CN116152804A - 一种藻类密度、生物量与叶绿素a的快速估算方法及系统 - Google Patents
一种藻类密度、生物量与叶绿素a的快速估算方法及系统 Download PDFInfo
- Publication number
- CN116152804A CN116152804A CN202211686402.2A CN202211686402A CN116152804A CN 116152804 A CN116152804 A CN 116152804A CN 202211686402 A CN202211686402 A CN 202211686402A CN 116152804 A CN116152804 A CN 116152804A
- Authority
- CN
- China
- Prior art keywords
- algae
- biomass
- species
- chlorophyll
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/693—Acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本申请公开了一种藻类密度、生物量与叶绿素a的快速估算方法及系统,包括以下步骤:分别为不同种属的藻类构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型和研发群体性藻类细胞统计算法;基于显微镜图像,检测藻类种属细胞并且统计细胞个数;结合相机拍摄视野数和样品分析流道体积,计算藻类密度;基于藻类种属和它的细胞个数,结合藻类细胞体积模型,计算藻类生物量;基于各种属的藻类生物量,结合生物量与叶绿素a模型,计算叶绿素a含量;基于各种属的藻类生物量和藻类密度,计算当前样品藻类的优势种属。通过离线建模和在线分析相结合的方式,实现了基于显微镜图像下的藻类密度、生物量和叶绿素a的快速计算与测定。
Description
技术领域
本申请属于水生态环境监测技术领域,具体涉及一种藻类密度、生物量与叶绿素a的快速估算方法及系统。
背景技术
随着工农业经济的快速发展,人类活动所产生的大量营养物质和有毒物质的输入,引起水库、湖泊的水体富营养化,造成藻类大量繁殖,溶解氧耗竭,水质恶化及水生态失衡。目前湖库富营养化以及藻类水华暴发已经成为我国面临的主要环境问题之一,据统计,长江流域参评37个湖泊水库中轻度富营养化湖库占比呈逐渐增加趋势,处于轻度以上富营养化程度的湖(库)占比由2016年的18.4%上升至2019年的29.7%,菜子湖、仙女湖富营养化程度由中营养转变为轻度富营养化,洪湖由中营养转变为中度富营养化。全国重点湖库如滇池、太湖、巢湖、丹江口水库库湾、三峡水库库湾,长江部分支流、珠江部分江段等水域均不同程度地存在富营养化问题。湖泊富营养化带来的藻类水华频发,成为当前我国湖库面临的主要问题。如何快速、准确的监测藻类,成为藻类水华机理研究与水华预警、防控的一大难题。
叶绿素a是一种包含在浮游植物的多种色素中的重要色素。在浮游植物中,占有机物干重的1%~2%,叶绿素a含量高低能较好的反映藻类生物量大小,是估算初级生产力和生物量的指标。当前叶绿素a含量的测定一是《水质叶绿素a的测定分光光度法》(HJ897-2017),主要通过藻类抽滤-叶绿素a提取-分光光度法测定,该方法测试精度高,但耗时耗力,难以满足高密度测试需求。另外一种方法是利用浮游藻类的活体荧光测量其体内的叶绿素浓度,即在浮游藻类的正常生理状态下,利用其受激辐射出的叶绿素荧光强度测量叶绿素浓度。近20年来,荧光技术在藻类监测方面取得很大发展,实现了叶绿素体外在线监测。相对于传统的分光光度法测量,叶绿素的体外荧光测量法极大地提高了检测效率。目前已商品化仪器主要有基于单点荧光光谱法的YSI多参数水质检测仪、HydrolabDS5水质多功能监测仪、基于激发荧光光谱法的PHYTO-PAM叶绿素荧光仪和BBE藻类现场分析仪等。该方法测试速度快,能实现在线高密度测试,缺点是测试易受浊度等外界因素干扰,测试误差大。如何在藻类测试精度和效率之间找到一个平衡,实现又快又准测试,成为迫切需要解决的问题。
发明内容
本申请提出了一种藻类密度、生物量与叶绿素a的快速估算方法及系统,通过离线建模和在线分析相结合的方式,实现了基于显微镜图像下的藻类密度、生物量和叶绿素a的快速计算与测定。
为实现上述目的,本申请提供了如下方案:
一种藻类密度、生物量与叶绿素a的快速估算方法,包括以下步骤:
S1、分别为不同种属的藻类构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型和针对群体性藻类研发细胞统计算法;
S2、基于显微镜图像,并结合深度学习藻类目标检测模型,检测藻类种属并且统计它们的细胞个数;
