TW202303468A - 智慧型微藻養殖系統及其方法 - Google Patents
智慧型微藻養殖系統及其方法 Download PDFInfo
- Publication number
- TW202303468A TW202303468A TW110124924A TW110124924A TW202303468A TW 202303468 A TW202303468 A TW 202303468A TW 110124924 A TW110124924 A TW 110124924A TW 110124924 A TW110124924 A TW 110124924A TW 202303468 A TW202303468 A TW 202303468A
- Authority
- TW
- Taiwan
- Prior art keywords
- microalgae
- culture container
- nutrient solution
- computer system
- control computer
- Prior art date
Links
Images
Landscapes
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
Abstract
本發明為一種智慧型微藻養殖系統及其方法,係包括有一微藻養殖場、一營養液設備、至少一監控設備及一控制電腦系統,主要是係透過裝設於該控制電腦系統內的卷積神經網路(CNN)對該監控設備所攝錄至少一培養容器之影像進行識別,並識別出至少一培養容器之微藻濃度,再由該控制電腦系統根據所識別至少一培養容器之微藻濃度的變化來操作該營養液設備,讓該營養液設備能輸出設定的營養液至該培養容器內,使該培養容器內的微藻具有加速生長或減緩生長的效益,讓微藻養殖能達到規模化之效能。
Description
本發明係有關於一種智慧型微藻養殖系統及其方法,尤指一種具有加速生長或減緩生長的效益,讓微藻養殖能達到規模化之效能,而適用於微藻養殖產業或是類似養殖環境。
在工業排放的溫室氣體中,以二氧化碳為最大宗。而微藻因光合作用效率高、成長快速,藉由微藻培養的二氧化碳減量效率是一般植物的數十倍以上。透過運用生物科技與工程技術養殖微藻進行二氧化碳減量,特別是直接引用含二氧化碳的工業廢氣來養藻減碳,更是值得發展。
微藻物質可用於各項生物燃料如生質柴油、生質酒精、氫氣、焦炭等的生產,且微藻可以經光合作用可把二氧化碳轉化為醣類、蛋白質、脂質等細胞組成。因此,在固碳時也能同時生產有用的物質如生理活性物質、色素如葉黃素與類胡蘿蔔素、omega-3脂肪酸如EPA與DHA等的藻種最具經濟效益。此外,微藻也能做為動物或水產養殖飼料,以及用來處理廢水與廢氣。
然而,以減碳為主要目標的微藻養殖,大多採自營生長方式,其生長時所需主要調控條件是光照、溫度、二氧化碳、培養基中的營養成分等。其中許多條件屬於環境因子,因此大都利用微藻養殖系統的設計來提升微藻的養殖效率。目前,微藻規模化人工培養有開放池和(半)
密閉反應器兩種方式,後者因可提供較充足的光線而稱為光生物反應器。此外,利用光生物反應器培養微藻可達到較高的藻細胞密度(微藻產率高),由於通入反應器的二氧化碳在養殖液中有較長的滯留時間,並可充分進行氣液混合,因此二氧化碳溶解於培養液中的效率高,減碳的效果也較佳,但造價和運轉成本較高。如果所生產的微藻無法有較高的經濟價值,大規模養殖就不可行。
因此,本發明人有鑑於上述缺失,期能提出一種讓微藻養殖能達到規模化之效能的智慧型微藻養殖系統及其方法,令使用者可輕易完成操作及安裝,乃潛心研思、設計組製,以提供使用者便利性,為本發明人所欲研發之發明動機者。
本發明之主要目的,在於提供一種智慧型微藻養殖系統及其方法,係包括有一微藻養殖場、一營養液設備、至少一監控設備及一控制電腦系統,主要是係透過裝設於該控制電腦系統內的卷積神經網路(CNN)對該監控設備所攝錄至少一培養容器之影像進行識別,並識別出至少一培養容器之微藻濃度,再由該控制電腦系統根據所識別至少一培養容器之微藻濃度的變化來操作該營養液設備,讓該營養液設備能輸出設定的營養液至該培養容器內,使該培養容器內的微藻具有加速生長或減緩生長的效益,讓微藻養殖能達到規模化之效能,進而增加整體之實用性。
本發明之另一目的,在於提供一種智慧型微藻養殖系統及其方法,透過該控制電腦係含有機器學習(machine learning)程序,當該卷積神經網路(CNN)對監控設備所攝錄的培養容器之影像進行識別成微藻濃
