Conclusiones

La detección y conteo de colonias a partir de fotografías de placas de Petri es posible mediante el uso de técnicas de procesamiento de imágenes como se demostró en el desarrollo del proyecto. Los resultados que se obtuvieron para la detección fueron satisfactorios pero pueden ser mejorados. El principal punto de falla de este algoritmo es la separación de ruido de las colonias reales presentes en las placas. Dentro de la detección un problema a resolver era poder identificar la cantidad de colonias en aglomerados de los mismos, esto se pudo realizar de manera correcta en la mayoría de los casos.

En la clasificación no se obtuvieron resultados muy favorables debido a la variabilidad de características dentro de una misma especie de colonia y a que no se pudo encontrar un conjunto de características que respondiera a esta variabilidad. Sin embargo, si se toma en cuenta para la clasificación, un par de especies con diferencias en el color se ve una gran mejora en el desempeño de la clasificación. Esto se puede deber a que gran parte de las características elegidas están relacionadas a diferente parámetros relacionados al color de la imagen y ese par de especies tenían grandes diferencias en el color. Estas características fueron elegidas en torno al color debido a que la forma de las colonias varía incluso dentro de la misma especie, por ejemplo el area es muy variante y no sólo es intrínseca a la especie sino también depende del tiempo de cultivo de las placas de Petri. Esto demuestra la gran variabilidad que pueden tener las colonias dificultando la selección de las características correctas.

En suma, este algoritmo o una versión mejorada puede ser utilizada en el trabajo en laboratorios de Microbiología para la detección y cuantificación de bacterias en placas de Petri luego de realizar experimentos para detectar la presencia de cierta especie de bacteria en muestras.

Trabajo futuro

Este proyecto se ejecutó en el correr de un mes, si se tuviera más tiempo se podrían implementar mejoras para distintas partes del algoritmo desde la detección hasta la clasificación. Un punto de mejora como se mencionó previamente es la separación de ruido de las posibles colonias, también se puede mejorar que la detección funcione para distintas condiciones de luz y fondos, no únicamente las presentes en este dataset.

Otro punto a explorar es la comparación de estos algoritmos frente a la utilización de métodos de aprendizaje profundo, poder comparar la capacidad de cómputo necesaria para poder ejecutarlos en comparación a algoritmos más simples basados en procesamiento de imágenes.