胡 圣,劉浩兵,劉 輝,曹桂英,王玉波,胡愈炘,彭 玉,張 晶,陳麗雯,王英才

1.生態(tài)環(huán)境部長(zhǎng)江流域生態(tài)環(huán)境監(jiān)督管理局生態(tài)環(huán)境監(jiān)測(cè)與科學(xué)研究中心,湖北 武漢 430010

2.?？谁h(huán)境科技(中國(guó))有限公司,湖北 武漢 430080

3.南水北調(diào)中線干線工程建設(shè)管理局河南分局,河南 鄭州 450008

浮游藻類是淡水生態(tài)系統(tǒng)中的主要初級(jí)生產(chǎn)者,對(duì)水環(huán)境變化敏感,其種類、密度及群落組成與水質(zhì)狀況密切相關(guān)[1]。 當(dāng)前,我國(guó)水體富營(yíng)養(yǎng)化問題嚴(yán)重,水華事件頻發(fā),嚴(yán)重破壞了水生態(tài)系統(tǒng)的平衡[2]。 浮游藻類監(jiān)測(cè)是水生態(tài)監(jiān)測(cè)的重要組成部分,在水華成因分析、機(jī)理研究及富營(yíng)養(yǎng)化湖庫(kù)監(jiān)測(cè)預(yù)警與治理中都發(fā)揮著非常重要的作用,是開展水生態(tài)系統(tǒng)評(píng)價(jià)、水環(huán)境管理和保護(hù)的重要基礎(chǔ)[3]。

浮游藻類物種鑒定是一項(xiàng)既復(fù)雜又困難的工作,需要在光學(xué)顯微鏡下對(duì)浮游藻類的分類學(xué)特征進(jìn)行充分識(shí)別,特殊情況下還需要借助其他技術(shù),例如:硅藻鑒定可能需要進(jìn)行燒片預(yù)處理;而對(duì)于超微藻類,可能需要通過擴(kuò)增其DNA 序列進(jìn)行分子鑒定等。 當(dāng)前,浮游藻類監(jiān)測(cè)主要依靠專業(yè)技術(shù)人員在顯微鏡下進(jìn)行藻細(xì)胞形態(tài)鑒定。 浮游藻類形態(tài)多樣,有單細(xì)胞、群體和絲狀等多種類型,不同種類又具有不同的細(xì)胞特征或群體組成方式,因此,準(zhǔn)確進(jìn)行浮游藻類鑒定需要豐富的浮游藻類分類知識(shí)和鑒定經(jīng)驗(yàn)[4],成為一名合格的浮游藻類檢測(cè)人員需要經(jīng)過長(zhǎng)期的學(xué)習(xí)和培訓(xùn)。浮游藻類檢測(cè)需要檢測(cè)人員在顯微鏡下對(duì)浮游藻類逐一鑒定并計(jì)數(shù),因此,檢測(cè)過程耗時(shí)耗力。 此外,不同實(shí)驗(yàn)室和檢測(cè)人員鑒定能力的差異也可能導(dǎo)致鑒定結(jié)果的差異,造成不同來源的浮游藻類監(jiān)測(cè)結(jié)果的可比性較差,限制了浮游藻類監(jiān)測(cè)數(shù)據(jù)在水華和水質(zhì)管理中的業(yè)務(wù)化應(yīng)用。

自動(dòng)化監(jiān)測(cè)系統(tǒng)能夠節(jié)省人力、時(shí)間、硬件等成本,其技術(shù)先進(jìn)、結(jié)果可靠、易于操作,能夠顯著提高監(jiān)測(cè)效率。 同時(shí),標(biāo)準(zhǔn)化的檢測(cè)流程和自動(dòng)化的檢測(cè)過程也可避免前文所述偏差的出現(xiàn)。 當(dāng)前,浮游藻類在線監(jiān)測(cè)技術(shù)多基于光譜吸收、激發(fā)原理或顯微圖像處理技術(shù)進(jìn)行浮游藻類分類。 例如,國(guó)外多將熒光技術(shù)或流式細(xì)胞儀技術(shù)應(yīng)用于藻類監(jiān)測(cè)[5],然而受限于監(jiān)測(cè)原理的缺陷,無法基于熒光技術(shù)對(duì)浮游藻類進(jìn)行屬水平的分類學(xué)鑒定[6-8]。 國(guó)內(nèi)也有基于圖形識(shí)別技術(shù)的藻類在線監(jiān)測(cè)設(shè)備,如藻類分類計(jì)數(shù)儀。 該類圖形識(shí)別技術(shù)是通過顯微圖像處理原理進(jìn)行浮游藻類鑒定,需要運(yùn)用大量圖片進(jìn)行訓(xùn)練,且圖片庫(kù)的建立需手動(dòng)完成,故針對(duì)多種藻類進(jìn)行分類的效果并不理想,識(shí)別精度有待提高。

