基于深度學習技術(shù)的藻類智能監(jiān)測系統(tǒng)開發(fā)

胡 圣,劉浩兵,劉 輝,曹桂英,王玉波,胡愈炘,彭 玉,張 晶,陳麗雯,王英才

1.生態(tài)環(huán)境部長江流域生態(tài)環(huán)境監(jiān)督管理局生態(tài)環(huán)境監(jiān)測與科學研究中心,湖北 武漢 430010

2.?？谁h(huán)境科技(中國)有限公司,湖北 武漢 430080

3.南水北調(diào)中線干線工程建設(shè)管理局河南分局,河南 鄭州 450008

浮游藻類是淡水生態(tài)系統(tǒng)中的主要初級生產(chǎn)者,對水環(huán)境變化敏感,其種類、密度及群落組成與水質(zhì)狀況密切相關(guān)[1]。 當前,我國水體富營養(yǎng)化問題嚴重,水華事件頻發(fā),嚴重破壞了水生態(tài)系統(tǒng)的平衡[2]。 浮游藻類監(jiān)測是水生態(tài)監(jiān)測的重要組成部分,在水華成因分析、機理研究及富營養(yǎng)化湖庫監(jiān)測預警與治理中都發(fā)揮著非常重要的作用,是開展水生態(tài)系統(tǒng)評價、水環(huán)境管理和保護的重要基礎(chǔ)[3]。

浮游藻類物種鑒定是一項既復雜又困難的工作,需要在光學顯微鏡下對浮游藻類的分類學特征進行充分識別,特殊情況下還需要借助其他技術(shù),例如:硅藻鑒定可能需要進行燒片預處理;而對于超微藻類,可能需要通過擴增其DNA 序列進行分子鑒定等。 當前,浮游藻類監(jiān)測主要依靠專業(yè)技術(shù)人員在顯微鏡下進行藻細胞形態(tài)鑒定。 浮游藻類形態(tài)多樣,有單細胞、群體和絲狀等多種類型,不同種類又具有不同的細胞特征或群體組成方式,因此,準確進行浮游藻類鑒定需要豐富的浮游藻類分類知識和鑒定經(jīng)驗[4],成為一名合格的浮游藻類檢測人員需要經(jīng)過長期的學習和培訓。浮游藻類檢測需要檢測人員在顯微鏡下對浮游藻類逐一鑒定并計數(shù),因此,檢測過程耗時耗力。 此外,不同實驗室和檢測人員鑒定能力的差異也可能導致鑒定結(jié)果的差異,造成不同來源的浮游藻類監(jiān)測結(jié)果的可比性較差,限制了浮游藻類監(jiān)測數(shù)據(jù)在水華和水質(zhì)管理中的業(yè)務化應用。

自動化監(jiān)測系統(tǒng)能夠節(jié)省人力、時間、硬件等成本,其技術(shù)先進、結(jié)果可靠、易于操作,能夠顯著提高監(jiān)測效率。 同時,標準化的檢測流程和自動化的檢測過程也可避免前文所述偏差的出現(xiàn)。 當前,浮游藻類在線監(jiān)測技術(shù)多基于光譜吸收、激發(fā)原理或顯微圖像處理技術(shù)進行浮游藻類分類。 例如,國外多將熒光技術(shù)或流式細胞儀技術(shù)應用于藻類監(jiān)測[5],然而受限于監(jiān)測原理的缺陷,無法基于熒光技術(shù)對浮游藻類進行屬水平的分類學鑒定[6-8]。 國內(nèi)也有基于圖形識別技術(shù)的藻類在線監(jiān)測設(shè)備,如藻類分類計數(shù)儀。 該類圖形識別技術(shù)是通過顯微圖像處理原理進行浮游藻類鑒定,需要運用大量圖片進行訓練,且圖片庫的建立需手動完成,故針對多種藻類進行分類的效果并不理想,識別精度有待提高。

