細菌食源性中毒問題一直是疾控領(lǐng)域需要受到重視且棘手的問題。其中,肉毒梭菌是一種重要的食源性致病菌。傳統(tǒng)的檢測一般需要5-10天的時間。亟待提出一種新的細菌檢測方式,滿足當(dāng)今社會對細菌檢測快速、便捷的需求。電子顯微圖像具有快速統(tǒng)計分類的特點,在多個領(lǐng)域適用。目前得顯微圖像技術(shù)仍需要通過染色圖像,而后通過人工識別對細菌的種類進行鑒別,標準不統(tǒng)一。電子顯微圖像識別通過使用計算機對細菌進行識別分類,滿足當(dāng)前細菌檢測的迫切需求。光譜分析作為一種快速檢測方法,避免了不必要的實驗流程,為細菌識別提供了新的思路。在對細菌電子顯微圖像進行特征提取之后采用SVM、BP神經(jīng)網(wǎng)絡(luò)、Adaboost及其改進方法基于信息熵的Adaboost方法進行識別分類。SVM的分類準確率為82.2%;BP神經(jīng)網(wǎng)絡(luò)的分類結(jié)果為88.71%。其中Adaboost系列方法展示出了良好的分類效果,準確率可以達到100%。減少訓(xùn)練集樣本數(shù)量同時減少弱分類個數(shù)后,基于信息熵的Adaboost方法仍可以達到100%的準確率,而原始的Adaboost算法的準確率為97.4%。引入的信息熵用于衡量不同基分類器對于同一樣本的預(yù)測“分歧”,熵值大... 

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 引言
    1.2 肉毒梭菌簡介
        1.2.1 肉毒梭菌介紹
        1.2.2 肉毒梭菌中毒
        1.2.3 肉毒梭菌常見檢測方法
    1.3 細菌拉曼光譜檢測
        1.3.1 拉曼光譜原理
        1.3.2 顯微共聚焦拉曼儀
        1.3.3 國內(nèi)外研究現(xiàn)狀
        1.3.4 光譜數(shù)據(jù)預(yù)處理及模型建立
    1.4 細菌電子顯微圖像識別技術(shù)
        1.4.1 電子顯微成像技術(shù)
        1.4.2 數(shù)字圖像處理技術(shù)
        1.4.3 國內(nèi)外研究現(xiàn)狀
        1.4.4 細菌電子顯微圖像分類方法
    1.5 課題主要意義及主要研究內(nèi)容
        1.5.1 細菌電子顯微圖像以及細菌拉曼光譜數(shù)據(jù)獲取
        1.5.2 細菌電子顯微圖像特征提取
        1.5.3 改進的細菌電子圖像分類算法
        1.5.4 基于卷積神經(jīng)網(wǎng)絡(luò)的細菌電子顯微圖像識別分類
        1.5.5 細菌拉曼光譜數(shù)據(jù)預(yù)處理及分類器選擇
    1.6 課題主要內(nèi)容和結(jié)構(gòu)
第二章 實驗、預(yù)處理及特征提取
    2.1 引言
    2.2 細菌電子顯微圖像實驗部分
        2.2.1 目標細菌類別
        2.2.2 實驗儀器及材料
        2.2.3 細菌培養(yǎng)
        2.2.4 制樣
        2.2.5 獲取細菌電子顯微圖像
    2.3 細菌拉曼光譜實驗部分
        2.3.1 目標細菌類別
        2.3.2 實驗儀器及材料
        2.3.3 細菌培養(yǎng)
        2.3.4 獲取細菌拉曼光譜
    2.4 細菌圖像預(yù)處理
        2.4.1 格式變換
        2.4.2 霍夫變換
    2.5 細菌圖像特征提取
        2.5.1 面積
        2.5.2 周長
        2.5.3 最小外接矩形
        2.5.4 形態(tài)比與密集度
        2.5.5 Hu不變矩
        2.5.6 傅里葉描述子(Fourier Descriptor)
    2.6 細菌拉曼光譜數(shù)據(jù)的預(yù)處理及特征提取
        2.6.1 均值中心化
        2.6.2 標準正態(tài)變換
    2.7 小結(jié)
第三章 基于多種分類器算法的細菌電子顯微圖像識別分類
    3.1 引言
    3.2 算法
        3.2.1 支持向量機(Support Vector Machine,SVM)
        3.2.2 BP神經(jīng)網(wǎng)絡(luò)
        3.2.3 Adaboost(Adaptive boosting)算法
        3.2.4 基于信息熵的Adaboost算法
        3.2.5 基于Alexnet的細菌電子顯微圖像識別分類
    3.3 數(shù)據(jù)處理軟件
    3.4 結(jié)果與討論
        3.4.1 SVM分類結(jié)果
        3.4.2 BP神經(jīng)網(wǎng)絡(luò)分類結(jié)果
        3.4.3 Adaboost方法與基于信息熵的Adaboost方法的比較
        3.4.4 Alexnet分類結(jié)果
        3.4.5 分類器結(jié)果比較
    3.5 小結(jié)
第四章 基于SIMCA及SIMCA-SVDD的細菌拉曼光譜識別分類
    4.1 引言
    4.2 算法
        4.2.1 SIMCA(Soft Independent Modeling of Class Analogy)
        4.2.2 SIMCA-SVDD
    4.3 數(shù)據(jù)處理軟件
    4.4 數(shù)據(jù)預(yù)處理
    4.5 結(jié)果與討論
    4.6 小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
研究成果及發(fā)表的學(xué)術(shù)論文
作者和導(dǎo)師簡介
附件


