OpenLM：一个开源的像素超分辨率平台，用于无透镜显微镜技术，可应用于细菌生长监测和基于深度学习的细菌检测领域

《Lab on a Chip》：OpenLM: an open-source pixel super-resolution platform for lens-free microscopy with applications in bacterial growth monitoring and deep learning-based bacterial detection

OpenLM是一种开源的无需透镜显微成像平台，结合LED阵列照明和像素超分辨算法，通过Raspberry Pi摄像头和3D打印支架实现高分辨率（0.87μm）和大视野（10.16mm2）的细菌监测。系统无需专业经验，提供图形界面控制，可实时预览并处理图像。应用案例包括30分钟内检测大肠杆菌早期菌落形成和YOLOv11s模型实现高精度（mAP@0.5达0.965）的菌落识别。其低成本（284.37美元）、模块化设计及开源特性，为医疗诊断、食品安全等领域提供便携式解决方案

　　在现代生物医学研究和临床诊断中，细菌的监测与早期菌落形成检测具有重要的应用价值。细菌的生长和传播不仅关系到公共卫生安全，还直接影响疾病的诊断效率与治疗效果。传统上，这类任务依赖于显微镜等光学设备，然而这些设备往往体积庞大、操作复杂且成本高昂，限制了其在大规模应用或现场部署中的可行性。因此，科学家们一直在探索更加便捷、经济且高效的细菌监测方法，其中“无镜头显微镜”（Lens-free Microscopy, LM）作为一种新兴技术，展现出巨大的潜力。

无镜头显微镜的核心思想是通过计算算法代替传统的光学镜头，实现对细菌的成像。它通常由一个光源和一个图像传感器组成，这种简化的设计使得系统更加紧凑、成本更低，同时具备一定的可扩展性。然而，无镜头显微镜也面临一个关键的技术瓶颈，即其分辨率受限于传感器的像素大小。为了突破这一限制，研究者引入了“像素超分辨率”（Pixel Super-Resolution, PSR）技术，尤其是结合多角度照明，通过采集多个不同角度的低分辨率图像并进行计算融合，可以显著提升图像的分辨率，同时保持较大的视野范围。这种技术的应用不仅增强了图像质量，还为大规模细菌监测提供了新的可能性。

基于上述原理，研究人员开发了一种名为“OpenLM”的开源无镜头显微镜平台，该平台集成了像素超分辨率算法，能够以低成本、易操作的方式实现高分辨率细菌成像。整个系统由四个常见的组件构成：Raspberry Pi相机模块、光学滤光片、LED阵列以及Raspberry Pi主板。这些组件的选择充分考虑了其价格低廉、易于获取和操作简便的特点，从而降低了使用门槛。此外，系统的外壳采用3D打印技术制造，不仅便于复制和定制，还进一步提升了其在不同应用场景中的适应性。

为了提升用户体验，研究人员还开发了两个图形用户界面（GUI）应用：一个用于Raspberry Pi操作系统，另一个用于Windows系统。这两个应用不仅提供了对相机的控制功能，还支持实时预览、图像采集和图像重建等操作，无需用户具备任何无镜头成像或光学显微镜的专业知识。这种设计使得OpenLM能够被更广泛的用户群体使用，包括非专业研究人员和临床工作人员，从而推动其在实际应用中的普及。

在实验验证方面，研究人员展示了OpenLM在两个细菌成像任务中的实际应用效果。第一个任务是利用OpenLM对大肠杆菌（*Escherichia coli*）菌落进行长期时间推移成像。结果显示，菌落在30分钟内即可被观察到，且随着生长时间的延长，菌落之间的空间相互作用逐渐显现。这种能力对于研究细菌在自然环境中的动态变化具有重要意义，尤其是在监测菌落融合、扩散和群体行为时。第二个任务是通过基于YOLO（You Only Look Once）的深度学习模型实现对早期菌落的检测。YOLO作为一种高效的物体检测算法，能够快速识别图像中的目标物体，而OpenLM的高分辨率图像则为模型训练提供了高质量的数据支持。这一应用不仅验证了OpenLM在细菌检测方面的有效性，还展示了其与人工智能技术结合的潜力。