S3、基于得到的藻类种属和细胞个数,结合相机拍摄视野数和样品分析流道体积,计算藻类密度;
S4、基于得到的藻类种属和细胞个数,结合所述藻类细胞体积模型,计算藻类生物量;
S5、基于各种属的藻类生物量,结合所述生物量与叶绿素a模型,计算叶绿素a含量;
S6、基于各种属的藻类生物量和藻类密度,计算当前样品藻类的优势种属。
优选的,所述S1构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型和针对群体性藻类研发细胞统计算法的方法包括:
以种属为单位,构建藻类细胞单位体积模型;
以种属为单位,构建单位生物量与叶绿素a模型;
收集各个种属的藻类图像数据,进行标注后,训练藻类目标检测模型;
针对群体性藻类,开发群体性藻类细胞个数统计算法。
优选的,所述S2中检测所述藻类种属并且统计细胞个数的方法包括:在显微镜图像上运行藻类目标检测模型,检测出藻类名称和像素坐标位置;基于藻类目标检测模型的检测结果和群体性藻类细胞统计算法,计算藻类的细胞个数。
优选的,所述S3计算藻类密度的方法包括:首先统计系统向流道注入的样品次数和图像分析的视野总数,计算出样品的实际体积。然后,统计检测出的藻类种属和它们的细胞总数,最后计算出当前各种属的藻密度指标。
优选的,所述S4计算藻类生物量的方法包括:对所有检测出来的藻类细胞,按种属将藻类细胞总数分别乘以对应的单位细胞体积模型,得到各种属藻类的细胞体积指标;通过藻类细胞体积算出藻类的生物量;对检测出来的所有藻类计算生物量,并统计出总生物量和各种属藻类的生物量占比指标。
优选的,所述S5中计算叶绿素a含量的方法包括:对所有检测出来的藻类,按种属将它们的生物量分别乘以对应的单位生物量与叶绿素a模型,得到各种属藻类的叶绿素a含量;统计各种属藻类的叶绿素a含量,计算出叶绿素a总含量和各种属藻类叶绿素a含量占比指标。
优选的,所述S6中计算优势种属的方法包括:找出生物量占比大于15%或藻密度占比大于15%的种属;将生物量占比和藻密度占比均按0.5的系数进行加权,计算优势藻种评价指标。
优选的,所述优势藻种评价指标还包括:按优势藻种评价指标,对优势藻种从高到低进行排序;
将所有优势藻种的生物量相加,除以总生物量,计算所有优势藻种与总生物量的占比;
将所有优势藻种的细胞个数相加,除以样品的实际体积,计算出所有优势藻种的藻密度指标;
将所有优势藻种的叶绿素a含量相加,除以叶绿素a总含量,计算出所有优势藻种与叶绿素a总含量的占比。
本申请还提供了一种藻类密度、生物量与叶绿素a的快速估算系统,包括:离线建模模块、藻类检测与细胞个数统计模块、藻类密度计算模块、藻类生物量计算模块、藻类叶绿素a估算模块和优势藻种指标计算模块;
所述离线建模模块用于对藻类细胞构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型、开发群体性藻类细胞个数统计算法;
所述藻类检测与细胞个数统计模块用于基于藻类目标检测模型检测出藻类种属并且统计它们的细胞个数;
所述藻类密度计算模块用于计算藻类密度;
所述藻类生物量计算模块用于基于细胞体积模型计算藻类生物量;
所述藻类叶绿素a估算模块用于基于生物量与叶绿素a模型计算藻类叶绿素a含量;
所述势藻种指标计算模块用于计算藻类的优势种属各项指标参数。
本申请的有益效果为:
本申请分析的内容全面,涵盖藻类种属分类、藻类细胞个数统计、藻密度计算、藻类生物量计算、藻类叶绿素a估算和优势藻种分析;相比传统静态测样来说,一方面提高了样品分析的效率,另外通过仪器分析的数据均一性更好;通过深度学习与人工智能技术的相结合,该方法既可以快速地对样品进行分析,同时也能保证分析的精度在一个合理的范围;另外,可根据实际应用需求来设置藻类指标收敛参数,在藻类各项指标精度与检测效率之间取得平衡。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一的整体流程示意图;
图2是本申请实施例一的离线建模流程示意图;
图3是本申请实施例一的藻类细胞体积模型流程示意图;
图4是本申请实施例一的藻类生物量与叶绿素a模型流程示意图;
图5是本申请实施例一的深度学习目标检测模型流程示意图;
图6是本申请实施例一的单视野下藻类检测与细胞个数统计流程示意图;
图7是本申请实施例一的藻密度计算流程示意图;
图8是本申请实施例一的藻类生物量计算流程示意图;
图9是本申请实施例一的藻类叶绿素a估算流程示意图;
图10是本申请实施例一的优势藻种指标计算流程示意图;
图11是本申请实施例二的系统在线分析流程示意图;
图12是本申请实施例二的藻类指标计算流程示意图;
图13是本申请实施例二的藻类检测与细胞个数统计流程示意图;
图14是本申请实施例二的藻类指标组成示意图;