度後,再將每一次的識別成微藻濃度整合並進行數據分析,並透過機器學習(machine learning)程序來建立出微藻養殖模型,且藉由微藻養殖模型來組成回饋控制架構,以達成建置智慧型微藻養殖系統之效能,進而增加整體之建置性。
為了能夠更進一步瞭解本發明之特徵、特點和技術內容,請參閱以下有關本發明之詳細說明與附圖,惟所附圖式僅提供參考與說明用,非用以限制本發明。
10:微藻養殖場
11:棚架
12:培養容器
121:微藻濃度
20:營養液設備
30:監控設備
31:鏡頭
32:影像
40:控制電腦系統
50:位置感測器
S100:放入培養液及微藻
S110:攝錄培養容器影像
S120:影像識別微藻濃度
S130:操作營養液設備
S140:輸出設定營養液
第1圖係為本發明之微藻養殖系統第一示意圖。
第2圖係為本發明之微藻養殖系統第二示意圖。
第3圖係為本發明之主要步驟流程示意圖。
請參閱第1~3圖,係為本發明實施例之示意圖,而本發明之智慧型微藻養殖系統及其方法的最佳實施方式係適用於微藻養殖產業或是類似養殖環境,並具有加速生長或減緩生長的效益,讓微藻養殖能達到規模化之效能。
而本發明之智慧型微藻養殖系統,主要係設有一微藻養殖場10、一營養液設備20、至少一監控設備30及一控制電腦系統40(如第1圖及第2圖所示),該微藻養殖場10係設有複數棚架11及至少一培養容器12,而該培養容器12係擺放於該棚架11上(如第1圖所示),其中該培養容器12係放入培養液及微藻,且該培養容器12與該培養容
器12係相互連通,使位於該培養容器12內的培養液及微藻能在培養容器12之間來流動,另該培養容器12皆為透明狀,以增加微藻養殖時光線照射的通透度。
而上述的微藻養殖場10內係設有一營養液設備20及至少一監控設備30(如第1圖及第2圖所示),且營養液設備20及該監控設備30係分別與該控制電腦系統40連接,其中該營養液設備20係與該培養容器12連接,以透過該營養液設備20來將營養液輸送至該培養容器12內(如第2圖所示),讓培養容器12內的微藻能獲得營養液,便於增加生長,另該監控設備30係設有鏡頭31,並透過該鏡頭31來攝錄至少一培養容器12之影像32(如第1圖所示),再將攝錄至少一培養容器12之影像32傳遞至該控制電腦系統40中來儲存。
另上述之培養容器12係搭配設有位置感測器50,該位置感測器50係裝設於該培養容器12處(如第1圖所示),且該位置感測器50係與該控制電腦系統40連接,使該控制電腦系統40能根據位置感測器50來知道該培養容器12所擺放的位置,以利該控制電腦系統40後續進行作業動作。
再者,該控制電腦系統40係裝設有卷積神經網路(Convolutional Neural Networks,CNN),該卷積神經網路(CNN)係為二維卷積神經網路(圖未示),以透過該二維卷積神經網路進行影像識別,且該卷積神經網路(CNN)主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形,該部分功能主要由池化層實現,而該卷積神經網路(CNN)的基本結構包括兩層,其一為特徵提取層,每個神經元的輸入與前一層的區域性接受域
相連,並提取該區域性的特徵。一旦該區域性特徵被提取後,它與其它特徵間的位置關係也隨之確定下來;其二是特徵對映層,網路的每個計算層由多個特徵對映組成,每個特徵對映是一個平面,平面上所有神經元的權值相等。
而上述之控制電腦系統40係透過卷積神經網路(CNN)對該監控設備30所攝錄的至少一培養容器12之影像32進行識別(如第1圖所示),當該培養容器12內的微藻生長一段時間後,由卷積神經網路(CNN)來識別出所攝錄的培養容器12之微藻濃度121(如第1圖所示),並進行紀錄該培養容器12之微藻濃度121,而當該培養容器12之微藻濃度121與設定目標值出現差異時(如第2圖所示),再由該控制電腦系統40根據所識別該培養容器12之微藻濃度121的變化來操作該營養液設備20,讓該營養液設備20能輸出設定的營養液至該培養容器12內(如第2圖所示),使該培養容器12內的微藻具有加速生長或減緩生長的效益。另外,該控制電腦系統40係含有機器學習(machine learning)程序(圖未示),當該卷積神經網路(CNN)對監控設備30所攝錄的培養容器12之影像32進行識別成微藻濃度121後,再將每一次的識別成微藻濃度121整合並進行數據分析,並透過機器學習(machine learning)程序來建立出微藻養殖模型,且藉由微藻養殖模型來組成回饋控制架構,以達成建置智慧型微藻養殖系統之效能,進而增加整體之建置性。
