CN116296678A - 一种水中浮游藻类自动监测装置和水中浮游藻类监测方法 - Google Patents
一种水中浮游藻类自动监测装置和水中浮游藻类监测方法 Download PDFInfo
- Publication number
- CN116296678A CN116296678A CN202310287882.3A CN202310287882A CN116296678A CN 116296678 A CN116296678 A CN 116296678A CN 202310287882 A CN202310287882 A CN 202310287882A CN 116296678 A CN116296678 A CN 116296678A
- Authority
- CN
- China
- Prior art keywords
- algae
- sample
- water
- water sample
- chip
- 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.)
- Pending
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/94—Investigating contamination, e.g. dust
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本申请涉及水生态环境监测技术领域,公开了一种水中浮游藻类自动监测装置和水中浮游藻类监测方法,水中浮游藻类自动监测装置包括:水样制样模块、水样制片模块、水样检测模块;水样制样模块用于采集水样,并获取水样的藻类浓缩液;水样制片模块用于将藻类浓缩液制成样片,并将样片转移至水样检测模块;水样检测模块用于对样片中的浮游藻类进行拍摄,并利用预设的图像视觉算法对拍摄后的图像进行藻类识别和计数。通过上述装置实现自动取样、自动沉淀收集、自动制片、自动拍摄、浮游藻类自动识别和计数,无需人工值守,节约了人力成本,有效避免不同实验室和检测人员鉴定能力差异导致的鉴定结果的差异,提高了藻类检测标准化程度,便于普及应用。
Description
技术领域
本申请涉及水生态环境监测技术领域,特别是涉及一种水中浮游藻类自动监测装置和水中浮游藻类监测方法。
背景技术
水体中浮游藻类种类多、数量大,其种类、密度及群落组成与水质状况密切相关。我国水体富营养化严重,水华事件频发,严重破坏了水生态系统的平衡。对水体中的藻类进行分类测定计数在水华成因分析、机理研究及富营养化湖库监测预警与治理中都发挥着非常重要的作用,是开展水生态系统健康诊断、水环境管理和保护的重要基础。
目前,浮游藻类检测主要依靠专业技术人员在显微镜下进行藻类细胞形态鉴定及计数。浮游藻类检测依靠人工采样、制样、制片、显微镜观察分类计数的方式。该方法耗时耗力且严重依赖检测人员的专业知识与鉴定经验。不同实验室和检测人员鉴定能力的差异会导致鉴定结果的差异,造成不同来源的浮游藻类检测结果的可比差,限制了浮游藻类检测工作的标准化推广和普及应用。
因此,如何节约人力成本,提高藻类检测标准化程度是本领域技术人员亟需要解决的问题。
发明内容
本申请的目的是提供一种水中浮游藻类自动监测装置和水中浮游藻类监测方法,用于节约人力成本,提高藻类检测标准化程度。
为解决上述技术问题,本申请提供一种水中浮游藻类自动监测装置,包括水样制样模块、水样制片模块和水样检测模块;
所述水样制样模块用于采集水样,并获取所述水样的藻类浓缩液;
所述水样制片模块用于将所述藻类浓缩液制成样片,并将所述样片转移至所述水样检测模块;
所述水样检测模块用于对所述样片中的浮游藻类进行拍摄,并利用预设的图像视觉算法对拍摄后的图像进行藻类识别和计数。
可选的,所述水样制样模块包括:定量泵、多通阀、样品沉淀处理通道和磁力搅拌装置;
所述定量泵分别与所述多通阀和所述样品沉淀处理通道连通,所述定量泵用于将所述水样和藻类固定剂经过所述多通阀抽入所述样品沉淀处理通道;
所述样品沉淀处理通道设有排废液口和上清液排液口,所述样品沉淀处理通道用于将所述水样中的藻类进行固定沉淀处理,并将上清液从所述上清液排液口排出,得到所述藻类浓缩液;
所述磁力搅拌装置设于所述样品沉淀处理通道底部,用于将所述样品沉淀处理通道底部的所述藻类浓缩液混合均匀。