上述浮游藻類監(jiān)測技術(shù)的檢測結(jié)果誤差較大,難以在屬或者種水平上進行浮游藻類的準確鑒定,遠遠滿足不了水生態(tài)監(jiān)測和評價的需要。因此,迫切需要開發(fā)能夠快速且準確進行浮游藻類檢測的智能監(jiān)測技術(shù),實現(xiàn)浮游藻類監(jiān)測工作的標準化和自動化,并應用于浮游藻類常規(guī)監(jiān)測和應急監(jiān)測,以快速、準確掌握水體中浮游藻類的變化情況,為水生態(tài)環(huán)境管理和保護提供支撐。

近年來,深度學習技術(shù)中的神經(jīng)網(wǎng)絡技術(shù)發(fā)展迅速[9],在相似場景下的目標追蹤、識別和圖像分類[10]方面具有廣闊的應用前景。 因此,將深度學習技術(shù)中的神經(jīng)網(wǎng)絡技術(shù)應用于浮游藻類圖像識別,并建立高效、準確的浮游藻類智能識別系統(tǒng)成為了可能。 為實現(xiàn)對浮游藻類的自動化監(jiān)測,需要從進樣、拍攝和識別3 個方面進行設(shè)計研發(fā)。 本研究技術(shù)路線:首先,開發(fā)浮游藻類自動進樣系統(tǒng),以完成浮游藻類樣品自動化進樣;其次,開發(fā)浮游藻類智能識別系統(tǒng),進行浮游藻類樣品多景深拍攝,并基于深度學習技術(shù)建立浮游藻類智能識別模型,實現(xiàn)對浮游藻類的智能鑒定與計數(shù);再次,利用南水北調(diào)中線浮游藻類樣品開展神經(jīng)網(wǎng)絡模型訓練,逐步提升浮游藻類智能識別和計數(shù)的準確率;最后,集成開發(fā)出浮游藻類智能監(jiān)測系統(tǒng),實現(xiàn)對浮游藻類的智能檢測。 該系統(tǒng)能夠快速、大量且準確地進行浮游藻類樣品鑒定,投入實際應用后,可顯著節(jié)省人力物力,從而提高我國浮游藻類監(jiān)測的效率。

1 浮游藻類智能監(jiān)測系統(tǒng)設(shè)計

1.1 浮游藻類智能監(jiān)測系統(tǒng)框架

浮游藻類智能監(jiān)測系統(tǒng)總體設(shè)計思路如圖1所示,各主要功能模塊如下。

圖1 浮游藻類智能監(jiān)測系統(tǒng)總體設(shè)計思路Fig.1 The overall design idea of intelligent identification system for planktonic algae

1)浮游藻類數(shù)據(jù)集和圖譜庫

本模塊主要由浮游藻類分類信息和圖譜數(shù)據(jù)組成。 使用數(shù)據(jù)集和圖譜庫對本研究構(gòu)建的深度學習模型進行訓練,能夠提高人工智能識別系統(tǒng)對浮游藻類鑒定和計數(shù)的準確性。 本研究首先在南水北調(diào)中線總干渠開展了全面的浮游藻類生態(tài)調(diào)查,掌握了總干渠的浮游藻類群落特征及主要代表性浮游藻類,并在具備國家計量認證資質(zhì)的專業(yè)藻類鑒定人員和藻類分類學家的幫助下,對浮游藻類進行了鑒定,保證浮游藻類物種分類信息準確無誤。 在此基礎(chǔ)上,建立了總干渠浮游藻類數(shù)據(jù)集和圖譜庫,為人工智能識別系統(tǒng)提供基礎(chǔ)訓練數(shù)據(jù)集。

2)浮游藻類自動進樣系統(tǒng)

為實現(xiàn)自動化進樣,本研究針對浮游藻類的樣品特征,研發(fā)出適用于浮游藻類的全自動進樣系統(tǒng),以實現(xiàn)浮游藻類檢測過程的自動化進樣及進樣管路的自動化清洗,為開展浮游藻類智能監(jiān)測提供自動進樣關(guān)鍵模塊。