上述浮游藻類監(jiān)測(cè)技術(shù)的檢測(cè)結(jié)果誤差較大,難以在屬或者種水平上進(jìn)行浮游藻類的準(zhǔn)確鑒定,遠(yuǎn)遠(yuǎn)滿足不了水生態(tài)監(jiān)測(cè)和評(píng)價(jià)的需要。因此,迫切需要開發(fā)能夠快速且準(zhǔn)確進(jìn)行浮游藻類檢測(cè)的智能監(jiān)測(cè)技術(shù),實(shí)現(xiàn)浮游藻類監(jiān)測(cè)工作的標(biāo)準(zhǔn)化和自動(dòng)化,并應(yīng)用于浮游藻類常規(guī)監(jiān)測(cè)和應(yīng)急監(jiān)測(cè),以快速、準(zhǔn)確掌握水體中浮游藻類的變化情況,為水生態(tài)環(huán)境管理和保護(hù)提供支撐。

近年來,深度學(xué)習(xí)技術(shù)中的神經(jīng)網(wǎng)絡(luò)技術(shù)發(fā)展迅速[9],在相似場(chǎng)景下的目標(biāo)追蹤、識(shí)別和圖像分類[10]方面具有廣闊的應(yīng)用前景。 因此,將深度學(xué)習(xí)技術(shù)中的神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于浮游藻類圖像識(shí)別,并建立高效、準(zhǔn)確的浮游藻類智能識(shí)別系統(tǒng)成為了可能。 為實(shí)現(xiàn)對(duì)浮游藻類的自動(dòng)化監(jiān)測(cè),需要從進(jìn)樣、拍攝和識(shí)別3 個(gè)方面進(jìn)行設(shè)計(jì)研發(fā)。 本研究技術(shù)路線:首先,開發(fā)浮游藻類自動(dòng)進(jìn)樣系統(tǒng),以完成浮游藻類樣品自動(dòng)化進(jìn)樣;其次,開發(fā)浮游藻類智能識(shí)別系統(tǒng),進(jìn)行浮游藻類樣品多景深拍攝,并基于深度學(xué)習(xí)技術(shù)建立浮游藻類智能識(shí)別模型,實(shí)現(xiàn)對(duì)浮游藻類的智能鑒定與計(jì)數(shù);再次,利用南水北調(diào)中線浮游藻類樣品開展神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練,逐步提升浮游藻類智能識(shí)別和計(jì)數(shù)的準(zhǔn)確率;最后,集成開發(fā)出浮游藻類智能監(jiān)測(cè)系統(tǒng),實(shí)現(xiàn)對(duì)浮游藻類的智能檢測(cè)。 該系統(tǒng)能夠快速、大量且準(zhǔn)確地進(jìn)行浮游藻類樣品鑒定,投入實(shí)際應(yīng)用后,可顯著節(jié)省人力物力,從而提高我國(guó)浮游藻類監(jiān)測(cè)的效率。

1 浮游藻類智能監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

1.1 浮游藻類智能監(jiān)測(cè)系統(tǒng)框架

浮游藻類智能監(jiān)測(cè)系統(tǒng)總體設(shè)計(jì)思路如圖1所示,各主要功能模塊如下。

圖1 浮游藻類智能監(jiān)測(cè)系統(tǒng)總體設(shè)計(jì)思路Fig.1 The overall design idea of intelligent identification system for planktonic algae

1)浮游藻類數(shù)據(jù)集和圖譜庫(kù)

本模塊主要由浮游藻類分類信息和圖譜數(shù)據(jù)組成。 使用數(shù)據(jù)集和圖譜庫(kù)對(duì)本研究構(gòu)建的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練,能夠提高人工智能識(shí)別系統(tǒng)對(duì)浮游藻類鑒定和計(jì)數(shù)的準(zhǔn)確性。 本研究首先在南水北調(diào)中線總干渠開展了全面的浮游藻類生態(tài)調(diào)查,掌握了總干渠的浮游藻類群落特征及主要代表性浮游藻類,并在具備國(guó)家計(jì)量認(rèn)證資質(zhì)的專業(yè)藻類鑒定人員和藻類分類學(xué)家的幫助下,對(duì)浮游藻類進(jìn)行了鑒定,保證浮游藻類物種分類信息準(zhǔn)確無誤。 在此基礎(chǔ)上,建立了總干渠浮游藻類數(shù)據(jù)集和圖譜庫(kù),為人工智能識(shí)別系統(tǒng)提供基礎(chǔ)訓(xùn)練數(shù)據(jù)集。

2)浮游藻類自動(dòng)進(jìn)樣系統(tǒng)