图15是本申请实施例二的相邻视野藻类密度偏差比例计算示意图;
图16是本申请实施例三的整体结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
实施例一
如图1所示,为本申请的整体流程示意图,包括以下步骤:S1、离线建模:分别为不同种属的藻类构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型和群体性藻类开发细胞统计算法。
S2、藻类检测与细胞个数统计:
基于显微镜图像,检测藻类种属并且统计它们的细胞个数;
S3、藻类密度计算:基于所述得到的藻类种属和它们的细胞个数,结合相机拍摄视野数和样品分析流道体积,计算藻类密度;
S4、藻类生物量计算:基于所述得到的藻类种属和它们的细胞个数,结合所述藻类细胞体积模型,计算藻类生物量;
S5、藻类叶绿素a估算:基于计算的各种属的藻类生物量,结合所述生物量与叶绿素a模型,计算叶绿素a含量;
S6、优势藻种指标计算:基于计算的各种属的藻类生物量和藻类密度,计算当前样品藻类的优势种属。
其中,步骤S2~步骤S6为在线分析模块。
如图2所示,离线建模过程包括以下内容:
⑴构建藻类细胞体积模型:以种属为单位,构建藻类细胞单位体积尺寸模型;
⑵构建藻类生物量与叶绿素a模型:以种属为单位,构建单位生物量与叶绿素a模型;
⑶训练藻类目标检测模型:用于在图像上检测出藻类坐标和识别藻类的名称;
⑷针对群体性藻类开发细胞个数统计算法。
如图3所示,构建藻类细胞体积模型包括以下内容:
⑴收集不同地区、不同时间段的藻类样本,也可以通过购买纯种藻类来进行补充,人工进行培养,获取藻类不同生长周期的样品;
⑵通过镜检(400倍)的方式,对每个种属不同生长周期的藻类随机测定50~100个,人工统计出每个种属藻类细胞的长度、宽度、高度和直径等参数;
⑶结合步骤⑵测量的参数,将各种属藻类按最近似的几何图形计算出它们的体积;
⑷按藻类生长周期,将藻类分为三个阶段,分别统计每个阶段藻类的体积平均值;
⑸为常见的种属按步骤⑷构建出细胞体积模型。
如图4所示,所述构建藻类生物量与叶绿素a模型包括以下内容:
⑴针对常见种属藻类,购买纯藻样品;
⑵通过镜检(400倍)的方式,对每个种属的纯藻样品随机测定50~100个,人工统计出每个种属藻类细胞的平均体积;
⑶通过镜检(400倍)的方式,对每个种属的纯藻样品随机测定50~100个,人工统计出每个纯藻样品中的藻类细胞个数;
⑷将步骤⑶统计的藻类细胞个数乘以步骤⑵对应的藻类细胞的平均体积,得到该样品中藻类总体积。并根据“109um3≈1mg鲜藻重的换算关系”把藻类细胞体积换算成生物量(mg/L,湿重),得到该样品藻类总生物量指标;
⑸通过“水质叶绿素a的测定分光光度法”对不同种属的纯藻样品进行叶绿素a的测定,分别计算出样品中叶绿素a的总含量(mg/L);
⑹将步骤⑸中计算的叶绿素a总含量除以步骤⑷计算的样品总生物量(mg/L),得到该种属藻类单位生物量对应的叶绿素a含量指标;
⑺对每个种属的藻类随机测定50~100个样品,统计出藻类单位生物量对应的叶绿素a含量指标的平均值。
如图5所示,所述训练藻类目标检测模型包括以下内容:
⑴收集不同地区、不同时间段的藻类样本,也可以通过购买纯种藻类来进行补充,在显微镜(400倍)下进行拍摄,得到藻类样本图像数据;
⑵每个种属的藻类收集不低于300张样本图像数据;
⑶对藻类样本图像数据进行标注时,单细胞藻类单独进行标注;群体性藻类按群体进行整体标注;
⑷对标记的样本数据进行数据增广扩充,例如:翻转、镜像、随机添加白噪声、颜色调整、随机裁剪等;
⑸优选地,采用YOLOV5框架来训练深度学习目标检测模型。
所述针对群体性藻类开发细胞个数统计算法包括:分析群体性藻类的图像特征,通过图像模式识别与深度学习技术为群体性藻类开发细胞个数统计算法。
如图6所示,藻类检测与细胞个数统计包括以下步骤:
⑴通过显微镜(400倍)+工业相机的方式,采集样品流道上当前视野下的图像数据;
⑵在采集的图像数据上,进行藻类目标检测模型推理,检测出图像上的藻类种属和它们对应的像素坐标;
⑶如果识别的藻类是单细胞藻类,那么直接统计图像上该藻类被检出的次数,这个次数就是当前图像上该藻类的细胞个数;
⑷如果识别的藻类是群体性藻类,那么根据它的像素坐标,从图像上将群体性藻类区域的图像数据截取出来,并调用与该藻类对应的群体细胞个数统计模块来统计它的细胞个数;
⑸如果群体性藻类具有典型细胞个数值,那么将进一步对它的细胞个数按典型值进行修正;
⑹如果图像上出现多个同类型的群体性藻类,则将它们的细胞个数进行相加,得到图像上该藻类的细胞总个数。
如图7所示,藻类密度计算包括以下步骤:
⑴计算当前已分析样品的实际体积;
⑵按藻类种属,统计总的细胞个数;
⑶将步骤⑵除以步骤⑴,计算出各种属藻类的细胞密度。