3)浮游藻類智能識別系統(tǒng)

利用本模塊可以實現(xiàn)對浮游藻類樣品的自動化拍攝和鑒定。 通過對現(xiàn)有顯微鏡及自動化平臺進行改造和集成開發(fā),實現(xiàn)在顯微鏡下對浮游藻類樣品的自動聚焦、分層觀測及自動成像。 在此基礎(chǔ)上,本研究開發(fā)并優(yōu)化了適用于浮游藻類鑒定的深度學習識別算法和模型,利用30 000 余張典型浮游藻類標識圖譜進行神經(jīng)網(wǎng)絡模型訓練,以提高浮游藻類智能識別系統(tǒng)的學習能力和識別能力,并通過反復訓練提升浮游藻類鑒定和計數(shù)的準確率。

4)浮游藻類智能監(jiān)測系統(tǒng)

本模塊的主要功能是控制上述各個模塊的數(shù)據(jù)傳輸和操作。 通過研發(fā)保障智能監(jiān)測設(shè)備有效運行所需的控制系統(tǒng)與數(shù)據(jù)傳輸系統(tǒng),并與自動進樣系統(tǒng)和智能識別系統(tǒng)有機融合,集成開發(fā)出浮游藻類智能監(jiān)測系統(tǒng)。 該設(shè)備具備自動進樣、自動聚焦、自動識別、自動計數(shù)等功能,能夠?qū)崿F(xiàn)對浮游藻類的自動檢測。

1.2 浮游藻類自動進樣系統(tǒng)設(shè)計

浮游藻類自動進樣系統(tǒng)由毛細管、蠕動泵、三通電磁閥和電機平臺等組成。 本研究使用蠕動泵和三通電磁閥來控制自動進樣系統(tǒng)。 系統(tǒng)中的毛細管夾芯包含3 路毛細管,每路毛細管均可實現(xiàn)自動進樣和自動清洗,可自動或手動切換樣品檢測狀態(tài)和管道清洗狀態(tài)。 浮游藻類自動進樣系統(tǒng)整體設(shè)計思路如圖2 所示。 液體在毛細管內(nèi)的移動由蠕動泵和三通電磁閥控制,蠕動泵可控制管道中液體或空氣的流速,三通電磁閥則用于選擇是將液體還是空氣泵入毛細管。 進樣系統(tǒng)還具有自動切換功能,使進樣口能夠在3 種采樣液和沖洗液之間切換。

圖2 浮游藻類自動進樣系統(tǒng)總體設(shè)計思路Fig.2 The overall design idea of automated flow-injection apparatus for planktonic algae sample

1.3 浮游藻類智能識別系統(tǒng)設(shè)計

浮游藻類智能識別系統(tǒng)由XYZ軸控制器、顯微鏡和控制系統(tǒng)等多個組件組成。 通過對顯微鏡的自動化改造,該系統(tǒng)可實現(xiàn)對不同景深、多焦平面的快速自動對焦,并且能夠在高倍鏡下完成對各焦平面的連續(xù)自動掃描和攝影。 最后,由自主編寫的GUI 處理軟件整合不同焦平面的攝影圖片,生成待觀測樣本的清晰影像。該系統(tǒng)采用磁浮直線電機平臺,通過IP 和端口號實現(xiàn)對顯微鏡的自動化控制,確保顯微鏡平臺自動出片、進片及歸位。 通過調(diào)整X、Y、Z軸步距,自動控制載物臺的移動(圖3)。 在計算軟件和框架方面,可通過自主編寫的GUI 軟件設(shè)置圖像采集裝置的分辨率及圖片格式,自動存儲攝影圖片和識別出的浮游藻類種類及計數(shù)信息,并可實現(xiàn)對存儲結(jié)果的查閱功能。 同時,該智能識別系統(tǒng)采用深度學習框架,具備智能學習和升級拓展功能。

圖3 浮游藻類智能識別系統(tǒng)部件Fig.3 The components of intelligent identification system for planktonic algae

