30 / 2025-03-27 23:25:49

基于机器视觉的空气源菌落智能识别模型研究

机器视觉；YOLO算法；智能识别；空气源菌落；数量和种类

传统对空气源浮游菌落的人眼识别方法存在人力成本高和误差大等弊端。本研究基于传统培养法积累的1500张空气源菌落（包括真菌及细菌菌落图像）特征图像数据，引入计算机视觉算法（YOLO v8.0算法），构建空气源菌落数量识别模型3组，及菌落种类识别模型6组，初步实现空气源菌落数量的智能计数及典型菌落种类的智能识别。通过比较不同模型在训练集及验证集的识别结果发现：菌落智能计数模型中，训练集图像数量为500张且迭代次数设定≥20次的模型识别准确率和可靠度等各项指标与训练集图像数量为1000和1500张且迭代次数≥5次是相当；种类智能识别模型中，图像数量小于200张时模型各项指标均较差，图像数量为300、400、500、600张时，且迭代次数依次不低于25、21、15、15轮次时，模型识别种类的性能趋于稳定。此外，两类模型识别一张菌落图像数据所消耗时间均在120ms以内，远低于用人眼进行识别计数所需时间。本研究初步构建的基于机器视觉的空气源菌落智慧识别模型可有效提升识别效率，但在菌落种属的识别可靠性和鲁棒性方面仍有待提升，特别是在典型多形态菌落种属的精准识别机制方面仍有待探究。