為實(shí)現(xiàn)自動(dòng)化進(jìn)樣,本研究針對(duì)浮游藻類的樣品特征,研發(fā)出適用于浮游藻類的全自動(dòng)進(jìn)樣系統(tǒng),以實(shí)現(xiàn)浮游藻類檢測(cè)過程的自動(dòng)化進(jìn)樣及進(jìn)樣管路的自動(dòng)化清洗,為開展浮游藻類智能監(jiān)測(cè)提供自動(dòng)進(jìn)樣關(guān)鍵模塊。

3)浮游藻類智能識(shí)別系統(tǒng)

利用本模塊可以實(shí)現(xiàn)對(duì)浮游藻類樣品的自動(dòng)化拍攝和鑒定。 通過對(duì)現(xiàn)有顯微鏡及自動(dòng)化平臺(tái)進(jìn)行改造和集成開發(fā),實(shí)現(xiàn)在顯微鏡下對(duì)浮游藻類樣品的自動(dòng)聚焦、分層觀測(cè)及自動(dòng)成像。 在此基礎(chǔ)上,本研究開發(fā)并優(yōu)化了適用于浮游藻類鑒定的深度學(xué)習(xí)識(shí)別算法和模型,利用30 000 余張典型浮游藻類標(biāo)識(shí)圖譜進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練,以提高浮游藻類智能識(shí)別系統(tǒng)的學(xué)習(xí)能力和識(shí)別能力,并通過反復(fù)訓(xùn)練提升浮游藻類鑒定和計(jì)數(shù)的準(zhǔn)確率。

4)浮游藻類智能監(jiān)測(cè)系統(tǒng)

本模塊的主要功能是控制上述各個(gè)模塊的數(shù)據(jù)傳輸和操作。 通過研發(fā)保障智能監(jiān)測(cè)設(shè)備有效運(yùn)行所需的控制系統(tǒng)與數(shù)據(jù)傳輸系統(tǒng),并與自動(dòng)進(jìn)樣系統(tǒng)和智能識(shí)別系統(tǒng)有機(jī)融合,集成開發(fā)出浮游藻類智能監(jiān)測(cè)系統(tǒng)。 該設(shè)備具備自動(dòng)進(jìn)樣、自動(dòng)聚焦、自動(dòng)識(shí)別、自動(dòng)計(jì)數(shù)等功能,能夠?qū)崿F(xiàn)對(duì)浮游藻類的自動(dòng)檢測(cè)。

1.2 浮游藻類自動(dòng)進(jìn)樣系統(tǒng)設(shè)計(jì)

浮游藻類自動(dòng)進(jìn)樣系統(tǒng)由毛細(xì)管、蠕動(dòng)泵、三通電磁閥和電機(jī)平臺(tái)等組成。 本研究使用蠕動(dòng)泵和三通電磁閥來控制自動(dòng)進(jìn)樣系統(tǒng)。 系統(tǒng)中的毛細(xì)管夾芯包含3 路毛細(xì)管,每路毛細(xì)管均可實(shí)現(xiàn)自動(dòng)進(jìn)樣和自動(dòng)清洗,可自動(dòng)或手動(dòng)切換樣品檢測(cè)狀態(tài)和管道清洗狀態(tài)。 浮游藻類自動(dòng)進(jìn)樣系統(tǒng)整體設(shè)計(jì)思路如圖2 所示。 液體在毛細(xì)管內(nèi)的移動(dòng)由蠕動(dòng)泵和三通電磁閥控制,蠕動(dòng)泵可控制管道中液體或空氣的流速,三通電磁閥則用于選擇是將液體還是空氣泵入毛細(xì)管。 進(jìn)樣系統(tǒng)還具有自動(dòng)切換功能,使進(jìn)樣口能夠在3 種采樣液和沖洗液之間切換。

圖2 浮游藻類自動(dòng)進(jìn)樣系統(tǒng)總體設(shè)計(jì)思路Fig.2 The overall design idea of automated flow-injection apparatus for planktonic algae sample

1.3 浮游藻類智能識(shí)別系統(tǒng)設(shè)計(jì)