浮游藻類智能識別和計數(shù)軟件是本系統(tǒng)的重要組成部分。 該部分需滿足硬件、軟件和可視化界面3 個方面的保障要求,如圖4 所示。

圖4 浮游藻類智能識別系統(tǒng)軟件開發(fā)調(diào)試環(huán)境Fig.4 The development and debugging environment of intelligent identification software for planktonic algae

硬件環(huán)境方面,為滿足深度學習模型的訓練要求,需要配置性能優(yōu)秀的顯卡、CPU、內(nèi)存和硬盤等。 軟件環(huán)境方面, 必需的軟件包括CUDA[11]、 cuDNN[12]、 OpenCV[13]、 Keras[14]和TensorFlow[14]等。 在配置好硬件和軟件環(huán)境后,基于Windows 操作系統(tǒng)建立穩(wěn)定的深度學習框架,然后開展深度學習模型訓練。

在計算機視覺領(lǐng)域,浮游藻類圖像識別目前主要有機器學習和深度學習兩種方法。 就機器學習而言,研究人員需要提取浮游藻類圖像的特征量,即從輸入圖像中準確提取藻類信息轉(zhuǎn)換器,然后基于機器學習技術(shù)來實現(xiàn)對特征量的學習和判定,找到浮游藻類識別規(guī)律和判定模式。 但在上述過程中,將浮游藻類圖像轉(zhuǎn)換為特征量需依靠人工設(shè)置,存在一定的主觀性,且特征量的定義和提取難度較大,難以實現(xiàn)對浮游藻類分類特征的全面覆蓋和精確定量。 神經(jīng)網(wǎng)絡是深度學習中的一種端到端(End-to-End)的學習方法,可以直接學習圖像本身,以及圖像中包含的特征量。 這種方法能夠從原始數(shù)據(jù)中直接獲取目標結(jié)果,最大限度地防止人為介入,降低主觀性帶來的誤差。本研究采用端到端的深度學習方法,對通過顯微鏡拍攝的浮游藻類照片直接進行鑒定和計數(shù),不僅消除了機器學習法引入的主觀性誤差,而且具有實時性等特點。 采用基于深度學習的目標檢測算法實現(xiàn)對浮游藻類圖像的識別和計數(shù),將單階段[15]實時物體檢測算法YOLOv3 作為浮游藻類識別算法[16]。 在保持YOLOv3 快速檢測特點的前提下,將特征金字塔網(wǎng)絡(FPN)引入框架,使模型性能較其他算法有所提升[17]。 采用遷移學習進 行 模 型 訓 練[18-19], 使 用 Common Objects in Context(COCO)數(shù)據(jù)集作為基準數(shù)據(jù)集[20]。 整個算法框架如圖5 所示。

圖5 COCO 數(shù)據(jù)集訓練模型示意圖Fig.5 The diagram for training model based on COCO dataset

在進行模型訓練前,首先準備用于訓練的數(shù)據(jù)集(含有浮游藻類的圖片),然后由藻類鑒定專家在GUI 軟件中使用方框進行標識,標注出所有出現(xiàn)的待識別藻類的種類及位置信息。 獲得訓練數(shù)據(jù)集后,進一步開展神經(jīng)網(wǎng)絡模型訓練,主要步驟包括:

1)將浮游藻類數(shù)據(jù)集分為訓練集和驗證集,訓練集用于模型訓練,驗證集用于訓練完成后的模型準確度檢驗;

2)基于Keras 深度學習庫構(gòu)建神經(jīng)網(wǎng)絡鑒定模型、YOLOv3 輸出層及YOLOv3 損失函數(shù);

3)獲取基于COCO 數(shù)據(jù)集經(jīng)預訓練得到的模型權(quán)重文件;

4) 生成適合數(shù)據(jù)集的多尺度滑動窗口(Anchor Box);

5)讀取訓練集浮游藻類圖片和標注文件,解析標注文件,調(diào)用預訓練權(quán)重數(shù)據(jù)進行遷移學習,計算模型在訓練集和驗證集上的損失并進行迭代訓練;

