基于细菌电子显微图像与细菌拉曼光谱的肉毒梭菌识别分类
细菌食源性中毒问题一直是疾控领域需要受到重视且棘手的问题。其中，肉毒梭菌是一种重要的食源性致病菌。传统的检测一般需要5-10天的时间。亟待提出一种新的细菌检测方式，满足当今社会对细菌检测快速、便捷的需求。电子显微图像具有快速统计分类的特点，在多个领域适用。目前得显微图像技术仍需要通过染色图像，而后通过人工识别对细菌的种类进行鉴别，标准不统一。电子显微图像识别通过使用计算机对细菌进行识别分类，满足当前细菌检测的迫切需求。光谱分析作为一种快速检测方法，避免了不必要的实验流程，为细菌识别提供了新的思路。 在对细菌电子显微图像进行特征提取之后采用SVM、BP神经网络、Adaboost及其改进方法基于信息熵的Adaboost方法进行识别分类。SVM的分类准确率为82.2％;BP神经网络的分类结果为88.71％。其中Adaboost系列方法展示出了良好的分类效果，准确率可以达到100％。减少训练集样本数量同时减少弱分类个数后，基于信息熵的Adaboost方法仍可以达到100％的准确率，而原始的Adaboost算法的准确率为97.4％。引入的信息熵用于衡量不同基分类器对于同一样本的预测“分歧”，熵值大的样本包含更多重要信息，更有利于整体分类器的构建。在细菌电子显微图像分类中还使用了Alexnet网络对细菌电子显微图像进行分类，准确率为92.55％。Alexnet模型具有良好的泛化能力，适用于细菌电子显微图像的识别分类。 在细菌拉曼光谱分类问题中，采用了SIMCA及改进的SIMCA-SVDD方法进行分类，原始SIMCA算法的准确率为96.36％，改进的SIMCA-SVDD方法准确率达到98.18％。改进的SIMCA-SVDD算法利用SVDD的特性将低维度线性不可分的特征数据映射到更高维度空间，进行数据分类。可以划出尽可能小的区域以包含更多的类样本，达到更好的分类效果。
细菌电子显微图像;特征提取;支持向量机;BP神经网络;拉曼光谱
北京化工大学
硕士
控制工程
赵众;朱新业
2020
中文
TP391.41
2020-11-17（万方平台首次上网日期，不代表论文的发表时间）