浮游藻類智能識(shí)別系統(tǒng)由XYZ軸控制器、顯微鏡和控制系統(tǒng)等多個(gè)組件組成。 通過對(duì)顯微鏡的自動(dòng)化改造,該系統(tǒng)可實(shí)現(xiàn)對(duì)不同景深、多焦平面的快速自動(dòng)對(duì)焦,并且能夠在高倍鏡下完成對(duì)各焦平面的連續(xù)自動(dòng)掃描和攝影。 最后,由自主編寫的GUI 處理軟件整合不同焦平面的攝影圖片,生成待觀測(cè)樣本的清晰影像。該系統(tǒng)采用磁浮直線電機(jī)平臺(tái),通過IP 和端口號(hào)實(shí)現(xiàn)對(duì)顯微鏡的自動(dòng)化控制,確保顯微鏡平臺(tái)自動(dòng)出片、進(jìn)片及歸位。 通過調(diào)整X、Y、Z軸步距,自動(dòng)控制載物臺(tái)的移動(dòng)(圖3)。 在計(jì)算軟件和框架方面,可通過自主編寫的GUI 軟件設(shè)置圖像采集裝置的分辨率及圖片格式,自動(dòng)存儲(chǔ)攝影圖片和識(shí)別出的浮游藻類種類及計(jì)數(shù)信息,并可實(shí)現(xiàn)對(duì)存儲(chǔ)結(jié)果的查閱功能。 同時(shí),該智能識(shí)別系統(tǒng)采用深度學(xué)習(xí)框架,具備智能學(xué)習(xí)和升級(jí)拓展功能。

圖3 浮游藻類智能識(shí)別系統(tǒng)部件Fig.3 The components of intelligent identification system for planktonic algae

浮游藻類智能識(shí)別和計(jì)數(shù)軟件是本系統(tǒng)的重要組成部分。 該部分需滿足硬件、軟件和可視化界面3 個(gè)方面的保障要求,如圖4 所示。

圖4 浮游藻類智能識(shí)別系統(tǒng)軟件開發(fā)調(diào)試環(huán)境Fig.4 The development and debugging environment of intelligent identification software for planktonic algae

硬件環(huán)境方面,為滿足深度學(xué)習(xí)模型的訓(xùn)練要求,需要配置性能優(yōu)秀的顯卡、CPU、內(nèi)存和硬盤等。 軟件環(huán)境方面, 必需的軟件包括CUDA[11]、 cuDNN[12]、 OpenCV[13]、 Keras[14]和TensorFlow[14]等。 在配置好硬件和軟件環(huán)境后,基于Windows 操作系統(tǒng)建立穩(wěn)定的深度學(xué)習(xí)框架,然后開展深度學(xué)習(xí)模型訓(xùn)練。

在計(jì)算機(jī)視覺領(lǐng)域,浮游藻類圖像識(shí)別目前主要有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)兩種方法。 就機(jī)器學(xué)習(xí)而言,研究人員需要提取浮游藻類圖像的特征量,即從輸入圖像中準(zhǔn)確提取藻類信息轉(zhuǎn)換器,然后基于機(jī)器學(xué)習(xí)技術(shù)來實(shí)現(xiàn)對(duì)特征量的學(xué)習(xí)和判定,找到浮游藻類識(shí)別規(guī)律和判定模式。 但在上述過程中,將浮游藻類圖像轉(zhuǎn)換為特征量需依靠人工設(shè)置,存在一定的主觀性,且特征量的定義和提取難度較大,難以實(shí)現(xiàn)對(duì)浮游藻類分類特征的全面覆蓋和精確定量。 神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)中的一種端到端(End-to-End)的學(xué)習(xí)方法,可以直接學(xué)習(xí)圖像本身,以及圖像中包含的特征量。 這種方法能夠從原始數(shù)據(jù)中直接獲取目標(biāo)結(jié)果,最大限度地防止人為介入,降低主觀性帶來的誤差。本研究采用端到端的深度學(xué)習(xí)方法,對(duì)通過顯微鏡拍攝的浮游藻類照片直接進(jìn)行鑒定和計(jì)數(shù),不僅消除了機(jī)器學(xué)習(xí)法引入的主觀性誤差,而且具有實(shí)時(shí)性等特點(diǎn)。 采用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法實(shí)現(xiàn)對(duì)浮游藻類圖像的識(shí)別和計(jì)數(shù),將單階段[15]實(shí)時(shí)物體檢測(cè)算法YOLOv3 作為浮游藻類識(shí)別算法[16]。 在保持YOLOv3 快速檢測(cè)特點(diǎn)的前提下,將特征金字塔網(wǎng)絡(luò)(FPN)引入框架,使模型性能較其他算法有所提升[17]。 采用遷移學(xué)習(xí)進(jìn) 行 模 型 訓(xùn) 練[18-19], 使 用 Common Objects in Context(COCO)數(shù)據(jù)集作為基準(zhǔn)數(shù)據(jù)集[20]。 整個(gè)算法框架如圖5 所示。

圖5 COCO 數(shù)據(jù)集訓(xùn)練模型示意圖Fig.5 The diagram for training model based on COCO dataset

在進(jìn)行模型訓(xùn)練前,首先準(zhǔn)備用于訓(xùn)練的數(shù)據(jù)集(含有浮游藻類的圖片),然后由藻類鑒定專家在GUI 軟件中使用方框進(jìn)行標(biāo)識(shí),標(biāo)注出所有出現(xiàn)的待識(shí)別藻類的種類及位置信息。 獲得訓(xùn)練數(shù)據(jù)集后,進(jìn)一步開展神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練,主要步驟包括:

