1.一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：包括以下步骤：步骤1、样本制备

使用多个不同浓度的大肠杆菌菌液分别与微球、琼脂糖混合，并分别注入到微通道中，得到多个微通道样本；

步骤2、样本视频的采样与拆分

2‑1.针对每个微通道样本，均取若干个视野；针对每个视野，均进行不同聚焦深度的图像采集，获得视频样本；

2‑2.根据视频样本中提取若干张图像，组成数据集；

步骤3、数据集标注；在数据集的图像中，分别对大肠杆菌和微球打上标签；

步骤4、模型训练；利用带标签的数据集训练模型，获得能够分别识别出大肠杆菌和微球的识别模型；

步骤5、对大肠杆菌和微球分别进行目标定位；

5‑1.向微通道中输入混合有微球和琼脂糖溶液的被测菌液；对微通道的不同深度进行聚焦拍摄，获得微通道不同深度的被测图像；使用识别模型对各被测图像进行检测；得到各被测图像中所有细菌和微球对应的候选框[xl,yl,xr,yr]及其置信度；

5‑2.按聚焦位置从上到下的顺序对各被测图像进行排序，获得被测图像集合F，得到被测图像集合F中的每个图像帧Fi；

5‑3.按照排列顺序依次对所有图像帧进行识别去重操作，具体如下：依次取图像帧Fi中未被访问过的候选框k作为特征框；将特征框标记为已访问状态；对当前图像帧Fi逐帧向下进行近似框识别，直到完成最后一个图像帧的近似框识别或有图像帧中不存在特征框的近似框；将特征框的所有近似框均标记为已访问状态；以特征框及其近似框中置信度最高的候选框作为目标点位置，将目标点位置的坐标放入结果集中；所有候选框k均标记已访问状态时，识别去重操作完成；

步骤6：三维重建

根据步骤5得到的结果集中的所有目标点坐标，构建出包含所有目标点的三维图像。

2.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：步骤2‑2中提取数据集的过程如下：各微通道的均匀度系数γi如下：

式中，φk表示当前微通道中第k个视野下的微球个数，μ表示当前微通道中所有视野下的平均微球个数；Vk表示当前微通道中第k个视野对应的体积，n表示当前微通道的视野区域数；将均匀度系数γi小于或等于0.8的微通道对应的所有视频样本去除；之后，将剩余视频样本中微球数量不在预设区间内的视频样本去除；

对保留的视频样本进行逐帧取出，得到图片集；在图片集中随机选取多张样本图像作为数据集。

3.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：步骤3中进行数据集标注的具体过程如下：

3‑1.选取数据集中的若干张不同聚焦程度的含有细菌与微球的局部图像；局部图像仅含有一个大肠杆菌或一个微球；对于含有微球的局部图像，过微球的圆心截取一条直线，使用式(2)计算该直线上每个点的信噪比SNR；计算截线上的信噪比极差，选取信噪比极差大于1的截线对应的微球图像作为处于聚焦状态的微球；

对于含有大肠杆菌的局部图像，过细菌中心截取一条直线，使用式(2)计算该直线上每个点的信噪比SNR；计算截取的直线上的信噪比极差，选取信噪比极差大于0.15的截线对应的大肠杆菌图像作为处于聚焦状态的大肠杆菌；

式中，SNR表示截线上的一个点的信噪比；gi表示灰度值大小；stdDev表示背景的标准差；

3‑2.工作人员根据处于聚焦状态的细菌和微球的形状特点，对数据集中的所有图像进行人工标注。

4.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：所述的微通道的长度为40mm，宽为0.5mm，高为0.1mm。

5.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：所述的微球为直径2μm的聚苯乙烯微球。

6.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：步骤4中，所述的识别模型采用YOLO模型；模型损失函数采用CIoU函数。

7.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：步骤4中，在模型训练过程中，采用图像缩放、色彩空间调整和Mosaic‑8增强方法对数据集中的图像进行数据增强，扩增训练样本数量。

8.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：步骤5‑3中，近似框表示与特征框的重叠区域大于或等于特征框的90％的候选框。

9.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：步骤6执行后，进行目标区域细菌变化跟踪，具体过程如下：根据步骤6得到的三维图像，记录感兴趣区域，以及感兴趣区域中的细菌位置和形态；

经过预设时长后，再次对微通道进行图像采集，以及细菌、微球的位置检测，获得新的三维图像；利用两个三维图像中微球的位置作为定位基准，获得感兴趣区域中的细菌的生长情况。

10.根据权利要求1所述的一种基于深度学习的微通道下大肠杆菌与微球的三维定位方法，其特征在于：微通道样本中，大肠杆菌菌液、微球、琼脂糖的体积比为1:1:2。