6)對訓練過程中的損失函數(shù)值進行可視化,根據(jù)可視化結(jié)果調(diào)整訓練模型參數(shù),進行模型優(yōu)化;

7)保存最優(yōu)模型權(quán)重值并進行模型驗證測試,根據(jù)測試結(jié)果調(diào)整浮游藻類數(shù)據(jù)集,對模型開展進一步優(yōu)化訓練。

在進行神經(jīng)網(wǎng)絡模型訓練和驗證的同時,本研究基于PyQt5 實現(xiàn)GUI 界面編程[21],用于Windows 上GUI 界面軟件的開發(fā),從而實現(xiàn)直觀的人機交互操作。 通過GUI 軟件直接與顯微鏡掃描系統(tǒng)通信,讀取掃描后的浮游藻類圖片,調(diào)用訓練好的深度神經(jīng)網(wǎng)絡模型進行浮游藻類檢測鑒定,并將結(jié)果顯示在軟件界面上。 該GUI 界面還嵌入了顯微鏡操作軟件,用戶僅通過一個軟件即可完成顯微鏡平臺控制、顯微圖像掃描、圖片獲取、浮游藻類識別結(jié)果顯示、浮游藻類數(shù)量統(tǒng)計結(jié)果顯示、檢測結(jié)果存儲等功能。 同時,該軟件與模型數(shù)據(jù)庫連接,可以直接存儲和讀取信息,便于后續(xù)檢索、分析和對比等。

1.4 浮游藻類智能監(jiān)測系統(tǒng)集成

浮游藻類智能監(jiān)測系統(tǒng)主要由浮游藻類自動進樣系統(tǒng)、數(shù)字顯微影像掃描系統(tǒng)和浮游藻類智能識別軟件構(gòu)成,總體如圖6 所示。

圖6 浮游藻類智能監(jiān)測系統(tǒng)集成Fig.6 The mechanical structure of intelligent identification system for planktonic algal

浮游藻類智能監(jiān)測系統(tǒng)總體運行步驟如圖7所示。 首先,通過自動進樣系統(tǒng)完成待測樣品自動化進樣和載入,通過計算機圖形界面完成顯微鏡平臺初始化,并將鏡頭移動到第一個視野。 其次,通過載物臺Z軸的自動移動,實現(xiàn)對多個焦平面浮游藻類樣品的顯微攝影,并獲取圖像信息。然后,通過圖像處理軟件對獲取的圖像進行優(yōu)化和合并,輸出合并后的圖像供識別軟件識別計數(shù)。完成全過程后,通過數(shù)字顯微影像掃描系統(tǒng)自動控制載物臺X軸和Y軸移動到下一個視野,重復以上Z軸移動—多焦平面圖像拍攝—圖像處理和識別等檢測分析過程,直至所有視野計數(shù)完畢。最后,通過識別軟件自動進行不同浮游藻類的分類統(tǒng)計和密度計算。

圖7 浮游藻類智能監(jiān)測系統(tǒng)運行步驟示意圖Fig.7 The schematic operating procedures of intelligent identification system for planktonic algal

2 浮游藻類智能監(jiān)測系統(tǒng)檢測結(jié)果驗證

使用30 000 余張浮游藻類圖片對該智能監(jiān)測系統(tǒng)進行訓練。 相關(guān)圖片涵蓋了硅藻門(Bacillariophyta)、甲藻門(Pyorophyta)、金藻門(Chrysophyta)、 藍 藻 門(Cyanophyta)、 裸 藻 門(Euglenophyta)和綠藻門(Chlorophyta)等共計6門43 屬,平均每個屬包含約800 張各類形態(tài)和角度的圖片。 使用藻類智能監(jiān)測系統(tǒng)對實際樣品進行檢測,結(jié)果顯示:各樣品的平均檢測時長低于20 min;適宜的濃度檢測范圍為5×105～2×107個/L,此范圍之外的浮游藻類樣品需適當稀釋或者濃縮。 分別使用漢江水華樣品和南水北調(diào)中線樣品對該系統(tǒng)的檢測結(jié)果進行驗證。

