Para lograr un reconocimiento preciso de las bacterias acuáticas, este estudio utiliza la tecnología de espectros de transmisión combinada con un método de aumento de datos mediante redes generativas antagónicas para clasificar cinco bacterias acuáticas típicas. Dado el alto costo de adquisición de muestras de espectros de transmisión, la influencia del rendimiento del equipo y la insuficiente capacidad de generalización del modelo con muestras pequeñas, se propone una estrategia de aumento de datos espectrales basada en redes generativas antagónicas con selección dinámica (DFGAN), y se construye un modelo de clasificación con redes neuronales convolucionales (CNN). Primero, se recolectaron 600 espectros de transmisión de cinco bacterias en diferentes etapas de cultivo y concentraciones graduales como conjunto de datos original; luego se establecieron redes generativas antagónicas convolucionales profundas (DCGAN) y DFGAN para aumentar los datos, evaluando la calidad de los espectros generados desde tres dimensiones: morfología visual, similitud en la distribución estadística y diversidad en el espacio de características; finalmente, se compararon los efectos de reconocimiento de tres clasificadores: máquina de vectores de soporte, K vecinos más cercanos y CNN. Los resultados muestran que la calidad de los espectros generados por DFGAN es significativamente mejor que la de DCGAN; el método DFGAN-CNN produjo el mejor rendimiento en el modelo de reconocimiento de bacterias acuáticas, con una precisión de reconocimiento del 95.00 %, precisión de 95.45 %, recall de 95.00 % y puntuación F1 de 95.00 %, demostrando la mejor exactitud y robustez. Este método ofrece una nueva vía para la detección de bacterias acuáticas y brinda una referencia técnica para resolver problemas de muestras pequeñas en el análisis espectral.

espectro de transmisión;aumento de datos;bacterias acuáticas;reconocimiento;red generativa antagónica con selección dinámica