基于图像处理方法的空间站舱室材料表面真菌滋(4)
【作者】网站采编
【关键词】
【摘要】图5 为在逐渐增加训练样本数据时随机森林模型在训练集和验证集上的准确率曲线。 从图中可以看出,训练集的准确率比测试集要高很多,表明随机森林模
图5 为在逐渐增加训练样本数据时随机森林模型在训练集和验证集上的准确率曲线。 从图中可以看出,训练集的准确率比测试集要高很多,表明随机森林模型存在过拟合状态。 但随着样本数量的增加,二者之间差距缩小,情况有所好转,说明模型所需的训练样本数要足够多才能学习到泛化能力。
图5 随机森林模型学习曲线Fig.5 Learning curve of random forest model
4.3 真菌种类分类任务
在使用训练集对铝合金板表面4 种典型真菌种类模型构建好后,采用拆分的测试集分别验证SVM 模型和随机森林模型。 采用准确率来评价模型在测试集上的性能,为保证结果可靠,也在测试集上重复进行了20 次实验,结果见表4。 SVM模型在训练集和测试集上的平均准确率为99%和97%,随机森林分类模型为95%和93%,均低4个百分点,识别效果明显低于SVM 分类器。 因此, SVM 分类器更适用于铝合金板材料表面真菌种类的识别。
表4 2 种模型对真菌种类识别准确率Table 4 Recognition accuracy rate of fungus species by two models模型 训练集 测试集SVM 99% 97%随机森林 95% 93%
采用混淆矩阵、精确率、召回率指标[27]精细评估了SVM 分类模型对铝合金板材料表面真菌种类的识别结果,如图6 所示。 由图可见,SVM分类模型具有很好的性能,对每种真菌种类识别精确率和召回率都在90%以上。 其中,杂色曲霉菌种的识别效果最好,精确率和召回率均接近100%。
图6 SVM 模型对真菌种类识别的混淆矩阵、精确率和召回率结果Fig.6 Confusion matrix, accuracy rate and recall rate of fungal species identification by SVM model
4.4 真菌生物量等级分类任务
在对铝合金板表面4 种典型真菌种类识别模型构建时,SVM 分类模型性能优于随机森林模型,所以生物量分级模型构建时采用表现更好的SVM 分类器。
图7 为SVM 模型进行20 次重复测试后平均准确率结果。 能够看出,对4 种真菌生物量等级识别的准确率均达到97%以上,其中,对黑曲霉的识别效果最高,为99.53%。 同样采用混淆矩阵、精确率和召回率来对其进行精细评估,其对每种真菌生物量等级识别精确率和召回率都在95%以上。
通过学习曲线可以看出,SVM 算法比随机森林模型具有更优秀的泛化能力,从而准确率要高于随机森林模型,能够在未来的航天器微生物污染的拍摄照片中加以应用。
图7 SVM 模型对4 种典型真菌生物量等级分类识别的测试集准确率Fig.7 Test set accuracy of four typical fungal biomass classification based on SVM model
5 结论
1)在真菌种类分类任务上,SVM 模型的准确率高于随机森林模型;
2)在真菌种类和生物量等级分类任务上,SVM 模型的准确率均达到97%以上;
3)SVM 模型的真菌生物量等级分类效果优于真菌种类分类效果。
[1] Kawamura Y, Li Y, Liu H, et al. Bacterial population in Russian Space Station “Mir”[J]. Microbiology and Immunology, 2001,45(12):819-828.
[2] Baker P W, Leff L. The effect of simulated microgravity on bacteria from the mir space station[J]. Microgravity-Science and Technology, 2004,15(1):35-41.
[3] Cockell C S, Rettberg P, Rabbow E, et al. Exposure of phototrophs to 548 days in low Earth orbit: Microbial selection pressures in outer Space and on early Earth[J]. The ISME Journal, 2011, 5(10):1671-1682.
[4] Novikova N D. Review of the knowledge of microbial contamination of the Russian manned spacecraft[J]. Microbial Ecology, 2004,47(2):127-132.
[5] Novikova N, De Boever P, Poddubko S, et al. Survey of environmental biocontamination on board the International Space Station[J]. Research in Microbiology, 2006,157(1):5-12.
[6] Sugita T, Yamazaki T, Makimura K, et al. Comprehensive analysis of the skin fungal microbiota of astronauts during a half-year stay at the International Space Station[J]. Medical Mycology, 2016, 54(3): 121.
[7] 强劲, 吕雪飞, 张莹, 等. 在轨微生物监测与检测技术研究进展[J]. 生命科学仪器, 2018,16(2): J, Lv X F, Zhang Y, et al. Research progresses on detection technology and monitoring technology in orbit[J]. Life Science Instruments, 2018,16(2):13-19. (in Chinese)
[8] Maule J, Wainwright N, Steele A, et al. Rapid culture-independent microbial analysis aboard the International Space Station (ISS)[J]. Astrobiology, 2009, 9(8): 759-775.
[9] La Duc M T,Kern R,Venkateswaran K. Microbial monitoring of spacecraft and associated environments [J]. Microbial Ecology, 2004, 47(2): 150-158.
[10] Mcelroy W D, Deluca M A. Firefly and bacterial luminescence: Basic science and applications[J]. J Appl Biochem,1983, 5(3):197-209.
文章来源:《中国体视学与图像分析》 网址: http://www.zgtsxytxfx.cn/qikandaodu/2021/0610/656.html
上一篇:动画电影中情感表征的图像转喻和隐喻以哪吒之
下一篇:基于生成对抗网络的虚拟试穿方法