【技术实现步骤摘要】
本专利技术涉及细菌形状识别，具体为一种多波长多角度三维光谱的细菌形状识别方法。
技术介绍
1、在生命健康领域，快速、准确检测不同种类的细菌信息具有重要意义。现有的微生物检测技术，如聚合酶链式反应、酶联免疫吸附测定和质谱技术等，能够实现对微生物的准确识别，但是识别过程耗时耗力，且对于包含多种细菌的复合样本检测，现有技术一般只能检测出复合样本的少数细菌种类。
2、公开号为cn115728286a的中国专利申请公开了一种多维度细菌光谱获取方法、细菌识别方法及应用设备，通过使用超声波裂解细菌悬浮液，得到细菌裂解液，分别混合多种表面增强拉曼散射浓缩悬浮液基底和所述细菌裂解液，得到多种混合液，利用所述多种混合液，形成液膜，对所述液膜进行表面增强拉曼散射分析，得到多维度表面增强拉曼散射细菌光谱数据。本专利技术可以获取细菌的多维度光谱信息，实现对细菌样本形状的快速、准确检测和识别。
3、现有技术存在不便于基于多个角度和多个波长的信息对细菌形状进行识别，造成识别精度低的问题。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种多波长多角度三维光谱的细菌形状识别方法，解决了现有技术不能实现对细菌形状快速准确识别难题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种多波长多角度三维光谱的细菌形状识别方法，包括以下步骤：基于卷积神经网络建立多个细菌形状识别模型；获取每种细菌训练样本的多波长多角度光谱数据并为每种训练样本的多波长多角度细菌透射光谱数据
3、进一步地，所述细菌形状识别模型包括卷积层、池化层和全连接层，所述卷积层用于提取输入的标记后的每个细菌训练样本的多波长多角度光谱数据中的局部特征，所述池化层用于减小局部特征的空间维度，降低细菌形状识别模型的参数数量，并且增加细菌形状识别模型的平移不变性，获取显著特征，所述全连接层用于将卷积层提取到的局部特征和池化层提取到的显著特征进行组合和转换，输出最终的分类结果，即细菌多波长多角度光谱数据对应的细菌形状。
4、进一步地，利用训练完成的细菌形状识别模型对待确定细菌多波长多角度光谱进行识别，确定细菌形状的过程如下：对待确定细菌多波长多角度光谱数据进行预处理后输入至第一卷积层，第一卷积层对待确定多波长多角度光谱数据进行卷积操作，获取初步卷积特征图，记初步卷积特征图为初步卷积局部特征；对初步卷积局部特征进行relu激活函数处理后输入至第一池化层，第一池化层对输入relu激活函数处理后的初步卷积局部特征进行最大池化处理，获得初步池化特征图，记初步池化特征图为初步池化显著特征；将初步池化显著特征输入至第二卷积层中进行卷积处理，获得二次卷积特征图，记二次卷积特征图为二次卷积局部特征；对二次卷积局部特征进行relu激活函数处理后输入至第二池化层，第二池化层对输入relu激活函数处理后的二次卷积局部特征进行最大池化处理，获得二次池化特征图，记二次池化特征图为二次池化显著特征；将二次池化显著特征展开成一维向量后输入至第一全连接层，第一全连接层对一维向量进行线性变换，并通过relu激活函数处理后输入至第二全连接层，第二全连接层再次进行线性变换后，通过relu激活函数处理进行分类结果输出，用于细菌形状的分类。
5、进一步地，对待确定细菌微生物多波长多角度三维光谱数据进行预处理的过程为：将待确定多波长多角度光谱数据进行格式转换，转换为张量形式；将转换为张量形式的待确定多波长多角度光谱数据进行去噪声、背景校正和标准化处理。
6、进一步地，基于标记后的每个细菌训练样本的多波长多角度光谱数据同时对多个细菌形状识别模型进行训练的过程如下：获取预处理后的标记后的每个细菌训练样本的多波长多角度光谱数据并进行训练前特征提取，记为细菌形状数据集；将细菌形状数据集按照设定的划分比例划分为训练集、验证集和测试集；基于训练集对多个细菌形状识别模型同时进行迭代训练，并在迭代训练的过程中采用梯度下降优化算法来更新细菌形状识别模型的网络参数；基于验证集对迭代训练结束后的每个细菌形状识别模型进行验证，获取每个细菌形状识别模型在验证集上的性能指标，并基于性能指标对细菌形状识别模型的泛化能力进行评估，并根据评估结果对细菌形状识别模型进行调优；基于测试集对调优后的细菌形状识别模型进行测试，评估调优后的细菌形状识别模型在测试集上的性能，获取性能指数，若性能指数大于设定的性能阈值，则训练结束。
7、进一步地，基于训练集对多个细菌形状识别模型同时进行迭代训练，并在迭代训练的过程中采用梯度下降优化算法来更新细菌形状识别模型的网络参数的过程如下：将训练集同时输入至细菌形状识别模型的卷积层中，并使用relu作为激活函数，将卷积层的输出在池化层中进行最大池化操作后，对池化层的输出进行一维向量展开作为全连接层的输入，全连接层进行线性变换，获得分类输出结果，完成一次迭代训练；利用交叉熵损失函数对一次迭代训练结束后的分类输出结果与真实标签之间的差异进行计算，并结合该次迭代训练结束的时间对该次迭代训练的细菌形状识别模型的迭代训练结果进行评估，获得评估指数；获取交叉熵损失函数对细菌形状识别模型的梯度，使用反向传播算法将梯度从全连接层传播回卷积层，使用梯度下降等优化算法，更新细菌形状识别模型参数；细菌形状识别模型参数更新完成后重复进行迭代训练，在每次迭代训练结束后判断是否达到预设的训练停止条件，若是则停止迭代训练，若否则继续训练。