如图8所示,所述藻类生物量计算包括以下步骤:
⑴计算当前已分析样品的实际体积;
⑵按藻类种属,统计总的细胞个数;
⑶分别将各种属藻类的细胞总数乘以对应的单位细胞体积模型,然后除以样品的实际体积,得到各种属藻类的细胞体积指标;
⑷根据“109um3≈1mg鲜藻重的换算关系”把藻类细胞体积换算成生物量(mg/L,湿重),得到各种属藻类的生物量指标;
⑸统计出所有藻类的总生物量,然后计算各种属藻类的生物量相对总生物量的占比指标。
如图9所示,藻类叶绿素a估算包括以下步骤:
⑴统计各种属藻类的生物量指标;
⑵对所有检测出来的藻类,将它们的生物量分别乘以对应的单位生物量与叶绿素a模型,得到各种属藻类的叶绿素a含量;
⑶统计各种属藻类的叶绿素a含量,计算出叶绿素a总含量和各种属藻类叶绿素a含量占比指标。
如图10所示,优势藻种指标计算包括以下步骤:
⑴找出生物量占比大于15%或藻密度占比大于15%的种属;
⑵将各个优势种属的生物量占比和藻密度占比均按0.5的系数进行加权,计算出优势藻种评价指标;
⑶按优势藻种评价指标的大小,对该样品的优势藻种从高到低进行排序;
⑷将所有优势藻种的生物量相加,然后除以总生物量,计算所有优势藻种与总生物量的占比;
⑸将所有优势藻种的细胞个数相加,然后除以样品的实际体积,计算出所有优势藻种的藻密度指标;
⑹将所有优势藻种的叶绿素a含量相加,然后除以叶绿素a总含量,计算出所有优势藻种与叶绿素a总含量的占比。
实施例二
为了更好地说明本发明计算藻类密度、生物量、叶绿素a和优势藻种的过程,结合图11对系统在线分析流程进行说明,它包括以下步骤:
⑴流道进样:样品流道的体积是固定的。系统进样时会根据流道的体积,注入定量的样品进行分析。
⑵初始状态下,显微镜相机会从流道的初始位置进行拍照和分析,然后在流道上按等距离进行移动。因此,对于单个流道而言,相机拍摄的视野数是固定的;
⑶当显微镜相机移动到该流道最后一个位置进行拍摄和分析后,系统会重新向流道注入新的定量样品。同时,也会将显微镜相机的位置进行复位操作,回到流道的初始位置;
⑷流道视野下图像采集:显微镜相机在流道上完成移动后,会采集该视野下的图像数据;
⑸藻类指标计算:计算并统计当前视野下的藻类各项监测指标;
⑹将当前视野下计算的藻类密度指标记为densityC,将上一个视野下计算的藻类密度指标记为densityP;
⑺计算当前视野下藻类密度指标与上个视野下藻类密度指标的偏差比例ratioD(ratioD=abs(densityC-densityP)/densityC);
⑻设置藻类密度偏差比例阈值(5%),如果ratioD小于设置的偏差阈值,那么计数器(count)开始计数加1。计数器是一个变量,初始值为0;
⑼在分析藻类指标时,如果步骤⑺计算的ratioD大于设置的藻类密度偏差比例阈值,那么count将复位为0;
⑽设置藻类密度收敛阈值(10),当count小于该阈值时,显微镜相机在流道上继续移动拍照和分析藻类指标;
⑾如果count数值大于藻类密度收敛阈值,即连续count次相邻藻类密度之间的偏差比例均小于5%,那么说明该样品的分析达到了稳定的状态,将结束分析当前样品;
⑿通过调节藻类密度偏差比例阈值或藻类密度收敛阈值,可以控制藻类各项指标的计算精度和检测效率。在实际使用时,可根据使用场景进行灵活地设置,在指标精度与检测效率间取得平衡。
如图12所示,藻类指标计算包括以下步骤:
⑴藻类检测与细胞统计:在采集的图像上识别藻类的种属类别和位置关系,并统计它们的细胞个数;
⑵样品体积计算:通过统计流道注入样品的次数和当前系统分析的视野数,可以精确地计算出当前视野下样品的实际体积;
⑶藻类监测指标计算:根据各种属藻类的细胞个数和样品的体积,计算出各种属藻类的藻密度、生物量、叶绿素a含量和优势藻种数据。
如图13所示,所述藻类检测与细胞统计包括以下步骤:
⑴在当前视野下采集图像数据,识别藻类的种属类别和位置关系,并统计它们的细胞个数;
⑵将当前视野下分析的藻类种属和细胞个数与该样品之前视野下分析的数据进行汇总,得到样品中各种属藻类的汇总数据。
如图14所示,所述藻类监测指标计算包括以下步骤:
⑴将各种属藻类的细胞个数除以样品的实际体积,得到当前视野下样品中各种属藻类的密度指标;
⑵将当前视野下样品中各种属藻类的密度相加,得到总的藻类的密度。然后计算各种属藻类密度与藻类总密度的占比;
⑶将各种属藻类的细胞个数乘以对应的单位细胞体积模型,然后除以样品的实际体积,得到当前视野下样品中各种属藻类的细胞体积指标。然后根据“109um3≈1mg鲜藻重的换算关系”把藻类细胞体积换算成生物量(mg/L,湿重),得到当前视野下样品中各种属藻类的生物量指标;
⑷将当前视野下样品中各种属藻类的生物量相加,得到总的生物量。然后计算各种属藻类生物量与总生物量的占比;
⑸将各种属藻类的生物量分别乘以对应的单位生物量与叶绿素a模型,得到当前视野下样品中各种属藻类的叶绿素a含量;
