据交互方法，其特征在于：所述参数拟合策略为：
5.根据权利要求4所述的一种基于菌落识别的数据交互方法，其特征在于：所述时间步长拟合策略为：
6.一种基于菌落识别的数据交互装置，其特征在于：使用上述权利要求1到5任一项的一种基于菌落识别的数据交互方法。
