Um eine genaue Erkennung von Wasserbakterien zu erreichen, verwendet diese Studie die Transmissionsspektroskopietechnik in Kombination mit einer datenerweiternden Methode basierend auf generativen gegnerischen Netzen zur Klassifizierung von fünf typischen Wasserbakterien. Angesichts der hohen Kosten für die Beschaffung von Transmissionsspektren, der Beeinflussung durch die Leistung der Geräte und der begrenzten Generalisierungsfähigkeit von Modellen bei kleinen Stichproben wird eine datenerweiternde Strategie auf Basis eines dynamisch selektierenden generativen gegnerischen Netzes (DFGAN) vorgeschlagen und ein Klassifikationsmodell mit einem Faltungsneuronalen Netzwerk (CNN) erstellt. Zunächst wurden 600 Transmissionsspektren von fünf Bakterien unter verschiedenen Kulturzeiten und Gradientenkonzentrationen als Originaldatensatz gesammelt; anschließend wurden ein Deep Convolutional Generative Adversarial Network (DCGAN) und DFGAN zur Datenerweiterung aufgebaut und die Qualität der generierten Spektren anhand dreier Dimensionen bewertet: visuelle Morphologie, statistische Verteilungsgleichheit und Diversität im Merkmalsraum; abschließend wurden die Erkennungsergebnisse von drei Klassifikatoren - Support Vector Machine, K-Nearest Neighbor und CNN - verglichen. Die Ergebnisse zeigen, dass die Qualität der von DFGAN generierten Spektren die von DCGAN deutlich übertrifft; die DFGAN-CNN-Methode erzielte die beste Leistung im Wasserbakterien-Erkennungsmodell mit einer Erkennungsgenauigkeit von 95,00 %, Präzision von 95,45 %, Recall von 95,00 % und F1-Score von 95,00 % und weist die beste Genauigkeit und Robustheit auf. Diese Methode bietet einen neuen Ansatz für den Nachweis von Wasserbakterien und liefert einen technischen Referenzrahmen zur Lösung von Kleinmengenproblemen im Bereich der Spektralanalyse.

Transmissionsspektrum;Datenerweiterung;Wasserbakterien;Erkennung;dynamisch selektierendes generatives gegnerisches Netzwerk