⑹将当前视野下样品中各种属藻类的叶绿素a含量相加,得到总的叶绿素a含量。然后计算各种属藻类叶绿素a含量与叶绿素a总含量的占比;
⑺找出生物量占比大于15%或藻密度占比大于15%的种属,然后分别计算它们的优势藻种评价指标(优势藻种评价指标=生物量占比*0.5+藻密度占比*0.5);
⑻按优势藻种评价指标的大小,对该样品的优势藻种从高到低进行排序;
⑼将所有优势藻种的生物量相加,然后除以总生物量,计算所有优势藻种与总生物量的占比;
⑽将所有优势藻种的细胞个数相加,然后除以样品的实际体积,计算出所有优势藻种的藻密度指标;
⑾将所有优势藻种的叶绿素a含量相加,然后除以叶绿素a总含量,计算出所有优势藻种与叶绿素a总含量的占比。
如图15所示,所述藻密度偏差比例计算包括以下步骤:
⑴计算上个视野样品中藻类细胞总密度densityTC;
⑵计算当前视野样品中藻类细胞总密度densityTP;
⑶计算当前视野藻类总密度指标与上个视野藻类总密度指标的偏差比例ratioTD(ratioTD=abs(densityTC-densityTP)/densityTC);
⑷设置藻类密度偏差比例阈值(5%),如果ratioTD小于设置的偏差比例阈值,那么将进一步按种属计算各个种属相邻视野藻密度的偏差比例ratioD;
⑸当所有种属相邻视野藻密度的偏差比例均小于藻类密度偏差比例阈值时,才对计数器(count)计数加1。计数器是一个变量,初始值为0;
⑹当相邻视野藻类总密度ratioTD大于设置的偏差比例阈值时,count将复位为0;
⑺当相邻视野任意一个种属的藻类密度ratioD大于设置的偏差比例阈值时,count将复位为0。
实施例三
如图16所示,为本申请实施例三的结构示意图,包括:离线建模模块、藻类检测与细胞个数统计模块、藻类密度计算模块、藻类生物量计算模块、藻类叶绿素a估算模块和优势藻种指标计算模块;
离线建模模块用于对藻类细胞构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型和群体性藻类开发细胞统计算法;
藻类检测与细胞个数统计模块用于基于藻类目标检测模型检测藻类种属并且统计它们的细胞个数;
藻类密度计算模块用于计算藻类密度;
藻类生物量计算模块用于基于细胞体积模型计算藻类生物量;
藻类叶绿素a估算模块用于基于生物量与叶绿素a模型计算藻类叶绿素a含量;
势藻种指标计算模块用于计算藻类的优势种属各项指标参数。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (9)
1.一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,包括以下步骤:
S1、分别为不同种属的藻类构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型和针对群体性藻类研发细胞统计算法;
S2、基于显微镜图像,并结合深度学习藻类目标检测模型,检测藻类种属并且统计它们的细胞个数;
S3、基于得到的藻类种属和细胞个数,结合相机拍摄视野数和样品分析流道体积,计算藻类密度;
S4、基于得到的藻类种属和细胞个数,结合所述藻类细胞体积模型,计算藻类生物量;
S5、基于各种属的藻类生物量,结合所述生物量与叶绿素a模型,计算叶绿素a含量;
S6、基于各种属的藻类生物量和藻类密度,计算当前样品藻类的优势种属。
2.根据权利要求1所述的一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,所述S1构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型和针对群体性藻类研发细胞统计算法的方法包括:
以种属为单位,构建藻类细胞单位体积模型;
以种属为单位,构建单位生物量与叶绿素a模型;
收集各个种属的藻类图像数据,进行标注后,训练藻类目标检测模型;
针对群体性藻类,开发群体性藻类细胞个数统计算法。
3.根据权利要求1所述的一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,所述S2中检测所述藻类种属并且统计细胞个数的方法包括:在显微镜图像上运行藻类目标检测模型,检测出藻类名称和像素坐标位置;基于藻类目标检测模型的检测结果和群体性藻类细胞统计算法,计算藻类的细胞个数。
4.根据权利要求1所述的一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,所述S3计算藻类密度的方法包括:首先统计系统向流道注入的样品次数和图像分析的视野总数,计算出样品的实际体积。然后,统计检测出的藻类种属和它们的细胞总数,最后计算出当前各种属的藻密度指标。