1)將浮游藻類數(shù)據(jù)集分為訓(xùn)練集和驗(yàn)證集,訓(xùn)練集用于模型訓(xùn)練,驗(yàn)證集用于訓(xùn)練完成后的模型準(zhǔn)確度檢驗(yàn);

2)基于Keras 深度學(xué)習(xí)庫(kù)構(gòu)建神經(jīng)網(wǎng)絡(luò)鑒定模型、YOLOv3 輸出層及YOLOv3 損失函數(shù);

3)獲取基于COCO 數(shù)據(jù)集經(jīng)預(yù)訓(xùn)練得到的模型權(quán)重文件;

4) 生成適合數(shù)據(jù)集的多尺度滑動(dòng)窗口(Anchor Box);

5)讀取訓(xùn)練集浮游藻類圖片和標(biāo)注文件,解析標(biāo)注文件,調(diào)用預(yù)訓(xùn)練權(quán)重?cái)?shù)據(jù)進(jìn)行遷移學(xué)習(xí),計(jì)算模型在訓(xùn)練集和驗(yàn)證集上的損失并進(jìn)行迭代訓(xùn)練;

6)對(duì)訓(xùn)練過程中的損失函數(shù)值進(jìn)行可視化,根據(jù)可視化結(jié)果調(diào)整訓(xùn)練模型參數(shù),進(jìn)行模型優(yōu)化;

7)保存最優(yōu)模型權(quán)重值并進(jìn)行模型驗(yàn)證測(cè)試,根據(jù)測(cè)試結(jié)果調(diào)整浮游藻類數(shù)據(jù)集,對(duì)模型開展進(jìn)一步優(yōu)化訓(xùn)練。

在進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和驗(yàn)證的同時(shí),本研究基于PyQt5 實(shí)現(xiàn)GUI 界面編程[21],用于Windows 上GUI 界面軟件的開發(fā),從而實(shí)現(xiàn)直觀的人機(jī)交互操作。 通過GUI 軟件直接與顯微鏡掃描系統(tǒng)通信,讀取掃描后的浮游藻類圖片,調(diào)用訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行浮游藻類檢測(cè)鑒定,并將結(jié)果顯示在軟件界面上。 該GUI 界面還嵌入了顯微鏡操作軟件,用戶僅通過一個(gè)軟件即可完成顯微鏡平臺(tái)控制、顯微圖像掃描、圖片獲取、浮游藻類識(shí)別結(jié)果顯示、浮游藻類數(shù)量統(tǒng)計(jì)結(jié)果顯示、檢測(cè)結(jié)果存儲(chǔ)等功能。 同時(shí),該軟件與模型數(shù)據(jù)庫(kù)連接,可以直接存儲(chǔ)和讀取信息,便于后續(xù)檢索、分析和對(duì)比等。

1.4 浮游藻類智能監(jiān)測(cè)系統(tǒng)集成

浮游藻類智能監(jiān)測(cè)系統(tǒng)主要由浮游藻類自動(dòng)進(jìn)樣系統(tǒng)、數(shù)字顯微影像掃描系統(tǒng)和浮游藻類智能識(shí)別軟件構(gòu)成,總體如圖6 所示。

圖6 浮游藻類智能監(jiān)測(cè)系統(tǒng)集成Fig.6 The mechanical structure of intelligent identification system for planktonic algal

浮游藻類智能監(jiān)測(cè)系統(tǒng)總體運(yùn)行步驟如圖7所示。 首先,通過自動(dòng)進(jìn)樣系統(tǒng)完成待測(cè)樣品自動(dòng)化進(jìn)樣和載入,通過計(jì)算機(jī)圖形界面完成顯微鏡平臺(tái)初始化,并將鏡頭移動(dòng)到第一個(gè)視野。 其次,通過載物臺(tái)Z軸的自動(dòng)移動(dòng),實(shí)現(xiàn)對(duì)多個(gè)焦平面浮游藻類樣品的顯微攝影,并獲取圖像信息。然后,通過圖像處理軟件對(duì)獲取的圖像進(jìn)行優(yōu)化和合并,輸出合并后的圖像供識(shí)別軟件識(shí)別計(jì)數(shù)。完成全過程后,通過數(shù)字顯微影像掃描系統(tǒng)自動(dòng)控制載物臺(tái)X軸和Y軸移動(dòng)到下一個(gè)視野,重復(fù)以上Z軸移動(dòng)—多焦平面圖像拍攝—圖像處理和識(shí)別等檢測(cè)分析過程,直至所有視野計(jì)數(shù)完畢。最后,通過識(shí)別軟件自動(dòng)進(jìn)行不同浮游藻類的分類統(tǒng)計(jì)和密度計(jì)算。

