SISCOF-Contador-de-Colonias-Bacterianas

🧫 Visão Geral

O Detector de Colônias em Placa de Petri é uma aplicação interativa desenvolvida com Python e Streamlit para facilitar a identificação e contagem de colônias bacterianas em imagens laboratoriais. Por meio de técnicas de visão computacional e algoritmos de otimização, o sistema automatiza etapas que geralmente são feitas manualmente, tornando o processo mais rápido, preciso e confiável.

Voltado para aplicações laboratoriais, científicas e educacionais, o sistema oferece controle visual total da imagem, parâmetros ajustáveis e exportação dos dados analisados.

🚀 Funcionalidades Principais

• Upload e visualização de imagem da placa de Petri (formatos .png, .jpeg, .jpg);
• Ferramenta de zoom interativo, com seleção manual da região da placa;
• Definição assistida da placa e de colônias pequenas e grandes por meio de círculos desenhados na interface;
• Detecção automática de colônias com base em transformada de Hough Circular;
• Otimização bayesiana para calibrar o melhor valor de sigma na detecção (algoritmo gp_minimize);
• Visualização e confirmação manual das colônias detectadas, com recortes da imagem original e binarizada;
• Exportação de imagens em arquivos .zip separando colônias confirmadas e descartadas.

📷 Imagens

🗂 Arquitetura & Estrutura de Código

Arquivo/Pasta	Descrição
streamlit_app.py	Ponto de entrada da aplicação (upload da imagem).
passo_1.py	Etapa de zoom e marcação da placa de Petri e colônias de referência.
passo_2.py	Otimização de parâmetros e detecção automática de colônias.
passo_3.py	Análise dos resultados, visualização e exportação.
detectar_colonias.py	Função de detecção usando skimage (Transformada de Hough).
models/Circulo.py	Classe base Circulo e especialização Colonia com métodos de análise.

🛠️ Tecnologias Utilizadas

• Python 3.11+
• Streamlit: para construção da interface web interativa;
• OpenCV: para pré-processamento de imagem e limiarização adaptativa;
• Scikit-Image (skimage): para transformada de Hough e detecção de bordas;
• Scikit-Optimize (skopt): para otimização bayesiana dos parâmetros de detecção;
• Pillow: para manipulação de imagens;
• Matplotlib: para gráficos e visualização;
• Loguru: para logging detalhado e rastreamento de eventos.

⚙️ Instalação e Configuração

1. Clone o repositório

 git clone https://github.com/GustavoGLD/colony-detector.git
 cd colony-detector

2. Crie e ative um ambiente virtual

python -m venv venv
# macOS/Linux
source venv/bin/activate
# Windows
venv\Scripts\activate

3. Instale as dependências

pip install -r requirements.txt

4. Execute a aplicação

streamlit run streamlit_app.py

👨‍💻 Como Usar

1. Carregue uma imagem da placa de Petri na tela inicial.
2. Use o zoom e desenhe o círculo que define a área da placa.
3. Marque colônias pequenas e grandes como referência.
4. Avance para a etapa de detecção automática.
5. Revise e confirme visualmente as colônias detectadas.
6. Exporte as imagens confirmadas ou descartadas para análise futura.

📊 Resultados

Os resultados incluem:

• Imagens recortadas das colônias;
• Quantidade total e filtrada de colônias detectadas;
• Visualização da detecção sobre a imagem original;
• Exportação em .zip.

🚧 Trabalhos Futuros

• Implementar detecção por aprendizado de máquina supervisionado;
• Calcular métricas como densidade e distribuição espacial das colônias;
• Adicionar suporte a múltiplas placas por imagem;
• Internacionalização da interface (Português/Inglês).

🔍 Desafios & Aprendizados

• Calibração dos parâmetros de detecção usando otimização bayesiana aumentou significativamente a precisão.
• Segmentação de imagem com limiar adaptativo exigiu atenção à variação de iluminação.
• Modularidade e orientação a objetos foram essenciais para isolar responsabilidades.
• A interface com Streamlit permitiu rápido desenvolvimento com boa usabilidade para usuários não técnicos.

Autor: Gustavo Lídio Damaceno • LinkedIn

Empresa: Siscof