2.1 漢江水華樣品檢測結(jié)果驗證

2021 年1 月底,漢江中下游發(fā)生水華。 研究人員在漢江中下游宜城斷面、仙桃斷面1、仙桃斷面2、興隆斷面采集了水華藻類樣品,用于浮游藻類智能監(jiān)測系統(tǒng)的藻類分類與計數(shù)能力驗證。 首先,使用傳統(tǒng)人工顯微鏡檢測法對樣品進行浮游藻類定量檢測,重復3 次,統(tǒng)計各樣品3 次重復鏡檢的平均密度。 然后,使用浮游藻類智能監(jiān)測系統(tǒng)對樣品進行鑒定計數(shù),重復3 次,統(tǒng)計平均密度。 結(jié)果如表1 所示。

表1 人工鏡檢與智能檢測結(jié)果對比Table 1 Comparison of results from manual identification and machine identification

比對結(jié)果顯示,人工鏡檢與智能檢測的誤差范圍為5.41%～16.92%,平均為11.04%,整體誤差較小。 此外,本次漢江浮游藻類樣品涵蓋了隱藻門、藍藻門和綠藻門等各種浮游藻類常見門類,人工鏡檢的總密度為0.76×107～3.11×107個/L。根據(jù)《水華遙感與地面監(jiān)測評價技術(shù)規(guī)范(試行)》(HJ 1098—2020),此范圍屬于輕度水華水平。 上述結(jié)果說明,該浮游藻類智能監(jiān)測系統(tǒng)已經(jīng)初步具備了對各類群浮游藻類和水華暴發(fā)樣品的檢測能力。 另外,該浮游藻類智能監(jiān)測系統(tǒng)的數(shù)據(jù)庫數(shù)據(jù)來源于南水北調(diào)中線總干渠浮游藻類樣品,檢測前未使用漢江樣本進行訓練,但測試結(jié)果顯示,該模型對漢江水樣的檢測誤差較小,說明其具有良好的泛化能力。

2.2 南水北調(diào)中線樣品檢測結(jié)果驗證

在總量計數(shù)的基礎(chǔ)上,為進一步驗證該系統(tǒng)的識別準確率和精度,本研究使用南水北調(diào)中線沙河南、張村分水口、應河倒虹吸入口、淇河倒虹吸入口、新蟒河倒虹吸入口5 個采樣點的浮游藻類樣品進行系統(tǒng)的驗證測試。

研究人員首先通過人工鏡檢對每個樣點的小環(huán)藻(Cyclotella)、脆桿藻(Fragilaria)、針桿藻(Synedra)、 舟 形 藻 (Navicula)、 橋 灣 藻(Cymbella)、 曲 殼 藻 (Achnanthes)、 柵 藻(Scenedesmus)開展計數(shù),并計算各個樣點的浮游藻類密度;然后使用本研究開發(fā)的浮游藻類智能監(jiān)測系統(tǒng)重復測定上述指標。 兩種方法的檢測結(jié)果如圖8 所示。

圖8 不同水樣的浮游藻類人工鏡檢結(jié)果與智能監(jiān)測系統(tǒng)自動識別結(jié)果對比Fig.8 Comparison of planktonic algal identification result based on microscope and intelligent identification system in different water sample

檢測結(jié)果顯示,本研究開發(fā)的浮游藻類智能監(jiān)測系統(tǒng)在部分浮游藻類的鑒定和計數(shù)上與專業(yè)檢測人員人工鏡檢的結(jié)果基本一致,例如小環(huán)藻、脆桿藻、曲殼藻和柵藻。 使用秩和檢驗比較上述4 種藻類的智能監(jiān)測系統(tǒng)檢測結(jié)果和人工鏡檢檢測結(jié)果,其P值依次為0.21、0.83、0.21、1.00,均大于0.05,說明兩種方法對4 種浮游藻類的檢測結(jié)果差異不顯著,證明該系統(tǒng)具備有效的浮游藻類識別和計數(shù)功能。