可选的,所述水样制片模块包括:微流控芯片、芯片存储装置、芯片进样装置和芯片进给装置;
所述微流控芯片设有进样孔、样品腔和排气孔;
所述芯片存储装置包括芯片存储框、第一传感器和进给组件,所述芯片存储框用于存储所述微流控芯片,所述进给组件用于将所述存储框内的微流控芯片传送至所述芯片进样装置,所述第一传感器用于检测芯片数量,并在所述芯片数量小于下限值时生成报警提示;
所述芯片进样装置包括蠕动泵,注射针升降电机、浮动注射针,所述蠕动泵分别连通所述样品沉淀处理通道和所述浮动注射针,所述蠕动泵用于将所述藻类浓缩液抽入所述浮动注射针,所述注射针升降电机用于控制所述浮动注射针移动,所述浮动注射针用于将所述藻类浓缩液经所述微流控芯片的进样孔注入所述样品腔中;
所述芯片进给装置包括芯片升降电机、旋转电机和旋转臂,所述芯片升降电机和所述旋转电机分别与所述旋转臂连接,所述芯片升降电机和所述旋转电机用于控制所述旋转臂将已添加藻类浓缩液的微流控芯片转移至所述水样检测模块。
可选的,所述水样检测模块包括:光源、显微镜头、直角成像装置、CCD相机、工控机、x轴平台、x轴运动电机、y轴平台、y轴运动电机、z轴平台和z轴运动电机;
所述显微镜头用于对浮游藻类进行放大处理;
所述直角成像装置和所述CCD相机用于浮游藻类成像图片拍摄;
所述工控机分别与所述x轴运动电机、所述y轴运动电机、所述z轴运动电机和所述CCD相机连接,所述工控机用于采集所述CCD相机拍摄的图像,并利用预设的图像视觉算法对所述图像中的藻类进行识别和计数,所述工控机还用于利用自动对焦算法驱动所述z轴运动电机以带动所述z轴平台运动进行显微对焦;
所述x轴运动电机用于驱动所述x轴平台,所述y轴运动电机用于驱动y轴平台,所述x轴平台和所述y轴平台用于所述芯片的定位以及拍摄过程中视野的转换。
可选的,还包括芯片收集模块,所述芯片收集模块包括:收集框和第二传感器,所述第二传感器用于检测所述收集框中是否装满所述微流控芯片,并在所述收集框中的芯片数量大于上限值时生成报警提示。
本申请还提供一种水中浮游藻类监测方法,应用于所述的水中浮游藻类监测装置,包括:
采集水样,并利用藻类固定剂获取所述水样的藻类浓缩液;
将所述藻类浓缩液制成样片;
获取所述样片中浮游藻类的图像,并利用预设的图像视觉算法对所述图像进行藻类识别和计数。
可选的,所述将所述藻类浓缩液制成样片,包括:
控制浮动注射针将所述藻类浓缩液注入微流控芯片,以得到所述样片。
可选的,所述获取所述样片中浮游藻类的图像,包括:
控制z轴电机带动放置有所述样片的z轴平台向远离显微镜头的方向复位至预设点,并根据设定步数和设定速度控制所述z轴电机带动所述z轴平台向着靠近所述显微镜头的方向移动至指定位置以完成对焦粗调;
在对焦粗调完成后,根据设定的移动步数控制所述z轴电机带动所述z轴平台向着靠近所述显微镜头的方向移动,并在所述z轴平台发生移动后控制所述CCD相机拍摄所述样片的图片,记录每次拍摄图片的拍摄位置;
对每次拍摄的图片进行灰度化处理,并计算每张图片中相邻两个像素点灰度方差;
确定所述灰度方差大于阈值的目标图片,并控制所述z轴电机带动所述z轴平台移动至所述目标图片对应的目标拍摄位置;
获取所述CCD相机在所述目标拍摄位置拍摄的所述样片中浮游藻类的图像。
可选的,所述利用预设的图像视觉算法对所述图像进行藻类识别和计数包括:
将所述图像输入预设的浮游藻类识别算法模型,利用所述浮游藻类识别算法模型对所述图像中的藻类进行种属识别;
对所述图像中的非聚集单一细胞个体,根据单个细胞的数量进行计数;
对所述图像中的聚集细胞和成团浮游植物,根据藻类种属进行藻类细胞分割计数。
可选的,所述将所述图像输入预设的浮游藻类识别算法模型之前,还包括:
获取已知种属的藻类各生长阶段的第一图片,根据预设要求对所述第一图片进行筛选,得到目标图片;
对所述目标图片进行矩形框标注并注明种属名称,得到样本数据库;
获取水体中杂质的第二图片,并对所述第二图片进行矩形框标注并注明杂质名称,得到杂质数据库;
将所述样本数据库和所述杂质数据库导入模型训练平台,建立目标检测模型训练任务并选择所述样本数据库和所述杂质数据库进行训练,以构建基本算法模型;
进行图片数据库优化,利用优化后的所述样本数据库和所述杂质数据库对所述基本算法模型进行增量训练,将召回率和准确度满足预设标准的模型作为所述浮游藻类识别算法模型。
