基于深度学习的微藻自动检测系统研究

目的 微藻养殖产业规模巨大，在养殖过程中微藻易受杂菌和其他污染物的影响，因此需要定期对微藻进行检测，以确定其生长情况。现有的光学显微成像法和光谱分析法对实验人员、实验设备及场地的要求较高，无法做到实时快速检测。为了实现实时快速检测，需要一套检测要求低、速度快的实时微藻检测系统。方法 本文开发了一种基于深度学习的微藻检测系统，通过搭建一套基于明场成像的显微成像设备，使用采集的图像训练基于YOLOv3的神经网络，并将训练好的神经网络部署到微型计算机，从而实现了实时便携微藻检测。本文对特征提取网络进行改进，包括引入跨区域残差连接机制和注意力选择机制，另外还将优化器改为Adam优化器，使用多阶段多方法组合策略。结果 加载跨区域残差连接机制时最高平均精度（mAP）值为0.92。通过与人工结果进行对比，得到检测误差为2.47%。结论 该系统能够实现微藻实时便携检测，提供较为准确的检测结果，可以应用于微藻养殖中的定期检测。