基于残差网络的微生物分类识别算法研究及其系统开发

作     者：胡锃泽 

作者单位：天津职业技术师范大学 

学位级别：硕士

导师姓名：孙宏昌

授予年度：2024年

学科分类：0710[理学-生物学] 1007[医学-药学(可授医学、理学学位)] 100705[医学-微生物与生化药学] 07[理学] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 071005[理学-微生物学] 10[医学] 

主      题：图像分割 图像分类 U-Net++ ResNet 

摘      要：随着科技和社会信息化的发展,微生物生物安全依然成为了人们关注的重点话题,微生物分类检测作为微生物生物安全的重要技术,具有非常重要的研究意义和应用价值,微生物分类检测分类在环境、食品、水源、医疗器械等领域中已经成为重中之重。对于传统人工检测来说,人工识别过程费时费力,需要多次样品的处理和传递,容易出现误差,并且只能检测到数量较多和个体较大的微生物,对于微小微生物容易漏检,并且在实际应用高强度人工检测中,可能会出现错检、漏检、效率低下等问题。随着科技不断进步,新型的微生物检测方法和技术逐渐涌现,深度学习出现在人们的视野中,这些技术和方法将大大的提高微生物检测的准确率和效率。本文根据传统人工检查中痛点、难点提出了基于残差网络的微生物图像分类算法及其系统。通过采用模块化设计搭建图像采集设备硬件系统,使相关微生物在机械臂的帮助下完成移动和拍摄原始图像后送入仓库存储,并将微生物图像识别后的种类信息发送到电子标签中存储。上位机通过接收拍摄到的原始图片,对原始图像进行预处理操作,预处理使用U-Net++算法对采集到的微生物原始图片进行分割处理,将多种微生物分成单个个体进行后续检测,在剔除噪点和其他无关杂物后大大提高了后续微生物分类检测的准确度和效率。针对预处理后的图片裁剪成标准大小,通过归一化增强后续识别效率,使用Res Net网络对其进行两次训练分类相关微生物种类信息特征。通过使用两次Res Net网络分类后根据网络识别结果确定微生物分类的分类结果,并根据其识别的准确率、效率进行分析、改进。微生物分类识别算法研究及其系统开发为工业化提供了良好的算法基础,在微生物图像识别分类方面做出了贡献。在微生物分类识别准确率方面通过深入研究算法,不断优化算法模型和特征提取方法,提出了U-Net++和Res Net网络多次分类方法,可显著提高微生物图像分类识别的准确度;在识别速度方面通过多次实验选择在保证准确率同时的最小型网络结构,在大型规模的微生物自动化识别的样本处理中提高了工作效率;在应用扩展方面微生物的研究不仅仅可以应用于环境监测方面,在医疗、生物和食品安全等领域都可以发挥重要作用,为相关领域的研究和时间提供了新的技术手段和解决方案。