Die Arbeit entwickelt einen standardisierten Bilderfassungsaufbau und zwei automatisierte Verfahren zur Zählung koloniebildender Einheiten von E. coli nach 405-nm-Bestrahlung:

• OpenCV-Pipeline: klassische Bildverarbeitung mit Beleuchtungskorrektur, Schwellenwertsegmentierung, Entfernung von Beschriftungen und Plattenrand sowie Watershed-Trennung berührender Kolonien.
• YOLOv8-seg: Deep-Learning-Modell zur Detektion und Instanzsegmentierung, trainiert mittels Transfer Learning auf 312 annotierten Agarplattenbildern.

Die Evaluation anhand von 59 Agarplatten zeigte für beide Methoden eine hohe Übereinstimmung mit manuellen Referenzzählungen. YOLOv8-seg erzielte mit einem mittleren absoluten Fehler von 1,73 Kolonien pro Platte eine etwas höhere Genauigkeit als OpenCV mit 1,93 und war robuster gegenüber Artefakten.

Die größte Herausforderung bleibt die Untersegmentierung eng benachbarter Kolonien bei hoher Dichte. Künftig sollen mehr dichte Proben, verbesserte Annotationen und robustere Trennverfahren eingesetzt werden.