智能監(jiān)測系統(tǒng)自動識別并鑒定出的針桿藻、舟形藻和橋灣藻的數(shù)量均超過了人工鏡檢結(jié)果。使用秩和檢驗比較上述3 種藻類的智能監(jiān)測系統(tǒng)檢測結(jié)果和人工鏡檢檢測結(jié)果,P值依次為0.01、0.01、0.04,均小于0.05。 主要原因可能是樣品中上述浮游藻類的密度較低,占比較小,偶然性誤差的影響較大。

浮游藻類總密度的驗證結(jié)果中,秩和檢驗P值為0.53,差異不顯著,說明該系統(tǒng)具備有效的浮游藻類總密度檢測能力。 但人工鏡檢檢出了更多的浮游藻類,主要是因為目前該系統(tǒng)中用于模型訓練的浮游藻類物種數(shù)量還比較有限。 在后續(xù)研究中,通過擴充浮游藻類數(shù)據(jù)集,提升神經(jīng)網(wǎng)絡模型訓練水平,可進一步增加智能識別系統(tǒng)有效鑒定的浮游藻類種類,有效改善浮游藻類密度檢測結(jié)果。

得益于自動化進樣系統(tǒng)和自動識別模塊,該系統(tǒng)可快速對大批量浮游藻類樣品進行鑒定和計數(shù),實現(xiàn)對常規(guī)浮游藻類樣品的實時智能檢測。在處理大批量樣品時,該系統(tǒng)的鑒定計數(shù)時間遠低于人工鏡檢法。 這種大批量、高效率的鑒定計數(shù)優(yōu)勢是傳統(tǒng)人工鏡檢法所無法比擬的。

2.3 對不同屬浮游藻類的鑒定準確率

上述兩部分的驗證結(jié)果表明,該浮游藻類智能監(jiān)測系統(tǒng)能夠高效且準確地鑒定浮游藻類樣品。 為進一步評估該浮游藻類智能監(jiān)測系統(tǒng)在屬水平上的鑒定準確率,使用30 個南水北調(diào)樣品進行測試。 本次測試保證每個屬的個體數(shù)量均在1 000 個以上,共測試了6 門37 屬,測試結(jié)果如圖9 所示。

圖9 浮游藻類智能監(jiān)測系統(tǒng)對不同屬的自動識別準確率Fig.9 The identification accuracy based on intelligent identification system for planktonic algal of different genus

該系統(tǒng)對硅藻門各屬(橋彎藻屬、針桿藻屬、曲殼藻屬、舟形藻屬、直鏈藻屬、小環(huán)藻屬、菱形藻屬、脆桿藻屬、等片藻屬、卵形藻屬、異極藻屬、窗紋藻屬、布紋藻屬)的平均識別準確率為89%,甲藻門(角甲藻屬、多甲藻屬)為91%,金藻門(錐囊藻屬、黃群藻屬)為93%,藍藻門(偽魚腥藻屬、顫藻屬、束絲藻屬、魚腥藻屬、平裂藻屬)為82%,裸藻門(囊裸藻屬、裸藻屬)為94%,綠藻門(盤星藻屬、柵藻屬、轉(zhuǎn)板藻屬、卵囊藻屬、角星鼓藻屬、新月藻屬、鼓藻屬、空星藻屬、纖維藻屬、空球藻屬、水綿屬、絲藻屬、十字藻屬)為84%。 整體而言,該浮游藻類智能監(jiān)測系統(tǒng)對所有屬的平均識別準確率為87%,中位數(shù)為90%。

上述結(jié)果表明,該浮游藻類智能監(jiān)測系統(tǒng)能夠在屬水平上對絕大多數(shù)浮游藻類進行準確鑒定,但對部分浮游藻類的鑒定準確率相對偏低,如綠藻門水綿屬、十字藻屬等。 其原因可能是南水北調(diào)中線樣品中,這兩個屬的浮游藻類較少見,模型圖譜庫中用于學習相關(guān)屬的特征量的圖片標本較少。