圖7 浮游藻類智能監(jiān)測(cè)系統(tǒng)運(yùn)行步驟示意圖Fig.7 The schematic operating procedures of intelligent identification system for planktonic algal

2 浮游藻類智能監(jiān)測(cè)系統(tǒng)檢測(cè)結(jié)果驗(yàn)證

使用30 000 余張浮游藻類圖片對(duì)該智能監(jiān)測(cè)系統(tǒng)進(jìn)行訓(xùn)練。 相關(guān)圖片涵蓋了硅藻門(Bacillariophyta)、甲藻門(Pyorophyta)、金藻門(Chrysophyta)、 藍(lán) 藻 門(Cyanophyta)、 裸 藻 門(Euglenophyta)和綠藻門(Chlorophyta)等共計(jì)6門43 屬,平均每個(gè)屬包含約800 張各類形態(tài)和角度的圖片。 使用藻類智能監(jiān)測(cè)系統(tǒng)對(duì)實(shí)際樣品進(jìn)行檢測(cè),結(jié)果顯示:各樣品的平均檢測(cè)時(shí)長(zhǎng)低于20 min;適宜的濃度檢測(cè)范圍為5×105～2×107個(gè)/L,此范圍之外的浮游藻類樣品需適當(dāng)稀釋或者濃縮。 分別使用漢江水華樣品和南水北調(diào)中線樣品對(duì)該系統(tǒng)的檢測(cè)結(jié)果進(jìn)行驗(yàn)證。

2.1 漢江水華樣品檢測(cè)結(jié)果驗(yàn)證

2021 年1 月底,漢江中下游發(fā)生水華。 研究人員在漢江中下游宜城斷面、仙桃斷面1、仙桃斷面2、興隆斷面采集了水華藻類樣品,用于浮游藻類智能監(jiān)測(cè)系統(tǒng)的藻類分類與計(jì)數(shù)能力驗(yàn)證。 首先,使用傳統(tǒng)人工顯微鏡檢測(cè)法對(duì)樣品進(jìn)行浮游藻類定量檢測(cè),重復(fù)3 次,統(tǒng)計(jì)各樣品3 次重復(fù)鏡檢的平均密度。 然后,使用浮游藻類智能監(jiān)測(cè)系統(tǒng)對(duì)樣品進(jìn)行鑒定計(jì)數(shù),重復(fù)3 次,統(tǒng)計(jì)平均密度。 結(jié)果如表1 所示。

表1 人工鏡檢與智能檢測(cè)結(jié)果對(duì)比Table 1 Comparison of results from manual identification and machine identification

比對(duì)結(jié)果顯示,人工鏡檢與智能檢測(cè)的誤差范圍為5.41%～16.92%,平均為11.04%,整體誤差較小。 此外,本次漢江浮游藻類樣品涵蓋了隱藻門、藍(lán)藻門和綠藻門等各種浮游藻類常見門類,人工鏡檢的總密度為0.76×107～3.11×107個(gè)/L。根據(jù)《水華遙感與地面監(jiān)測(cè)評(píng)價(jià)技術(shù)規(guī)范(試行)》(HJ 1098—2020),此范圍屬于輕度水華水平。 上述結(jié)果說明,該浮游藻類智能監(jiān)測(cè)系統(tǒng)已經(jīng)初步具備了對(duì)各類群浮游藻類和水華暴發(fā)樣品的檢測(cè)能力。 另外,該浮游藻類智能監(jiān)測(cè)系統(tǒng)的數(shù)據(jù)庫(kù)數(shù)據(jù)來源于南水北調(diào)中線總干渠浮游藻類樣品,檢測(cè)前未使用漢江樣本進(jìn)行訓(xùn)練,但測(cè)試結(jié)果顯示,該模型對(duì)漢江水樣的檢測(cè)誤差較小,說明其具有良好的泛化能力。

2.2 南水北調(diào)中線樣品檢測(cè)結(jié)果驗(yàn)證

在總量計(jì)數(shù)的基礎(chǔ)上,為進(jìn)一步驗(yàn)證該系統(tǒng)的識(shí)別準(zhǔn)確率和精度,本研究使用南水北調(diào)中線沙河南、張村分水口、應(yīng)河倒虹吸入口、淇河倒虹吸入口、新蟒河倒虹吸入口5 個(gè)采樣點(diǎn)的浮游藻類樣品進(jìn)行系統(tǒng)的驗(yàn)證測(cè)試。

研究人員首先通過人工鏡檢對(duì)每個(gè)樣點(diǎn)的小環(huán)藻(Cyclotella)、脆桿藻(Fragilaria)、針桿藻(Synedra)、 舟 形 藻 (Navicula)、 橋 灣 藻(Cymbella)、 曲 殼 藻 (Achnanthes)、 柵 藻(Scenedesmus)開展計(jì)數(shù),并計(jì)算各個(gè)樣點(diǎn)的浮游藻類密度;然后使用本研究開發(fā)的浮游藻類智能監(jiān)測(cè)系統(tǒng)重復(fù)測(cè)定上述指標(biāo)。 兩種方法的檢測(cè)結(jié)果如圖8 所示。