另本發明之智慧型微藻養殖方法,主要係用於微藻養殖,係包括有一微藻養殖場10、一營養液設備20、至少一監控設備30及一控制電腦系統40(如第1圖及第2圖所示),該微藻養殖場10係裝設有
至少一培養容器12,該營養液設備20係設於該微藻養殖場10,該監控設備30係裝於該微藻養殖場10,該控制電腦系統40係分別與該監控設備30及該營養液設備20進行連接,該控制電腦系統40係裝設有卷積神經網路(CNN)。
而其微藻養殖方法,首先進行(如第3圖所示)的步驟S100放入培養液及微藻:於該微藻養殖場10所裝設的至少一培養容器12中放入培養液及微藻,以進行微藻培養。而完成上述步驟S100後即進行下一步驟S110。
而上述之步驟S100中該微藻養殖場10係設有複數棚架11及至少一培養容器12,而該培養容器12係擺放於該棚架11上(如第1圖所示),其中該培養容器12係放入培養液及微藻,且該培養容器12與該培養容器12係相互連通,使位於該培養容器12內的培養液及微藻能在培養容器12之間來流動,另該培養容器12皆為透明狀,以增加微藻養殖時光線照射的通透度。另該培養容器12係搭配設有位置感測器50,該位置感測器50係裝設於該培養容器12處(如第1圖所示),且該位置感測器50係與該控制電腦系統40連接,使該控制電腦系統40能根據位置感測器50來知道該培養容器12所擺放的位置,以利該控制電腦系統40後續進行作業動作。
另,下一步進行的步驟S110攝錄培養容器影像:透過裝設於該微藻養殖場10的監控設備30來對至少一培養容器12進行監控,並透過該監控設備30之鏡頭31攝錄至少一培養容器12之影像32。而完成上述步驟S110後即進行下一步驟S120。
而上述之步驟S110中該微藻養殖場10內係設有一營養液設備20及至少一監控設備30(如第1圖及第2圖所示),且營養液設備20及該監控設備30係分別與該控制電腦系統40連接,其中該營養液設備20係與該培養容器12連接,以透過該營養液設備20來將營養液輸送至該培養容器12內(如第2圖所示),讓培養容器12內的微藻能獲得營養液,便於增加生長,另該監控設備30係設有鏡頭31,並透過該鏡頭31來攝錄至少一培養容器12之影像32(如第1圖所示),再將攝錄至少一培養容器12之影像32傳遞至該控制電腦系統40中來儲存。
另,下一步進行的步驟S120影像識別微藻濃度:該控制電腦系統40係透過卷積神經網路(CNN)對監控設備30所攝錄至少一培養容器12之影像32進行識別,並識別出至少一培養容器12之微藻濃度121。而完成上述步驟S120後即進行下一步驟S130。
而上述之步驟S120中該控制電腦系統40係裝設有卷積神經網路(Convolutional Neural Networks,CNN),該卷積神經網路(CNN)係為二維卷積神經網路(圖未示),以透過該二維卷積神經網路進行影像識別,且該卷積神經網路(CNN)主要用來識別位移、縮放及其他形式扭曲不變性的二維圖形,該部分功能主要由池化層實現,而該卷積神經網路(CNN)的基本結構包括兩層,其一為特徵提取層,每個神經元的輸入與前一層的區域性接受域相連,並提取該區域性的特徵。一旦該區域性特徵被提取後,它與其它特徵間的位置關係也隨之確定下來;其二是特徵對映層,網路的每個計算層由多個特徵對映組成,每個特徵對映是一個平面,平面上所有
神經元的權值相等。而控制電腦系統40係透過卷積神經網路(CNN)對該監控設備30所攝錄的至少一培養容器12之影像32進行識別(如第1圖所示),當該培養容器12內的微藻生長一段時間後,由卷積神經網路(CNN)來識別出所攝錄的培養容器12之微藻濃度121(如第1圖所示),並進行紀錄該培養容器12之微藻濃度121。
另,下一步進行的步驟S130操作營養液設備:該控制電腦系統40根據所識別至少一培養容器12之微藻濃度121的變化來操作該營養液設備20。而完成上述步驟S130後即進行下一步驟S140。
另,下一步進行的步驟S140輸出設定營養液:讓該營養液設備20能輸出設定的營養液至該培養容器12內。
而上述之步驟S130及步驟S140中當該培養容器12之微藻濃度121與設定目標值出現差異時(如第2圖所示),再由該控制電腦系統40根據所識別該培養容器12之微藻濃度121的變化來操作該營養液設備20,讓該營養液設備20能輸出設定的營養液至該培養容器12內(如第2圖所示),使該培養容器12內的微藻具有加速生長或減緩生長的效益。
