通过深层卷积神经网络和图像识别来研究微藻生物质的定量方法
Yang Peng1, Shen Yao1, Aoqiang Li1
1School of Low-Carbon Energy and Power Engineering, China University of Mining and Technology, No 1, Daxue Road, Xuzhou, Jiangsu 221116, China.
Bioresource technology
|May 26, 2024
概括
本研究介绍了一种基于图像的方法,使用卷积神经网络来监测微藻种植. 剩余网络 (RES) 模型在预测藻类度方面表现出卓越的准确性和稳定性,优化了能源效率.
科学领域:
- 生物技术是生物技术.
- 机器学习 机器学习
- 水产养殖是水产养殖的一种方式.
背景情况:
- 有效监测微藻种植对于优化能源利用效率至关重要.
- 基于图像的分析为微藻生物质的非侵入性和定量评估提供了一个有希望的途径.
研究的目的:
- 建议和评估使用卷积神经网络 (CNN) 对微藻种植监测的定量分析方法.
- 为了比较EfficientNet (EFF) 和残余网络 (RES) 算法的性能,用于从图像中预测微藻度.
主要方法:
- 开发了一种使用两个CNN处理的微藻图像的定量分析方法:EfficientNet (EFF) 和残余网络 (RES).
- 使用Rhodophyta (RH) 和Spirulina (SP) 的悬浮样本测试了该方法,以模拟真实的种植条件.
- 评估了算法的预测准确性,概括能力和稳定性.
主要成果:
- 提出的基于图像的方法实现了藻类度的高预测精度,从0.94到0.99.
- 罗多菲塔 (RH) 由于明显的颜色变化,显示出比螺旋藻 (SP) 更高的预测准确度.
- 相比于EfficientNet (EFF) 和线性回归,剩余网络 (RES) 显示出更高的概括性和稳定性.
结论:
- 该RES算法为微藻种植中的基于图像的定量分析提供了一种可行的和强大的方法.
- 使用CNN的图像分析可以有效监测微藻度,有助于过程优化和能源效率.