在实际操作过程中，OpenLM的系统设置相对简单，但其性能优化仍需依赖于一系列关键技术。例如，系统采用LED阵列作为光源，通过不同LED的依次开启与关闭，实现对同一场景的多角度照明。这不仅有助于提升图像的分辨率，还能减少因光源不均匀而导致的图像失真。此外，系统还配备了光学滤光片，以提高光源的相干性，从而优化图像质量。图像采集过程中，研究人员通过多张低分辨率图像的融合，实现了高分辨率图像的重建。这一过程需要精确的图像配准技术，以确保不同角度图像之间的位置一致性。同时，通过“双谐波方程”（Biharmonic Equation）对缺失区域进行插值，从而完成高分辨率图像的构建。

OpenLM的图像处理流程包括多个关键步骤，如图像预处理、像素超分辨率算法和深度学习模型的训练与应用。在图像预处理阶段，研究人员利用CMOS传感器的Bayer滤光结构，提取绿色通道的图像信息，并通过旋转操作消除像素间的空隙。这种处理方式不仅提高了图像的完整性，还为后续的像素超分辨率算法提供了高质量的输入数据。在像素超分辨率阶段，系统通过计算不同低分辨率图像之间的相对位移，将其组合成一张高分辨率图像。该过程依赖于图像配准技术，通过调整图像位置，确保融合后的图像具有更高的空间分辨率。

为了进一步提升检测精度，研究人员利用YOLOv11模型进行细菌菌落的识别。YOLOv11作为一种先进的目标检测算法，具备较高的检测速度和准确率。在训练过程中，研究人员采用了预训练模型，并根据实际需求对模型参数进行了优化。通过引入更多的训练数据，特别是来自不同时间点和不同环境条件下的图像，模型能够更准确地识别细菌菌落，并减少误报率。实验结果显示，模型在35分钟时即可检测到部分菌落，而在115分钟时，检测率达到了87.5%。这一结果表明，OpenLM不仅能够在早期阶段实现菌落的快速检测，还能在后续阶段保持较高的检测准确率。

尽管OpenLM在性能上表现出色，但仍存在一些挑战和局限性。例如，在早期菌落阶段，由于菌落体积较小，其与背景噪声的区分较为困难，这可能导致模型误判。此外，由于无镜头显微镜的原理限制，系统在某些情况下可能会产生“双像伪影”（Twin-image artifact），这种伪影通常表现为图像中心的高亮度区域和边缘的低亮度区域，可能干扰菌落的识别。为了解决这一问题，研究人员提出了一种基于多波长照明或掩膜技术的改进方案，以提高相位信息的恢复能力。然而，由于当前系统使用的是彩色CMOS传感器，其在多波长条件下的性能受到一定限制。因此，未来可以考虑采用单色传感器，以提高对不同波长光源的响应能力，并增强图像的分辨率和对比度。

从技术实现的角度来看，OpenLM的开发强调了低成本、高分辨率和易用性的结合。相比于传统的显微镜设备，它不仅减少了硬件成本，还降低了使用门槛，使得更多非专业用户能够参与到细菌监测工作中。此外，系统设计的模块化特性使得其具备较强的可扩展性，用户可以根据具体需求对硬件组件进行替换或升级。例如，可以通过更换更密集的LED阵列或采用更高级的传感器，以进一步提升系统的分辨率和图像质量。这种灵活性使得OpenLM能够适应多种应用场景，如环境监测、食品安全检测和临床诊断等。

在实际应用中，OpenLM不仅能够提供高分辨率的图像，还能通过其大视野特性，实现对多个菌落的同步监测。这种能力对于研究细菌的群体行为、相互作用以及环境适应性具有重要意义。此外，系统的时间推移成像功能能够记录细菌生长的全过程，为研究人员提供了宝贵的数据支持。通过结合深度学习技术，OpenLM还能够实现对细菌的自动识别，从而减少人工分析的时间和工作量，提高检测效率。

综上所述，OpenLM作为一种新型的无镜头显微镜平台，不仅在技术上实现了突破，还在实际应用中展现出广泛的前景。它通过结合像素超分辨率算法和深度学习技术，克服了传统显微镜在分辨率和视野方面的限制，同时保持了低成本和易操作的优势。这种技术的出现为细菌监测和早期检测提供了一种全新的解决方案，有望在未来的生物医学研究和临床应用中发挥重要作用。此外，OpenLM的开源特性也促进了技术的共享与创新，为更多研究者提供了可复制和可改进的平台。随着技术的不断发展和优化，无镜头显微镜及其相关算法的应用将进一步拓展，为生物医学领域的研究和实践带来更大的便利。