
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种利用深度集成学习进行微生物检测的新型混合方法
《BMC Microbiology》:A novel hybrid approach for microbial detection using deep ensemble learning
【字体: 大 中 小 】 时间:2026年05月13日 来源:BMC Microbiology 4.2
编辑推荐:
摘要微生物在医疗保健、临床微生物学、生物技术和环境健康领域发挥着至关重要的作用,因此对其准确检测和分类至关重要。准确检测细菌有助于研究人员区分不同的微生物并根据相关需求对它们进行分类。基于深度学习的模型的最新进展提高了基于图像的微生物分析的准确性和效率。在这项研究中,我们提出了一
微生物在医疗保健、临床微生物学、生物技术和环境健康领域发挥着至关重要的作用,因此对其准确检测和分类至关重要。准确检测细菌有助于研究人员区分不同的微生物并根据相关需求对它们进行分类。基于深度学习的模型的最新进展提高了基于图像的微生物分析的准确性和效率。在这项研究中,我们提出了一种混合集成模型DeepBACT,该模型结合了三个经过微调的预训练模型(VGG19、ResNet50和InceptionV3),以从微生物图像中提取具有高度区分性的特征,从而实现准确检测。由于采用了基于迁移学习的混合集成技术,我们的方法在训练开销方面非常高效。该方法利用主成分分析(PCA)进行特征选择,并通过支持向量机(SVM)实现高效分类。该模型在自创建的新数据集Bacterial Images (BACTI) 上进行了训练和测试,该数据集包含4种细菌图像的320个样本,分别是Priestia aryabhattai菌株D5、Bacillus cereus菌株NTFB22、Bacillus thuringiensis菌株NTFB5和Bacillus cereus菌株NTFB9。通过随机训练-测试分割和5折交叉验证对该方法进行了评估,结果显示DeepBACT的F1分数为97%,准确率为98.61%。实验结果清楚地表明,我们的方法在准确性和效率方面均优于类似的现有技术。该方法在分类未见过的微生物图像样本方面表现出色,具有很好的性能,适用于实时应用。
微生物在医疗保健、临床微生物学、生物技术和环境健康领域发挥着至关重要的作用,因此对其准确检测和分类至关重要。准确检测细菌有助于研究人员区分不同的微生物并根据相关需求对它们进行分类。基于深度学习的模型的最新进展提高了基于图像的微生物分析的准确性和效率。在这项研究中,我们提出了一种混合集成模型DeepBACT,该模型结合了三个经过微调的预训练模型(VGG19、ResNet50和InceptionV3),以从微生物图像中提取具有高度区分性的特征,从而实现准确检测。由于采用了基于迁移学习的混合集成技术,我们的方法在训练开销方面非常高效。该方法利用主成分分析(PCA)进行特征选择,并通过支持向量机(SVM)实现高效分类。该模型在自创建的新数据集Bacterial Images (BACTI) 上进行了训练和测试,该数据集包含4种细菌图像的320个样本,分别是Priestia aryabhattai菌株D5、Bacillus cereus菌株NTFB22、Bacillus thuringiensis菌株NTFB5和Bacillus cereus菌株NTFB9。通过随机训练-测试分割和5折交叉验证对该方法进行了评估,结果显示DeepBACT的F1分数为97%,准确率为98.61%。实验结果清楚地表明,我们的方法在准确性和效率方面均优于类似的现有技术。该方法在分类未见过的微生物图像样本方面表现出色,具有很好的性能,适用于实时应用。