本申请所提供的一种水中浮游藻类自动监测装置,包括:水样制样模块、水样制片模块、水样检测模块;水样制样模块用于采集水样,并获取水样的藻类浓缩液;水样制片模块用于将藻类浓缩液制成样片,并将样片转移至水样检测模块;水样检测模块用于对样片中的浮游藻类进行拍摄,并利用预设的图像视觉算法对拍摄后的图像进行藻类识别和计数。通过上述装置实现自动取样、自动沉淀收集、自动制片、自动拍摄、浮游藻类自动识别和计数,无需人工值守,节约了人力成本,有效避免不同实验室和检测人员鉴定能力差异导致的鉴定结果的差异,提高了藻类检测标准化程度,便于普及应用。
本申请所提供的一种水中浮游藻类监测方法等有益效果与水中浮游藻类自动监测装置对应,效果如上。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅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为本申请实施例提供的一种水中浮游藻类自动监测装置的结构图;
图2为本申请实施例提供的一种水样制样模块的结构图;
图3为本申请实施例提供的一种水样制样模块和水样制片模块的结构图;
图4为本申请实施例提供的一种水样检测模块的结构图;
图5为本申请实施例提供的一种芯片收集模块的结构图;
图6为本申请实施例提供的一种水中浮游藻类监测方法的流程图;
附图标记如下:1为水样制样模块、2为水样制片模块、3为水样检测模块、4为芯片收集模块、11为定量泵、12为多通阀、13为样品沉淀处理通道、14为磁力搅拌装置、15为排废液口、16为上清液排液口、17为第一管道、18为第二管道、19为第三管道、110为第四管道、21为芯片存储框、22为第一传感器、23为进给组件、24为蠕动泵、25为注射针升降电机、26为浮动注射针、27为芯片升降电机、28为旋转电机、29为旋转臂、31为CCD相机、32为工控机、33为检测模块固定板、34为x轴平台和x轴运动电机、35为y轴平台和y轴运动电机、36为光源、37为z轴平台和z轴运动电机、38为显微镜头、39为直角成像装置、41为收集框、42为第二传感器。
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,都属于本申请保护范围。
本申请的核心是提供一种水中浮游藻类自动监测装置和水中浮游藻类监测方法。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种水中浮游藻类自动监测装置的结构图,如图1所示,水中浮游藻类自动监测装置包括水样制样模块1、水样制片模块2、水样检测模块3;水样制样模块1用于采集水样,并获取水样的藻类浓缩液;水样制片模块2用于将藻类浓缩液制成样片,并将样片转移至水样检测模块3;水样检测模块3用于对样片中的浮游藻类进行拍摄,并利用预设的图像视觉算法对拍摄后的图像进行藻类识别和计数。
图2为本申请实施例提供的一种水样制样模块的结构图,如图2所示,水样制样模块包括定量泵11、多通阀12、样品沉淀处理通道13和磁力搅拌装置14;定量泵11分别与多通阀12和样品沉淀处理通道13连通,定量泵11用于将水样和藻类固定剂经过多通阀12抽入样品沉淀处理通道13;样品沉淀处理通道13设有排废液口15和上清液排液口16,样品沉淀处理通道13用于将水样中的藻类进行固定沉淀处理,并将上清液从上清液排液口16排出,得到藻类浓缩液;磁力搅拌装置14设于样品沉淀处理通道13底部,用于将样品沉淀处理通道13底部的藻类浓缩液混合均匀。多通阀12分别连通第一管道17、第二管道18、第三管道19和第四管道110,水样经过第一管道17进入样品沉淀处理通道13,藻类固定剂经过第二管道18进入样品沉淀处理通道13,在样品沉淀处理通道13中水样内的藻类经过藻类固定剂的固定沉淀处理后,上清液从上清液排液口16排出,藻类沉淀至样品沉淀处理通道13的底部,位于样品沉淀处理通道13底部的磁力搅拌装置14将藻类浓缩液均匀混合。当然,可以设置多个样品沉淀处理通道,便于多次取样检测。次氯酸钠溶液经过第三管道19流入样品沉淀处理通道13,纯水经过第四管道110进入样品沉淀处理通道13,次氯酸钠溶液用于对管路和通道进行消杀,纯水用于清洗管路和通道。