另外,該控制電腦系統40係含有機器學習(machine learning)程序(圖未示),當該卷積神經網路(CNN)對監控設備30所攝錄的培養容器12之影像32進行識別成微藻濃度121後,再將每一次的識別成微藻濃度121整合並進行數據分析,並透過機器學習(machine learning)程序來建立出微藻養殖模型,且藉由微藻養殖模型來組成回饋控
制架構,以達成建置智慧型微藻養殖系統之效能,進而增加整體之建置性。
由以上詳細說明,可使熟知本項技藝者明瞭本發明的確可達成前述目的,實已符合專利法之規定,爰提出發明專利申請。
惟以上所述者,僅為本發明之較佳實施例而已,當不能以此限定本發明實施之範圍;故,凡依本發明申請專利範圍及發明說明書內容所作之簡單的等效變化與修飾,皆應仍屬本發明專利涵蓋之範圍內。
10:微藻養殖場
11:棚架
12:培養容器
121:微藻濃度
30:監控設備
31:鏡頭
40:控制電腦系統
Claims (10)
- 一種智慧型微藻養殖系統,係包括有:一微藻養殖場,該微藻養殖場係裝設有至少一培養容器,該培養容器係放入培養液及微藻;一營養液設備,該營養液設備係設於該微藻養殖場,該營養液設備係與該至少一培養容器連接;至少一監控設備,該監控設備係裝設於該微藻養殖場,該監控設備係透過鏡頭來攝錄至少一培養容器之影像;以及一控制電腦系統,該控制電腦系統係分別與該監控設備及該營養液設備進行連接,該控制電腦系統係裝設有卷積神經網路(CNN),以透過卷積神經網路(CNN)對該監控設備所攝錄的至少一培養容器之影像進行識別,並識別出至少一培養容器之微藻濃度,再由該控制電腦系統根據所識別至少一培養容器之微藻濃度的變化來操作該營養液設備,讓該營養液設備能輸出設定的營養液至該培養容器內。
- 如申請專利範圍第1項所述之智慧型微藻養殖系統,其中該卷積神經網路(CNN)係進一步為二維卷積神經網路,以透過該二維卷積神經網路進行影像識別。
- 如申請專利範圍第1項所述之智慧型微藻養殖系統,其中該微藻養殖場之至少一培養容器係進一步搭配設有至少一位置感測器,該位置感測器係裝設於該培養容器處。
- 如申請專利範圍第3項所述之智慧型微藻養殖系統,其中該位置感測器係進一步與該控制電腦系統連接。
- 如申請專利範圍第1項所述之智慧型微藻養殖系統,其中該控制電腦系統係進一步含有機器學習(machine learning)程序,並對該卷積神經網路(CNN)對監控設備所攝錄至少一培養容器之影像進行識別成微藻濃度進行數據分析,以建立出微藻養殖模型。
- 一種智慧型微藻養殖方法,主要係用於微藻養殖,係包括有一微藻養殖場、一營養液設備、至少一監控設備及一控制電腦系統,該微藻養殖場係裝設有至少一培養容器,該營養液設備係設於該微藻養殖場,該監控設備係裝於該微藻養殖場,該控制電腦系統係分別與該監控設備及該營養液設備進行連接,該控制電腦系統係裝設有卷積神經網路(CNN),而該養殖方法的主要步驟係包括:放入培養液及微藻:於該微藻養殖場所裝設的至少一培養容器中放入培養液及微藻,以進行微藻培養;攝錄培養容器影像:透過裝設於該微藻養殖場的監控設備來對至少一培養容器進行監控,並透過該監控設備之鏡頭攝錄至少一培養容器之影像;影像識別微藻濃度:該控制電腦系統係透過卷積神經網路(CNN)對監控設備所攝錄至少一培養容器之影像進行識別,並識別出至少一培養容器之微藻濃度;操作營養液設備:該控制電腦系統根據所識別至少一培養容器之微藻濃度的變化來操作該營養液設備;以及輸出設定營養液:讓該營養液設備能輸出設定的營養液至該培養容器內。
- 如申請專利範圍第6項所述之智慧型微藻養殖方法,其中該卷積神經網路(CNN)係進一步為二維卷積神經網路,以透過該二維卷積神經網路進行影像識別。
- 如申請專利範圍第6項所述之智慧型微藻養殖方法,其中該微藻養殖場之至少一培養容器係進一步搭配設有至少一位置感測器,該位置感測器係裝設於該培養容器處。
- 如申請專利範圍第8項所述之智慧型微藻養殖方法,其中該位置感測器係進一步與該控制電腦系統連接。