5.根据权利要求1所述的一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,所述S4计算藻类生物量的方法包括:对所有检测出来的藻类细胞,按种属将藻类细胞总数分别乘以对应的单位细胞体积模型,得到各种属藻类的细胞体积指标;通过藻类细胞体积算出藻类的生物量;对检测出来的所有藻类计算生物量,并统计出总生物量和各种属藻类的生物量占比指标。
6.根据权利要求1所述的一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,所述S5中计算叶绿素a含量的方法包括:对所有检测出来的藻类,按种属将它们的生物量分别乘以对应的单位生物量与叶绿素a模型,得到各种属藻类的叶绿素a含量;统计各种属藻类的叶绿素a含量,计算出叶绿素a总含量和各种属藻类叶绿素a含量占比指标。
7.根据权利要求1所述的一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,所述S6中计算优势种属的方法包括:找出生物量占比大于15%或藻密度占比大于15%的种属;将生物量占比和藻密度占比均按0.5的系数进行加权,计算优势藻种评价指标。
8.根据权利要求7所述的一种藻类密度、生物量与叶绿素a的快速估算方法,其特征在于,所述优势藻种评价指标还包括:按优势藻种评价指标,对优势藻种从高到低进行排序;
将所有优势藻种的生物量相加,除以总生物量,计算所有优势藻种与总生物量的占比;
将所有优势藻种的细胞个数相加,除以样品的实际体积,计算出所有优势藻种的藻密度指标;
将所有优势藻种的叶绿素a含量相加,除以叶绿素a总含量,计算出所有优势藻种与叶绿素a总含量的占比。
9.一种藻类密度、生物量与叶绿素a的快速估算系统,其特征在于,包括:离线建模模块、藻类检测与细胞个数统计模块、藻类密度计算模块、藻类生物量计算模块、藻类叶绿素a估算模块和优势藻种指标计算模块;
所述离线建模模块用于对藻类细胞构建细胞体积模型、生物量与叶绿素a模型、藻类目标检测模型、开发群体性藻类细胞个数统计算法;
所述藻类检测与细胞个数统计模块用于基于藻类目标检测模型检测出藻类种属并且统计它们的细胞个数;
所述藻类密度计算模块用于计算藻类密度;
所述藻类生物量计算模块用于基于细胞体积模型计算藻类生物量;
所述藻类叶绿素a估算模块用于基于生物量与叶绿素a模型计算藻类叶绿素a含量;
所述势藻种指标计算模块用于计算藻类的优势种属各项指标参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686402.2A CN116152804B (zh) | 2022-12-26 | 2022-12-26 | 一种藻类密度、生物量与叶绿素a的快速估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686402.2A CN116152804B (zh) | 2022-12-26 | 2022-12-26 | 一种藻类密度、生物量与叶绿素a的快速估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152804A true CN116152804A (zh) | 2023-05-23 |
CN116152804B CN116152804B (zh) | 2023-09-26 |
Family
ID=86359272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211686402.2A Active CN116152804B (zh) | 2022-12-26 | 2022-12-26 | 一种藻类密度、生物量与叶绿素a的快速估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152804B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120058542A1 (en) * | 2009-03-11 | 2012-03-08 | Live Fuels ,Inc. | Systems and methods for regulating algal biomass |
CN105092495A (zh) * | 2015-08-05 | 2015-11-25 | 中国科学院寒区旱区环境与工程研究所 | 一种生物土壤结皮中藻类生物量的测定方法 |
CN105606075A (zh) * | 2015-12-18 | 2016-05-25 | 中国科学院南京地理与湖泊研究所 | 一种基于局部风速的大型浅水湖泊水华微囊藻垂向分布模式的判别方法 |