2.4 檢測結(jié)果驗證小結(jié)

復雜的浮游藻類鑒定分析過程加大了培養(yǎng)浮游藻類檢測人員和開展浮游藻類檢測工作的難度,成為制約浮游藻類監(jiān)測及相關(guān)水生態(tài)調(diào)查監(jiān)測工作的主要因素。 本研究開發(fā)的浮游藻類智能監(jiān)測系統(tǒng)能夠順利完成浮游藻類樣品自動化進樣、拍攝、鑒定和識別等一系列操作,其計數(shù)結(jié)果與專業(yè)鑒定人員采用顯微鏡檢測法得到的計數(shù)結(jié)果的誤差較小。 與同類型儀器設(shè)備相比,基于熒光傳感方法的藻類熒光在線監(jiān)測儀不能進行屬水平上的浮游藻類分類鑒定,而本研究開發(fā)的智能監(jiān)測系統(tǒng)能夠較為準確地完成鑒定[5];基于顯微圖像處理方法的藻類識別技術(shù)的識別準確率只有70%[22],而本研究開發(fā)的智能監(jiān)測系統(tǒng)的平均識別準確率達到了87%;基于流式細胞儀技術(shù)的浮游藻類在線監(jiān)測設(shè)備盡管具有較好的實用性,但不太適用于組成復雜的浮游藻類樣品[23],而本研究開發(fā)的智能監(jiān)測系統(tǒng)能夠有效識別各類藻類,適用于組成復雜的藻類樣品。 綜上所述,本研究開發(fā)的智能監(jiān)測系統(tǒng)比同類儀器具有更好的浮游藻類監(jiān)測能力。 驗證結(jié)果說明,該系統(tǒng)具備有效的浮游藻類總密度檢測能力,在屬水平上的檢測準確率高,而且具有較強的泛化能力。

同時,該浮游藻類智能監(jiān)測系統(tǒng)目前也還存在著一定的局限性,需要采集更多的浮游藻類樣品以擴充用于深度學習訓練的圖譜庫,對深度學習模型的訓練和優(yōu)化也需要逐步完成。 因此,當前該系統(tǒng)的識別精確度受到了一定程度的限制。由于浮游藻類智能監(jiān)測系統(tǒng)具有較強的學習和泛化能力,隨著后續(xù)圖譜庫得到進一步的擴充,其對浮游藻類的鑒定準確率將進一步升高,檢測誤差也將進一步縮小。

3 結(jié)論

本研究將深度學習技術(shù)運用于浮游藻類圖像識別,建立了高效準確的浮游藻類智能監(jiān)測系統(tǒng)。與傳統(tǒng)的顯微鏡檢測法相比,本研究提出的浮游藻類智能監(jiān)測系統(tǒng)不僅能夠快速、高效、高通量地對浮游藻類進行智能鑒定并計數(shù),顯著提升浮游藻類監(jiān)測工作的效率,而且可以降低研究人員個人經(jīng)驗和“師承派別”對浮游藻類檢測工作的影響,提升浮游藻類監(jiān)測工作的規(guī)范化和標準化水平。 深度學習框架不僅保證了鑒定結(jié)果和計數(shù)結(jié)果的準確性,而且具有良好的可拓展性。 后續(xù),需進一步完善該系統(tǒng),使用更多的浮游藻類數(shù)據(jù)對深度學習框架進行訓練,進一步提升浮游藻類群落鑒定和計數(shù)的準確率,從而實現(xiàn)對南水北調(diào)中線浮游藻類的實時在線監(jiān)控,也為實現(xiàn)浮游藻類監(jiān)測工作的標準化和普及化、及時掌握重要水體藻類群落的動態(tài)特征、準確分析水環(huán)境質(zhì)量的演變趨勢奠定基礎(chǔ),為我國的水生態(tài)環(huán)境管理和保護工作提供支撐。