- 如申請專利範圍第6項所述之智慧型微藻養殖方法,其中該控制電腦系統係進一步含有機器學習(machine learning)程序,並對該卷積神經網路(CNN)對監控設備所攝錄至少一培養容器之影像進行識別成微藻濃度進行數據分析,以建立出微藻養殖模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110124924A TWI786711B (zh) | 2021-07-07 | 2021-07-07 | 智慧型微藻養殖系統及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110124924A TWI786711B (zh) | 2021-07-07 | 2021-07-07 | 智慧型微藻養殖系統及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI786711B TWI786711B (zh) | 2022-12-11 |
TW202303468A true TW202303468A (zh) | 2023-01-16 |
Family
ID=85794888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110124924A TWI786711B (zh) | 2021-07-07 | 2021-07-07 | 智慧型微藻養殖系統及其方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI786711B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101186880A (zh) * | 2007-11-29 | 2008-05-28 | 上海交通大学 | 异养培养小球藻的补料优化方法 |
CN101639690B (zh) * | 2009-06-19 | 2012-05-02 | 新奥科技发展有限公司 | 一种藻类反应控制系统和方法 |
CN103031249B (zh) * | 2012-12-10 | 2014-07-02 | 北京农业智能装备技术研究中心 | 生物微藻反应容器参数监测及调控系统 |
CN103756886B (zh) * | 2014-01-26 | 2016-01-13 | 武汉凯迪工程技术研究总院有限公司 | 一种微藻高密度连续培养的方法及其装置 |
TWM496335U (zh) * | 2014-10-23 | 2015-03-01 | China Steel Corp | 微藻自動化養殖設備 |
CN109711066B (zh) * | 2018-12-28 | 2023-01-31 | 南开大学 | 一种浅水型小型湖库水华预测方法及预测模型 |
CN110245562A (zh) * | 2019-05-13 | 2019-09-17 | 中国水产科学研究院东海水产研究所 | 基于深度学习的海洋产毒微藻种类自动识别方法 |
CN110532646B (zh) * | 2019-08-09 | 2023-05-02 | 北京工商大学 | 基于自适应动态规划的湖库蓝藻水华预测方法 |
CN112784748A (zh) * | 2021-01-22 | 2021-05-11 | 大连海事大学 | 一种基于改进的YOLOv3的微藻识别方法 |
-
2021
- 2021-07-07 TW TW110124924A patent/TWI786711B/zh active
Also Published As
Publication number | Publication date |
---|---|
TWI786711B (zh) | 2022-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Tomato diseases and pests detection based on improved Yolo V3 convolutional neural network | |
Benemann | Microalgae for biofuels and animal feeds | |
Koller | Design of closed photobioreactors for algal cultivation | |
Sonmez et al. | Convolutional neural network-Support vector machine based approach for classification of cyanobacteria and chlorophyta microalgae groups | |