图3为本申请实施例提供的一种水样制样模块和水样制片模块的结构图,如图3所示,水样制片模块包括:微流控芯片、芯片存储装置、芯片进样装置和芯片进给装置;微流控芯片设有进样孔、样品腔和排气孔;芯片存储装置包括芯片存储框21、第一传感器22和进给组件23,芯片存储框21用于存储微流控芯片,进给组件23用于将存储框内的微流控芯片传送至芯片进样装置,第一传感器22用于检测芯片数量,并在芯片数量小于下限值时生成报警提示;芯片进样装置包括蠕动泵24,注射针升降电机25、浮动注射针26,蠕动泵24分别连通样品沉淀处理通道13和浮动注射针26,蠕动泵24用于将藻类浓缩液抽入浮动注射针26,注射针升降电机25用于控制浮动注射针26移动,浮动注射针26用于将藻类浓缩液经微流控芯片的进样孔注入样品腔中;芯片进给装置包括芯片升降电机27、旋转电机28和旋转臂29,芯片升降电机27和旋转电机28分别与旋转臂29连接,芯片升降电机27和旋转电机28用于控制旋转臂29将已添加藻类浓缩液的微流控芯片转移至水样检测模块3。本申请采用一体式微流控芯片取代浮游藻类计数框及盖玻片,微流控芯片包括进样孔、样品腔和排气孔,其中,样品腔长和宽均不小于20mm,装液厚度不超过0.2mm,样品腔形状为两头窄中间宽,便于样品铺满整个腔体。采用注射针将过量样品注入样品腔,防止气泡产生。由于藻类极易附着于样品腔内且清洗困难,芯片一次性使用,无需清洗,避免了水样交叉污染。芯片存储装置由芯片存储框21、第一传感器22和进给组件23构成,进给组件23包括电机和机械臂,芯片放置于芯片存储框21中,机械臂负责将芯片存储框21内的芯片送到进样装置,第一传感器22为光耦,能够检测芯片数量,芯片数量小于下限值时进行报警。进样装置由蠕动泵24、注射针升降电机25和浮动注射针26组成,精密蠕动泵抽取藻类浓缩液,通过注射针升降电机25和浮动注射针26将藻类浓缩液注入微流控芯片。芯片进给装置由芯片升降电机27、旋转电机28和旋转臂29组成,负责将加样后的微流控芯片转移至水样检测模块3,或将检测后的微流控芯片传送至下文中的芯片收集模块4。
图4为本申请实施例提供的一种水样检测模块的结构图,如图4所示,水样检测模块3包括光源36、显微镜头38、直角成像装置39、CCD相机31、工控机32、检测模块固定板33、x轴平台和x轴运动电机34、y轴平台和y轴运动电机35、z轴平台和z轴运动电机37;显微镜头38用于对浮游藻类进行放大处理;直角成像装置39和CCD相机31用于浮游藻类成像图片拍摄;工控机32分别与x轴运动电机、y轴运动电机、z轴运动电机和CCD相机31连接,工控机32用于采集CCD相机41拍摄的图像,并利用预设的图像视觉算法对图像中的藻类进行识别和计数,工控机32还用于利用自动对焦算法驱动z轴运动电机以带动z轴平台运动进行显微对焦;x轴运动电机用于驱动x轴平台,y轴运动电机用于驱动y轴平台,x轴平台和y轴平台用于芯片的定位以及拍摄过程中视野的转换。本申请采用直角成像装置39将成像光路进行转化,以防止使用维护过程中灰尘等落入成像系统。在芯片进给装置将加样后的微流控芯片转移至z轴平台,工控机32利用自动对焦算法驱动z轴运动电机运动进行显微对焦,40X显微镜头对浮游藻类进行放大处理,直角成像装置39和CCD相机31进行浮游藻类成像图片拍摄。x轴平台和y轴平台负责芯片的定位以及拍摄过程中视野的转换等。工控机32采集CCD相机31的数据后,利用内置图像视觉算法进行藻类识别和计数。
图5为本申请实施例提供的一种芯片收集模块的结构图,如图5所示,芯片收集模块4包括收集框41和第二传感器42,第二传感器42用于检测收集框41中是否装满微流控芯片,并在收集框41中的芯片数量大于上限值时生成报警提示。收集后的芯片进行统一处理。
本申请实施例所提供的一种水中浮游藻类自动监测装置,包括:水样制样模块、水样制片模块、水样检测模块;水样制样模块用于采集水样,并获取水样的藻类浓缩液;水样制片模块用于将藻类浓缩液制成样片,并将样片转移至水样检测模块;水样检测模块用于对样片中的浮游藻类进行拍摄,并利用预设的图像视觉算法对拍摄后的图像进行藻类识别和计数。通过上述装置实现自动取样、自动沉淀收集、自动制片、自动拍摄、浮游藻类自动识别和计数,无需人工值守,节约了人力成本,有效避免不同实验室和检测人员鉴定能力差异导致的鉴定结果的差异,提高了藻类检测标准化程度,便于普及应用。
基于上述提到的水中浮游藻类自动监测装置,图6为本申请实施例提供的一种水中浮游藻类监测方法的流程图,如图6所示,水中浮游藻类监测方法包括:
S10:采集水样,并利用藻类固定剂获取水样的藻类浓缩液。
S11:将藻类浓缩液制成样片。
S12:获取样片中浮游藻类的图像,并利用预设的图像视觉算法对图像进行藻类识别和计数。
为更加了解本申请,下面基于水中浮游藻类自动监测装置介绍检测流程。定量泵11抽取1L水样及15ml藻类固定剂到样品沉淀处理通道13,藻类经过24h固定沉淀处理后上清液从上清液排液口16排出,留底部藻类浓缩液30-50ml,磁力搅拌装置14将通道底部的藻类浓缩液混匀。机械臂负责将芯片存储框21内的微流控芯片送到芯片进样装置,蠕动泵24抽取500ul的藻类浓缩液,通过浮动注射针26将过量藻类浓缩液从进样孔注入芯片的样品腔内。通过芯片升降电机27、旋转电机28和旋转臂29将加样后的芯片转移至水样检测模块3的z轴平台。x/y/z轴归零,40X显微镜头对浮游藻类进行放大处理,通过自动对焦算法驱动z轴运动电机运动进行显微对焦,CCD相机31进行浮游藻类成像图片拍摄,x轴平台和y轴平台负责芯片的定位以及拍摄过程中视野的转换,按照流程拍摄图片100-400张。工控机32采集CCD相机31的数据后,利用内置图像视觉算法进行藻类识别和计数,最终得到检测报告包括优势藻类种属名称及浓度、其他藻类属名及浓度等。
本申请实施例提供的一种水中浮游藻类监测方法,包括:采集水样,并利用藻类固定剂获取水样的藻类浓缩液;将藻类浓缩液制成样片;获取样片中浮游藻类的图像,并利用预设的图像视觉算法对图像进行藻类识别和计数。通过实现自动取样、自动沉淀收集、自动制片、自动拍摄、浮游藻类自动识别和计数,无需人工值守,节约了人力成本,利用图像视觉算法进行浮游藻类自动识别和计数,有效避免不同实验室和检测人员鉴定能力差异导致的鉴定结果的差异,提高了藻类检测标准化程度,便于普及应用。
基于上述实施例,本申请实施例获取样片中浮游藻类的图像,包括:控制z轴运动电机带动放置有样片的z轴平台向远离显微镜头的方向复位至预设点,并根据设定步数和设定速度控制z轴运动电机带动z轴平台向着靠近显微镜头的方向移动至指定位置以完成对焦粗调;在对焦粗调完成后,根据设定的移动步数控制z轴运动电机带动z轴平台向着靠近显微镜头的方向移动,并在所述z轴平台发生移动后控制CCD相机拍摄样片的图片,记录每次拍摄图片的拍摄位置;对每次拍摄的图片进行灰度化处理,并计算每张图片中相邻两个像素点灰度方差;确定灰度方差大于阈值的目标图片,并控制z轴运动电机带动z轴平台移动至目标图片对应的目标拍摄位置;获取CCD相机在目标拍摄位置拍摄的样片中浮游藻类的图像。
具体的自动对焦过程如下:样片制作转移完成后,启动自动对焦功能。按照前期实验多次数据积累,设定粗调步数和速度,z轴运动电机向着远离镜头方向复位至零点1,根据系统设定步数和速度向着靠近镜头方向移动至指定位置完成对焦粗调。粗调结束后,CCD相机在当前位置拍摄图片并将当前位置记录为零点2,z轴运动电机带动z轴平台向着靠近镜头方向移动,每次移动步数相同,且移动最大位置不得超过限位保护开关,若达到该位置电机不在继续移动,防止镜头与芯片产生碰撞。每次移动后由CCD相机拍摄图片并记录当前相对于零点的相对位置。对每次拍摄的图片进行灰度化处理,并计算相邻两个像素点灰度方差来评价图像的清晰度,并设定阈值T,T值设定可根据现有清晰图片灰度方差值来设定。F计算公式如下:
其中,x、y为像素点位置,f(x,y)为各个像素点的灰度值。若F>T,则图片清晰度符合要求,z轴运动电机带动z轴平台回到该图片拍摄位置,自动对焦过程完成。z轴运动电机维持该位置不动,x轴运动电机和y轴运动电机移动切换镜头视野拍摄图片。
基于上述实施例,本申请实施例利用预设的图像视觉算法对图像进行藻类识别和计数包括:将图像输入预设的浮游藻类识别算法模型,利用浮游藻类识别算法模型对图像中的藻类进行种属识别;对图像中的非聚集单一细胞个体,根据单个细胞的数量进行计数;对图像中的聚集细胞和成团浮游植物,根据藻类种属进行藻类细胞分割计数。
关于藻类计数方法具体如下:非聚集单一细胞个体,直接按照单个细胞进行识别计数。对于含有细胞聚集、成团浮游植物样品,例如空星藻、盘星藻、丝状藻等,藻类识别过程按照群体作为识别对象,需要在藻类种属识别完成后进行藻类细胞分割计数。对拍摄的图片进行灰度化处理得到灰度图A,对灰度图A各像素点灰度值进行黑白交换得到转换后灰度图B,通过运算处理得到灰度图B的背景图。并从灰度图B中扣除背景图得到灰度图C,通过计算得到灰度图C最佳阈值T,根据获得的阈值将图像转化为二值化图像。通过联通区域分析创建一个标签矩阵,标记出藻类轮廓。通过藻类轮廓确定藻类群体总面积,并确定单个细胞面积,两者比值得到图片上所含单个藻类细胞数量。
