基于機器學習的真菌孢子顯微圖像的特征提取與識別.pdf

1、21世紀是信息技術(shù)高速發(fā)展，也是生物信息科學發(fā)展的時代，生命科學與信息科學相互交叉融合，不僅促進了各自領(lǐng)域的發(fā)展，又不斷促進新領(lǐng)域的誕生。信息科學的發(fā)展為生命科學的發(fā)展提供了一系列便利方法和工具，因此信息技術(shù)與生物技術(shù)的結(jié)合越來越成為研究的熱點。隨著現(xiàn)代計算機技術(shù)的快速發(fā)展，以人工智能為基礎(chǔ)的圖像識別與分類技術(shù)在農(nóng)業(yè)病原微生物的自動檢測領(lǐng)域中得到了越來越廣泛的應(yīng)用。與傳統(tǒng)的生物學顯微檢測方法相比，它具有主觀誤差小、工作效率高、對檢測員技

2、術(shù)水平要求低等特點，能顯著提高農(nóng)業(yè)病害預報的實效性和準確性，滿足農(nóng)業(yè)生產(chǎn)的需要。
　　機器學習是利用計算機來模擬人類的學習過程，隨著該領(lǐng)域新興算法的不斷提出，在圖像分類以及圖像識別中的應(yīng)用也越快越廣泛。本文利用機器學習中的相關(guān)算法對真菌孢子顯微圖像分類與識別進行了深入的研究，在傳統(tǒng)的真菌孢子圖像的分類與識別中，往往采取的是人工顯微識別方法，對識別人技術(shù)要求高，同時難以操作，本文以SIFT特征和RGB SIFT特征為基礎(chǔ)對真菌孢子顯

3、微圖像進行特征提取，并對提取的特征進行聚類處理，將每個圖像以特征向量的形式表示。文中算法采用了詞袋(bag of word)思想，視每篇文檔為一個詞頻向量。每一篇文檔可以看作由一些主題所組成的一個概率分布，而每一個主題又可以看作是很多單詞所構(gòu)成的一個概率分布。在真菌孢子顯微圖像的分類中，以特征向量代替詞頻向量，將圖像轉(zhuǎn)化為不同類別的概率分布。在此基礎(chǔ)上，我們又采用不同的分類器對獲取的特征向量進行分類，從而獲取到真菌孢子顯微圖像的分類結(jié)果

4、。該方法能夠較好地對真菌孢子顯微圖像進行特征提取與分類，這為預測和區(qū)分農(nóng)業(yè)中不同真菌病害的發(fā)生提供了依據(jù)。
　　為了能夠?qū)Σ『Πl(fā)生發(fā)展過程中不同的特征進行預測和分析，提前對真菌孢子在生命周期中的不同特征進行識別尤為重要，因此，在真菌病害研究中，對顯微圖像中孢子進行識別與計數(shù)，進而得到真菌孢子在不同環(huán)境，即逆境或順境的生存能力和存活率等等就顯得非常有必要。本文利用卷積神經(jīng)網(wǎng)絡(luò)對顯微圖像中的孢子進行識別，卷積神經(jīng)網(wǎng)絡(luò)是將深度學習和人工

5、神經(jīng)網(wǎng)絡(luò)結(jié)合而產(chǎn)生的一個新型人工神經(jīng)網(wǎng)絡(luò)方法，相對于其他方法，它具有許多優(yōu)勢，例如局部感知區(qū)域、層次結(jié)構(gòu)化、特征抽取和分類過程結(jié)合等，廣泛的應(yīng)用于多個領(lǐng)域，如人臉檢測、文檔分析、語音檢測、車牌識別等。本文在總結(jié)了國內(nèi)外有關(guān)卷積神經(jīng)網(wǎng)絡(luò)基本概念、算法和研究成果的基礎(chǔ)上，以經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，對顯微圖像中的真菌孢子進行了識別，通過對模型的調(diào)整和參數(shù)的修改，取得了較好的識別效果，為進一步進行生物學研究提供了依據(jù)和便利，也為我國的農(nóng)作