圖8 不同水樣的浮游藻類人工鏡檢結(jié)果與智能監(jiān)測(cè)系統(tǒng)自動(dòng)識(shí)別結(jié)果對(duì)比Fig.8 Comparison of planktonic algal identification result based on microscope and intelligent identification system in different water sample

檢測(cè)結(jié)果顯示,本研究開發(fā)的浮游藻類智能監(jiān)測(cè)系統(tǒng)在部分浮游藻類的鑒定和計(jì)數(shù)上與專業(yè)檢測(cè)人員人工鏡檢的結(jié)果基本一致,例如小環(huán)藻、脆桿藻、曲殼藻和柵藻。 使用秩和檢驗(yàn)比較上述4 種藻類的智能監(jiān)測(cè)系統(tǒng)檢測(cè)結(jié)果和人工鏡檢檢測(cè)結(jié)果,其P值依次為0.21、0.83、0.21、1.00,均大于0.05,說明兩種方法對(duì)4 種浮游藻類的檢測(cè)結(jié)果差異不顯著,證明該系統(tǒng)具備有效的浮游藻類識(shí)別和計(jì)數(shù)功能。

智能監(jiān)測(cè)系統(tǒng)自動(dòng)識(shí)別并鑒定出的針桿藻、舟形藻和橋?yàn)吃宓臄?shù)量均超過了人工鏡檢結(jié)果。使用秩和檢驗(yàn)比較上述3 種藻類的智能監(jiān)測(cè)系統(tǒng)檢測(cè)結(jié)果和人工鏡檢檢測(cè)結(jié)果,P值依次為0.01、0.01、0.04,均小于0.05。 主要原因可能是樣品中上述浮游藻類的密度較低,占比較小,偶然性誤差的影響較大。

浮游藻類總密度的驗(yàn)證結(jié)果中,秩和檢驗(yàn)P值為0.53,差異不顯著,說明該系統(tǒng)具備有效的浮游藻類總密度檢測(cè)能力。 但人工鏡檢檢出了更多的浮游藻類,主要是因?yàn)槟壳霸撓到y(tǒng)中用于模型訓(xùn)練的浮游藻類物種數(shù)量還比較有限。 在后續(xù)研究中,通過擴(kuò)充浮游藻類數(shù)據(jù)集,提升神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練水平,可進(jìn)一步增加智能識(shí)別系統(tǒng)有效鑒定的浮游藻類種類,有效改善浮游藻類密度檢測(cè)結(jié)果。

得益于自動(dòng)化進(jìn)樣系統(tǒng)和自動(dòng)識(shí)別模塊,該系統(tǒng)可快速對(duì)大批量浮游藻類樣品進(jìn)行鑒定和計(jì)數(shù),實(shí)現(xiàn)對(duì)常規(guī)浮游藻類樣品的實(shí)時(shí)智能檢測(cè)。在處理大批量樣品時(shí),該系統(tǒng)的鑒定計(jì)數(shù)時(shí)間遠(yuǎn)低于人工鏡檢法。 這種大批量、高效率的鑒定計(jì)數(shù)優(yōu)勢(shì)是傳統(tǒng)人工鏡檢法所無法比擬的。

2.3 對(duì)不同屬浮游藻類的鑒定準(zhǔn)確率

上述兩部分的驗(yàn)證結(jié)果表明,該浮游藻類智能監(jiān)測(cè)系統(tǒng)能夠高效且準(zhǔn)確地鑒定浮游藻類樣品。 為進(jìn)一步評(píng)估該浮游藻類智能監(jiān)測(cè)系統(tǒng)在屬水平上的鑒定準(zhǔn)確率,使用30 個(gè)南水北調(diào)樣品進(jìn)行測(cè)試。 本次測(cè)試保證每個(gè)屬的個(gè)體數(shù)量均在1 000 個(gè)以上,共測(cè)試了6 門37 屬,測(cè)試結(jié)果如圖9 所示。

圖9 浮游藻類智能監(jiān)測(cè)系統(tǒng)對(duì)不同屬的自動(dòng)識(shí)別準(zhǔn)確率Fig.9 The identification accuracy based on intelligent identification system for planktonic algal of different genus