CN109852664A (zh) * | 2018-12-14 | 2019-06-07 | 浙江易测环境科技有限公司 | 一种用于检测水华或赤潮水体中单一藻类生物量的方法 |
CN110487705A (zh) * | 2019-09-03 | 2019-11-22 | 中国科学院南京地理与湖泊研究所 | 一种微囊藻的计数方法、系统及装置 |
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
-
2022
- 2022-12-26 CN CN202211686402.2A patent/CN116152804B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120058542A1 (en) * | 2009-03-11 | 2012-03-08 | Live Fuels ,Inc. | Systems and methods for regulating algal biomass |
CN105092495A (zh) * | 2015-08-05 | 2015-11-25 | 中国科学院寒区旱区环境与工程研究所 | 一种生物土壤结皮中藻类生物量的测定方法 |
CN105606075A (zh) * | 2015-12-18 | 2016-05-25 | 中国科学院南京地理与湖泊研究所 | 一种基于局部风速的大型浅水湖泊水华微囊藻垂向分布模式的判别方法 |
CN109852664A (zh) * | 2018-12-14 | 2019-06-07 | 浙江易测环境科技有限公司 | 一种用于检测水华或赤潮水体中单一藻类生物量的方法 |
CN110487705A (zh) * | 2019-09-03 | 2019-11-22 | 中国科学院南京地理与湖泊研究所 | 一种微囊藻的计数方法、系统及装置 |
CN114418995A (zh) * | 2022-01-19 | 2022-04-29 | 生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心 | 一种基于显微镜图像的级联藻类细胞统计方法 |
Non-Patent Citations (8)
Title |
---|
于海燕;周斌;胡尊英;马勇;晁爱敏;: "生物监测中叶绿素a浓度与藻类密度的关联性研究", 中国环境监测, no. 06 * |
刘晓蕙;柳桢;庄东刚;朱静媛;巴月;程学敏;崔留欣;: "郑州市某地表水源藻类与环境因子回归分析", 中国公共卫生, no. 01 * |
周绪申;马帅领;尚志鸣;王迎;郭丽峰;林超;: "分光光度法测定铜绿微囊藻细胞密度研究", 水利技术监督, no. 05 * |
常淳;冯平;孙冬梅;张凯;: "基于逐步聚类分析的水库浮游藻类生长预测", 中国环境科学, no. 09 * |
李旭文,季耿善,杨静: "太湖梅梁湖湾蓝藻生物量遥感估算", 国土资源遥感, no. 02 * |
王崇;孔海南;王欣泽;何圣兵;郑向勇;吴德意;: "有害藻华预警预测技术研究进展", 应用生态学报, no. 11 * |
董正臻, 董振芳, 丁德文: "快速测定藻类生物量的方法探讨", 海洋科学, no. 11 * |
郭劲松;陈园;李哲;方芳;孙志禹;陈永柏;: "三峡小江回水区叶绿素a季节变化及其同主要藻类的相互关系", 环境科学, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN116152804B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Quinones et al. | Patterns of biomass-size spectra from oligotrophic waters of the Northwest Atlantic | |
Jiang et al. | The seasonal and spatial variations of phytoplankton community and their correlation with environmental factors in a large eutrophic Chinese lake (Lake Chaohu) | |
Cermeño et al. | Large-sized phytoplankton sustain higher carbon-specific photosynthesis than smaller cells in a coastal eutrophic ecosystem | |