8、进一步地，评估指数的约束公式为：式中，a为细菌形状识别模型的迭代次数的编号，a＝1,2,3,...,a，a为设定的细菌形状识别模型的最大迭代次数，i为细菌形状识别模型的编号，i＝1,2,3,...,n，n为细菌形状识别模型的个数，pga为第a次迭代训练结束后的细菌形状识别模型的评估指数，psha为第a次迭代训练结束后的细菌形状识别模型的交叉熵损失函数值，txai为第a次迭代训练结束时的第i个细菌形状识别模型的迭代训练结束的时间，ts为设定的细菌形状识别模型的每次迭代训练结束的时间，α1为交叉熵损失函数值的权重因子，α2为迭代训练结束的时间的权重因子，且α1+α2＝1。
9、进一步地，在每次迭代训练结束后判断是否达到预设的训练停止条件，若是则停止迭代训练的过程如下：在每次迭代训练结束后判断迭代次数是否大于设定的最大迭代次数；若是则迭代训练结束；若否则判断交叉熵损失函数值是否满足约束条件；若是则迭代训练结束；若否则迭代训练继续。
10、进一步地，所述性能指标包括准确率、精确率、召回率，基于性能指标对细菌形状识别模型的泛化能力进行评估的过程如下：获取每个细菌形状识别模型在验证集上的性能指标，基于每个细菌形状识别模型在验证集上的性能指标获得性能评估系数；获取每个细菌形状识别模型在验证集上的细本文档来自技高网...
【技术保护点】
1.一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，所述细菌形状识别模型包括卷积层、池化层和全连接层，所述卷积层用于提取输入的标记后的每个细菌训练样本的多波长多角度细菌光谱数据中的局部特征，所述池化层用于减小局部特征的空间维度，降低细菌形状识别模型的参数数量，并且增加细菌形状识别模型的平移不变性，获取显著特征，所述全连接层用于将卷积层提取到的局部特征和池化层提取到的显著特征进行组合和转换，输出最终的分类结果，即细菌多波长多角度光谱数据对应的细菌形状。
3.根据权利要求2所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，利用训练完成的细菌形状识别模型对待确定多波长多角度细菌透射光谱进行识别，确定细菌形状的过程如下：
4.根据权利要求3所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，对待确定细菌多波长多角度光谱数据进行预处理的过程为：
5.根据权利要求1所述的一种多波长多角度光谱的细菌形状识别方法，其特征在于
6.根据权利要求5所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，基于训练集对细菌形状识别模型同时进行迭代训练，并在迭代训练的过程中采用梯度下降优化算法来更新细菌形状识别模型的网络参数的过程如下：
7.根据权利要求6所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，评估指数的约束公式为：
8.根据权利要求6所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，在每次迭代训练结束后判断是否达到预设的训练停止条件，若是则停止迭代训练的过程如下：
9.根据权利要求5所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，所述性能指标包括准确率、精确率、召回率，基于性能指标对细菌形状识别模型的泛化能力进行评估的过程如下：
10.根据权利要求9所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，所述泛化能力系数的计算公式为：
...【技术特征摘要】
1.一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，所述细菌形状识别模型包括卷积层、池化层和全连接层，所述卷积层用于提取输入的标记后的每个细菌训练样本的多波长多角度细菌光谱数据中的局部特征，所述池化层用于减小局部特征的空间维度，降低细菌形状识别模型的参数数量，并且增加细菌形状识别模型的平移不变性，获取显著特征，所述全连接层用于将卷积层提取到的局部特征和池化层提取到的显著特征进行组合和转换，输出最终的分类结果，即细菌多波长多角度光谱数据对应的细菌形状。
3.根据权利要求2所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，利用训练完成的细菌形状识别模型对待确定多波长多角度细菌透射光谱进行识别，确定细菌形状的过程如下：
4.根据权利要求3所述的一种多波长多角度三维光谱的细菌形状识别方法，其特征在于，对待确定细菌多波长多角度光谱数据进行预处理的过程为：
5.根据权利要求1所述的一种多波长多角度光...
【专利技术属性】
技术研发人员：胡玉霞，胡敦，张红艳，邵慧，孙龙，
申请(专利权)人：安徽建筑大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。