基于上述实施例,本申请实施例将图像输入预设的浮游藻类识别算法模型之前,还包括:获取已知种属的藻类各生长阶段的第一图片,根据预设要求对第一图片进行筛选,得到目标图片;对目标图片进行矩形框标注并注明种属名称,得到样本数据库;获取水体中杂质的第二图片,并对第二图片进行矩形框标注并注明杂质名称,得到杂质数据库;将样本数据库和杂质数据库导入模型训练平台,建立目标检测模型训练任务并选择样本数据库和杂质数据库进行训练,以构建基本算法模型;进行图片数据库优化,利用优化后的样本数据库和杂质数据库对基本算法模型进行增量训练,将召回率和准确度满足预设标准的模型作为浮游藻类识别算法模型。
关于浮游藻类识别算法模型建立的具体过程如下:
(1)从自然水体中分离提取各种藻类进行培养,通过形态、分子鉴定确定藻种种属。
(2)拍摄已知种属的藻类各生长阶段图片,筛选清晰度高、藻类密度约10个/张的图片进行矩形框标注并注明种属名称,多种已标注藻类图片组成样本数据库,其中每种种属藻类图片不少于100张,并保证每个种属标注框数量基本相近。
(3)拍摄水体中杂质进行矩形框标注并注明杂质1至杂质n,多种已标注杂质图片组成杂质数据库。
(4)将已经建立的数据库(样本数据库和杂质数据库)导入至模型训练平台,建立目标检测模型训练任务并选择上述数据库(样本数据库和杂质数据库)进行训练,通过初次训练建立基本算法模型。
(5)针对基本算法模型识别能力较弱部分,进行图片数据库优化,利用优化后的数据库在基本算法模型的基础上进行多次增量训练,最终建立召回率、准确度等参数达到99%以上的模型,将该模型作为后续进行藻类识别的浮游藻类识别算法模型。
根据淡水水体藻类分布情况建立通用藻类识别模型,针对各湖库水体藻类分布特征进行藻类识别模型扩展。
以上对本申请所提供的一种水中浮游藻类自动监测装置和水中浮游藻类监测方法进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种水中浮游藻类自动监测装置,其特征在于,包括水样制样模块、水样制片模块和水样检测模块;
所述水样制样模块用于采集水样,并获取所述水样的藻类浓缩液;
所述水样制片模块用于将所述藻类浓缩液制成样片,并将所述样片转移至所述水样检测模块;
所述水样检测模块用于对所述样片中的浮游藻类进行拍摄,并利用预设的图像视觉算法对拍摄后的图像进行藻类识别和计数。
2.根据权利要求1所述的水中浮游藻类自动监测装置,其特征在于,所述水样制样模块包括:定量泵、多通阀、样品沉淀处理通道和磁力搅拌装置;
所述定量泵分别与所述多通阀和所述样品沉淀处理通道连通,所述定量泵用于将所述水样和藻类固定剂经过所述多通阀抽入所述样品沉淀处理通道;
所述样品沉淀处理通道设有排废液口和上清液排液口,所述样品沉淀处理通道用于将所述水样中的藻类进行固定沉淀处理,并将上清液从所述上清液排液口排出,得到所述藻类浓缩液;
所述磁力搅拌装置设于所述样品沉淀处理通道底部,用于将所述样品沉淀处理通道底部的所述藻类浓缩液混合均匀。
3.根据权利要求2所述的水中浮游藻类自动监测装置,其特征在于,所述水样制片模块包括:微流控芯片、芯片存储装置、芯片进样装置和芯片进给装置;
所述微流控芯片设有进样孔、样品腔和排气孔;
所述芯片存储装置包括芯片存储框、第一传感器和进给组件,所述芯片存储框用于存储所述微流控芯片,所述进给组件用于将所述存储框内的微流控芯片传送至所述芯片进样装置,所述第一传感器用于检测芯片数量,并在所述芯片数量小于下限值时生成报警提示;
所述芯片进样装置包括蠕动泵,注射针升降电机、浮动注射针,所述蠕动泵分别连通所述样品沉淀处理通道和所述浮动注射针,所述蠕动泵用于将所述藻类浓缩液抽入所述浮动注射针,所述注射针升降电机用于控制所述浮动注射针移动,所述浮动注射针用于将所述藻类浓缩液经所述微流控芯片的进样孔注入所述样品腔中;
所述芯片进给装置包括芯片升降电机、旋转电机和旋转臂,所述芯片升降电机和所述旋转电机分别与所述旋转臂连接,所述芯片升降电机和所述旋转电机用于控制所述旋转臂将已添加藻类浓缩液的微流控芯片转移至所述水样检测模块。