Pinckney et al. | Application of photopigment biomarkers for quantifying microalgal community composition and in situ growth rates | |
Geider | Algal photosynthesis | |
Dubelaar et al. | Flow cytometry as a tool for the study of phytoplankton | |
Jakobsen et al. | FlowCAM: sizing cells and understanding the impact of size distributions on biovolume of planktonic community structure | |
Forster et al. | Modelling the effects of chlorophyll fluorescence from subsurface layers on photosynthetic efficiency measurements in microphytobenthic algae | |
CN110308255B (zh) | 一种基于污染指示菌群对近海水体污染程度定量预测方法 | |
Bonato et al. | High spatial variability of phytoplankton assessed by flow cytometry, in a dynamic productive coastal area, in spring: The eastern English Channel | |
CN111289489A (zh) | 一种基于拉曼光谱的微生物单细胞生长检测方法 | |
Liu et al. | The application of spectroscopy technology in the monitoring of microalgae cells concentration | |
Shao et al. | Global oceanic diazotroph database version 2 and elevated estimate of global oceanic N 2 fixation | |
Gu et al. | Water mass shapes the distribution patterns of planktonic ciliates (Alveolata, Ciliophora) in the subtropical Pearl River Estuary | |
Catherine et al. | Cyanobacterial samples: preservation, enumeration, and biovolume measurements | |
CN116152804B (zh) | 一种藻类密度、生物量与叶绿素a的快速估算方法及系统 | |
CN106018688B (zh) | 一种金属纳米颗粒离子和纳米效应毒性贡献率的估算方法 | |
CN106404638A (zh) | 基于多元技术的贝类血淋巴细胞分类方法 | |
CN103308659B (zh) | 一种基于人鼠杂交瘤细胞的水体有机污染的毒性评价方法 | |
CN214122000U (zh) | 一种浮游藻类检测设备 | |
Millie et al. | Neural net modeling of estuarine indicators: Hindcasting phytoplankton biomass and net ecosystem production in the Neuse (North Carolina) and Trout (Florida) Rivers, USA | |
CN101975849B (zh) | 一种浮游植物快速定性定量优化方法 | |
RU2369091C2 (ru) | Способ дифференциации мезотрофного и эвтрофного состояния пресных непроточных водоемов | |
Becker et al. | Use of a microscope photometer to analyze in vivo fluorescence intensity of epilithic microalgae grown on artificial substrata | |
CN113111294A (zh) | 基于藻类多样性指数的水体营养化评价方法及其应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |