通过数字全息学和深度学习智能检测和识别海洋浮游生物
Xianfeng Xu1, Weilong Luo1, Zhanhong Ren1
1College of Science, China University of Petroleum (East China), Qingdao 266580, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
本研究介绍了一种智能方法,将数字全息和深度学习结合起来,用于海洋浮游生物的检测和识别. 该方法在从单个全息图中重建和识别各种浮游生物物种时达到高精度.
科学领域:
- 海洋生态海洋生态学
- 生物技术是生物技术.
- 计算成像技术的成像
背景情况:
- 海洋浮游生物研究依赖于准确的检测和识别.
- 数字全息提供先进的成像,但面临着环境和计算限制.
- 现有的方法阻碍了现实世界的浮游生物成像应用.
研究的目的:
- 利用数字全息学和深度学习开发一种用于海洋浮游生物检测和识别 (IDRMP) 的智能方法.
- 为了克服传统数字全息图的局限性,用于浮游生物成像.
- 为分析浮游生物种群提供一个高效准确的系统.
主要方法:
- 一个集成的A-Unet深度学习网络被开发和训练在数字全息图上.
- 实现了一个YOLOv5系统接口,用于从单个中进行端到端的浮游生物检测.
- 使用各种海洋浮游生物样本进行了光学实验.
主要成果:
- 通过IDRMP方法,重建图像的结构相似性达到0.97以上.
- 对于四种主要的浮游生物物种,YOLOv5系统的平均检测准确率为91.0%.
- 该系统显示了各种浮游生物类型的理想和可接受的结果,包括Copepods,Tunicates和Polychaetes.
结论:
- 拟议的IDRMP方法在检测和识别众多浮游生物方面是高效和准确的.
- 这种智能方法克服了数字全息在海洋环境中的实际局限性.
- 该系统能够从单个全息图中稳定有效地重建和识别浮游生物.