Fuentes et al. | Outdoor large-scale cultivation of the acidophilic microalga Coccomyxa onubensis in a vertical close photobioreactor for lutein production | |
Concas et al. | A novel mathematical model to simulate the size-structured growth of microalgae strains dividing by multiple fission | |
Wu et al. | Crop organ segmentation and disease identification based on weakly supervised deep neural network | |
CN203708882U (zh) | 一种多功能液体菌种培养装置 | |
Fang et al. | Using channel and network layer pruning based on deep learning for real-time detection of ginger images | |
Moheimani et al. | Past, present and future of microalgae cultivation developments | |
Huo et al. | Available resources for algal biofuel development in China | |
TWI786711B (zh) | 智慧型微藻養殖系統及其方法 | |
Brzychczyk et al. | The follow-up photobioreactor illumination system for the cultivation of photosynthetic microorganisms | |
Shareefdeen et al. | Recent developments on the performance of algal bioreactors for CO2 removal: focusing on the light intensity and photoperiods | |
WO2017028018A1 (zh) | 层叠式薄板光生物反应器 | |
TWM624279U (zh) | 智慧型微藻養殖系統 | |
CN202730113U (zh) | 一种微藻高密度培养设备 | |
Li et al. | Vision-based a seedling selective planting control system for vegetable transplanter | |
Nguyen et al. | A low-cost efficient system for monitoring microalgae density using gaussian process | |
Konur | Algal photobioreactors | |
CN202881248U (zh) | 一种用于微藻大规模培养的模拟装置 | |
Gabrielyan et al. | Cultivation of Chlorella sorokiniana IPPAS C-1 in flat-panel photobioreactors: From a laboratory to a pilot scale | |
CN206666503U (zh) | 一种高密度富油微藻的自动化培养箱体 | |
US20240193968A1 (en) | Analyzing microscope images of microalgae culture samples | |
Mei et al. | A Method Based on Knowledge Distillation for Fish School Stress State Recognition in Intensive Aquaculture. |