基于深度学习的酸面团酵母菌快速计数技术开发及菌群动态监测研究

《Journal of Microbiological Methods》：Rapid counting of Kazachstania humilis and Saccharomyces cerevisiae in sourdough by deep learning-based classifier

为解决酸面团（sourdough）酵母菌群稳定性监测难题，研究人员开发了基于YOLO深度学习算法的Kazachstania humilis和Saccharomyces cerevisiae菌落自动分类计数系统。该分类器对两类酵母的识别准确率分别达0.99和0.98，单皿计数仅需126毫秒，为小型烘焙工坊提供了高效客观的发酵管理工具。

　　

在传统面包发酵工艺中，酸面团（sourdough）的微生物群落稳定性直接决定产品质量。作为核心酵母菌种，Kazachstania humilis（耐酸酵母）和Saccharomyces cerevisiae（酿酒酵母）的比例动态变化受温度影响显著。目前人工镜检法存在效率低、主观性强等缺陷，难以满足小型烘焙工坊对菌群实时监控的需求。

为解决这一技术瓶颈，研究人员创新性地采用两阶段培养温度（25°C/30°C/35°C）诱导菌落形态分化，发现K. humilis与S. cerevisiae在菌落大小和颜色上存在显著差异。基于此特征，团队开发了基于YOLO（You Only Look Once）深度学习框架的自动分类计数系统。该系统通过迁移学习策略，对来自面包、清酒、葡萄酒等不同来源的S. cerevisiae菌株均保持>0.95的识别准确率。

关键技术方法包括：1）建立多温度梯度（25°C/30°C/35°C）的连续传代培养体系；2）基于YOLOv5架构开发菌落特征提取算法；3）采用迁移学习提升跨菌株识别鲁棒性；4）通过显微图像标注构建训练数据集。

研究结果显示：

1. 分类器性能验证
   在模拟酸面团体系中，分类器对K. humilis和S. cerevisiae的计数准确率分别达0.98和0.99，与人工计数结果无统计学差异（p>0.05）。单皿图像处理耗时仅126±15毫秒，较传统方法效率提升300倍。

2. 温度对菌群结构的影响
   连续传代实验表明，25°C培养时两类酵母占比符合25%:75%的典型分布；当温度升至30°C/35°C时，K. humilis比例骤降至<1%，证实温度是调控菌群平衡的关键因素。

3. 跨菌株适用性评估
   针对不同工业来源的S. cerevisiae变异株，分类器通过迁移学习保持0.96-0.98的识别准确率，显示良好的泛化能力。

该研究首次将目标检测算法YOLO应用于微生物菌落计数领域，其创新性体现在：1）建立温度-形态学关联模型，突破传统分类学依赖；2）开发轻量化模型适配边缘计算设备；3）为微生物生态学研究提供高通量分析工具。论文发表于《Journal of Microbiological Methods》，为传统发酵食品的智能化质控提供了关键技术支撑，尤其有助于资源有限的小型作坊实现精准发酵管理。