4.根据权利要求3所述的水中浮游藻类自动监测装置,其特征在于,所述水样检测模块包括:光源、显微镜头、直角成像装置、CCD相机、工控机、x轴平台、x轴运动电机、y轴平台、y轴运动电机、z轴平台和z轴运动电机;
所述显微镜头用于对浮游藻类进行放大处理;
所述直角成像装置和所述CCD相机用于浮游藻类成像图片拍摄;
所述工控机分别与所述x轴运动电机、所述y轴运动电机、所述z轴运动电机和所述CCD相机连接,所述工控机用于采集所述CCD相机拍摄的图像,并利用预设的图像视觉算法对所述图像中的藻类进行识别和计数,所述工控机还用于利用自动对焦算法驱动所述z轴运动电机以带动所述z轴平台运动进行显微对焦;
所述x轴运动电机用于驱动所述x轴平台,所述y轴运动电机用于驱动y轴平台,所述x轴平台和所述y轴平台用于所述芯片的定位以及拍摄过程中视野的转换。
5.根据权利要求4所述的水中浮游藻类自动监测装置,其特征在于,还包括芯片收集模块,所述芯片收集模块包括:收集框和第二传感器,所述第二传感器用于检测所述收集框中是否装满所述微流控芯片,并在所述收集框中的芯片数量大于上限值时生成报警提示。
6.一种水中浮游藻类监测方法,其特征在于,应用于权利要求1至5任一项所述的水中浮游藻类自动监测装置,包括:
采集水样,并利用藻类固定剂获取所述水样的藻类浓缩液;
将所述藻类浓缩液制成样片;
获取所述样片中浮游藻类的图像,并利用预设的图像视觉算法对所述图像进行藻类识别和计数。
7.根据权利要求6所述的水中浮游藻类监测方法,其特征在于,所述将所述藻类浓缩液制成样片,包括:
控制浮动注射针将所述藻类浓缩液注入微流控芯片,以得到所述样片。
8.根据权利要求7所述的水中浮游藻类监测方法,其特征在于,所述获取所述样片中浮游藻类的图像,包括:
控制z轴运动电机带动放置有所述样片的z轴平台向远离显微镜头的方向复位至预设点,并根据设定步数和设定速度控制所述z轴运动电机带动所述z轴平台向着靠近所述显微镜头的方向移动至指定位置以完成对焦粗调;
在对焦粗调完成后,根据设定的移动步数控制所述z轴运动电机带动所述z轴平台向着靠近所述显微镜头的方向移动,并在所述z轴平台发生移动后控制所述CCD相机拍摄所述样片的图片,记录每次拍摄图片的拍摄位置;
对每次拍摄的图片进行灰度化处理,并计算每张图片中相邻两个像素点灰度方差;
确定所述灰度方差大于阈值的目标图片,并控制所述z轴运动电机带动所述z轴平台移动至所述目标图片对应的目标拍摄位置;
获取所述CCD相机在所述目标拍摄位置拍摄的所述样片中浮游藻类的图像。
9.根据权利要求7所述的水中浮游藻类监测方法,其特征在于,所述利用预设的图像视觉算法对所述图像进行藻类识别和计数,包括:
将所述图像输入预设的浮游藻类识别算法模型,利用所述浮游藻类识别算法模型对所述图像中的藻类进行种属识别;
对所述图像中的非聚集单一细胞个体,根据单个细胞的数量进行计数;
对所述图像中的聚集细胞和成团浮游植物,根据藻类种属进行藻类细胞分割计数。
10.根据权利要求9所述的水中浮游藻类监测方法,其特征在于,将所述图像输入预设的浮游藻类识别算法模型之前,还包括:
获取已知种属的藻类各生长阶段的第一图片,根据预设要求对所述第一图片进行筛选,得到目标图片;
对所述目标图片进行矩形框标注并注明种属名称,得到样本数据库;
获取水体中杂质的第二图片,并对所述第二图片进行矩形框标注并注明杂质名称,得到杂质数据库;
将所述样本数据库和所述杂质数据库导入模型训练平台,建立目标检测模型训练任务并选择所述样本数据库和所述杂质数据库进行训练,以构建基本算法模型;
进行图片数据库优化,利用优化后的所述样本数据库和所述杂质数据库对所述基本算法模型进行增量训练,将召回率和准确度满足预设标准的模型作为所述浮游藻类识别算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287882.3A CN116296678A (zh) | 2023-03-17 | 2023-03-17 | 一种水中浮游藻类自动监测装置和水中浮游藻类监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287882.3A CN116296678A (zh) | 2023-03-17 | 2023-03-17 | 一种水中浮游藻类自动监测装置和水中浮游藻类监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116296678A true CN116296678A (zh) | 2023-06-23 |