【參考文獻】：
期刊論文
[1]基于Hough變換的目標數(shù)據(jù)處理算法研究[J]. 陳鏡,趙華敏.  無線電工程. 2020(05)
[2]數(shù)字圖像處理中的圖像分割技術(shù)及其應(yīng)用[J]. 夏旭,方定.  通訊世界. 2020(04)
[3]基于改進Canny檢測與Hough變換的儀表圖像識別算法[J]. 姚洋,彭道剛,王志萍.  上海電力大學(xué)學(xué)報. 2020(02)
[4]基于AlexNet遷移學(xué)習(xí)的磁異常信號檢測方法[J]. 李啟飛,吳芳,韓蕾蕾,范趙鵬,李沛宗.  水下無人系統(tǒng)學(xué)報. 2020(02)
[5]基于改進AlexNet卷積神經(jīng)網(wǎng)絡(luò)的手掌靜脈識別算法研究[J]. 林坤,雷印杰.  現(xiàn)代電子技術(shù). 2020(07)
[6]基于改進的 AlexNet 卷積神經(jīng)網(wǎng)絡(luò)的植物葉片識別[J]. 孫穎異,李健,時天,孫中波.  種子. 2020(02)
[7]AdaBoost圖像到類距離學(xué)習(xí)的圖像分類方法[J]. 李子龍,周勇,鮑蓉.  南京大學(xué)學(xué)報(自然科學(xué)). 2020(01)
[8]基于改進HU不變矩的快速圖像匹配算法[J]. 丁悅,吳靜靜,蔣毅,翁陳熠.  傳感器與微系統(tǒng). 2020(02)
[9]基于霍夫變換及卷積網(wǎng)絡(luò)的試管數(shù)目識別[J]. 徐天宇.  電子技術(shù)與軟件工程. 2020(02)
[10]AdaBoost分類器的一種快速訓(xùn)練方法[J]. 傅紅普,鄒北驥.  云南大學(xué)學(xué)報(自然科學(xué)版). 2020(01)

碩士論文
[1]奶粉中肉毒梭菌的檢測[D]. 陳會君.北京化工大學(xué) 2017
[2]拉曼光譜背景扣除算法及其應(yīng)用研究[D]. 陳珊.中南大學(xué) 2011



本文編號：3720470