基于深度学习技术的藻类智能监测系统开发

浮游藻类对水环境的变化非常敏感,是评价水环境质量的重要指示生物。传统的浮游藻类监测依靠人工采样分析,需要专业检测人员使用显微镜对藻细胞逐一鉴定并计数,耗时耗力且严重依赖检测人员的专业知识与鉴定经验,限制了浮游藻类监测工作的标准化推广和普及应用。利用神经网络模型建立了一套浮游藻类智能监测系统,该系统能够实现浮游藻类检测的自动进样、自动显微摄影,同时充分发挥深度学习技术在视觉分析领域的优势,自动进行浮游藻类智能识别和计数。使用大量浮游藻类样品开展了深度学习模型训练和结果验证,结果表明,该浮游藻类智能监测系统能够顺利完成浮游藻类样品自动进样、拍摄、鉴定和计数等一系列流程,且智能识别系统鉴定计数结果与人工镜检结果的误差较小。该系统还具有进一步的泛化和拓展能力,随着后续模型训练样品数量的增多,系统识别效率和精度可得到进一步提升,在浮游藻类监测及研究领域具有广阔的应用前景。