Family
ID=86788371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310287882.3A Pending CN116296678A (zh) | 2023-03-17 | 2023-03-17 | 一种水中浮游藻类自动监测装置和水中浮游藻类监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116296678A (zh) |
-
2023
- 2023-03-17 CN CN202310287882.3A patent/CN116296678A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11579063B2 (en) | Cell culture apparatus, imaging unit, and culture monitoring method | |
JP5878874B2 (ja) | 生物学的有機体の時間関連顕微鏡検査のためのシステムおよび方法 | |
US20220075166A1 (en) | Mobile Microscope Assembly | |
WO2023284341A1 (zh) | 一种基于深度学习、上下文相关的尿液有形成分检测方法 | |
EP3957991A1 (en) | Urine analysis system, image capturing apparatus, cell image capturing apparatus, urine analysis method, management apparatus, and information processing apparatus | |
CN101560544B (zh) | 一种细胞综合检测方法 | |
CN109142195A (zh) | 用于体液样品中的粒子分析的自聚焦系统和方法 | |
CN108507625A (zh) | 一种整合物联网的水体浮游生物智能监测平台和方法 | |
SE524587C2 (sv) | Förfarande och anordning för att räkna somatiska celler eller små fettdroppar i mjölk | |
CN107287119B (zh) | 一种细胞培养计数装置 | |
KR20200020412A (ko) | 플로우 셀을 이용한 미세조류 연속 모니터링 장치 | |
CN208255038U (zh) | 一种水下浮游生物自动成像装置 | |
JP2020519899A (ja) | システム及びデバイス | |
CA2487701C (en) | Automatic identification of suspended particles | |
CN111321037A (zh) | 一种尿液有形成分分析装置的清洗液及其制备方法和应用 | |
CN201060190Y (zh) | 全自动粪便分析装置 | |
CN116296678A (zh) | 一种水中浮游藻类自动监测装置和水中浮游藻类监测方法 | |
CN113552126A (zh) | 一种网织红细胞检测方法及其系统 | |
CN114965472B (zh) | 浮游生物多维成像在线自动鉴定系统 | |
CN108318424A (zh) | 一种水下浮游生物自动成像装置及成像方法 | |
CN114778419A (zh) | 一种高倍率光学放大成像流式细胞仪 | |
CN113049593A (zh) | 一种利用智能成像与识别技术实现在线生物监测的方法 | |
Gudermann et al. | CeDEX: Automated Cell Density Determination | |
CN114778420A (zh) | 一种藻类自动计数的方法及装置 | |
CN217521029U (zh) | 用于浮游生物鉴定的多维成像装置 |
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 |