該系統(tǒng)對(duì)硅藻門各屬(橋彎藻屬、針桿藻屬、曲殼藻屬、舟形藻屬、直鏈藻屬、小環(huán)藻屬、菱形藻屬、脆桿藻屬、等片藻屬、卵形藻屬、異極藻屬、窗紋藻屬、布紋藻屬)的平均識(shí)別準(zhǔn)確率為89%,甲藻門(角甲藻屬、多甲藻屬)為91%,金藻門(錐囊藻屬、黃群藻屬)為93%,藍(lán)藻門(偽魚腥藻屬、顫藻屬、束絲藻屬、魚腥藻屬、平裂藻屬)為82%,裸藻門(囊裸藻屬、裸藻屬)為94%,綠藻門(盤星藻屬、柵藻屬、轉(zhuǎn)板藻屬、卵囊藻屬、角星鼓藻屬、新月藻屬、鼓藻屬、空星藻屬、纖維藻屬、空球藻屬、水綿屬、絲藻屬、十字藻屬)為84%。 整體而言,該浮游藻類智能監(jiān)測(cè)系統(tǒng)對(duì)所有屬的平均識(shí)別準(zhǔn)確率為87%,中位數(shù)為90%。

上述結(jié)果表明,該浮游藻類智能監(jiān)測(cè)系統(tǒng)能夠在屬水平上對(duì)絕大多數(shù)浮游藻類進(jìn)行準(zhǔn)確鑒定,但對(duì)部分浮游藻類的鑒定準(zhǔn)確率相對(duì)偏低,如綠藻門水綿屬、十字藻屬等。 其原因可能是南水北調(diào)中線樣品中,這兩個(gè)屬的浮游藻類較少見,模型圖譜庫(kù)中用于學(xué)習(xí)相關(guān)屬的特征量的圖片標(biāo)本較少。

2.4 檢測(cè)結(jié)果驗(yàn)證小結(jié)

復(fù)雜的浮游藻類鑒定分析過程加大了培養(yǎng)浮游藻類檢測(cè)人員和開展浮游藻類檢測(cè)工作的難度,成為制約浮游藻類監(jiān)測(cè)及相關(guān)水生態(tài)調(diào)查監(jiān)測(cè)工作的主要因素。 本研究開發(fā)的浮游藻類智能監(jiān)測(cè)系統(tǒng)能夠順利完成浮游藻類樣品自動(dòng)化進(jìn)樣、拍攝、鑒定和識(shí)別等一系列操作,其計(jì)數(shù)結(jié)果與專業(yè)鑒定人員采用顯微鏡檢測(cè)法得到的計(jì)數(shù)結(jié)果的誤差較小。 與同類型儀器設(shè)備相比,基于熒光傳感方法的藻類熒光在線監(jiān)測(cè)儀不能進(jìn)行屬水平上的浮游藻類分類鑒定,而本研究開發(fā)的智能監(jiān)測(cè)系統(tǒng)能夠較為準(zhǔn)確地完成鑒定[5];基于顯微圖像處理方法的藻類識(shí)別技術(shù)的識(shí)別準(zhǔn)確率只有70%[22],而本研究開發(fā)的智能監(jiān)測(cè)系統(tǒng)的平均識(shí)別準(zhǔn)確率達(dá)到了87%;基于流式細(xì)胞儀技術(shù)的浮游藻類在線監(jiān)測(cè)設(shè)備盡管具有較好的實(shí)用性,但不太適用于組成復(fù)雜的浮游藻類樣品[23],而本研究開發(fā)的智能監(jiān)測(cè)系統(tǒng)能夠有效識(shí)別各類藻類,適用于組成復(fù)雜的藻類樣品。 綜上所述,本研究開發(fā)的智能監(jiān)測(cè)系統(tǒng)比同類儀器具有更好的浮游藻類監(jiān)測(cè)能力。 驗(yàn)證結(jié)果說明,該系統(tǒng)具備有效的浮游藻類總密度檢測(cè)能力,在屬水平上的檢測(cè)準(zhǔn)確率高,而且具有較強(qiáng)的泛化能力。

同時(shí),該浮游藻類智能監(jiān)測(cè)系統(tǒng)目前也還存在著一定的局限性,需要采集更多的浮游藻類樣品以擴(kuò)充用于深度學(xué)習(xí)訓(xùn)練的圖譜庫(kù),對(duì)深度學(xué)習(xí)模型的訓(xùn)練和優(yōu)化也需要逐步完成。 因此,當(dāng)前該系統(tǒng)的識(shí)別精確度受到了一定程度的限制。由于浮游藻類智能監(jiān)測(cè)系統(tǒng)具有較強(qiáng)的學(xué)習(xí)和泛化能力,隨著后續(xù)圖譜庫(kù)得到進(jìn)一步的擴(kuò)充,其對(duì)浮游藻類的鑒定準(zhǔn)確率將進(jìn)一步升高,檢測(cè)誤差也將進(jìn)一步縮小。

3 結(jié)論

本研究將深度學(xué)習(xí)技術(shù)運(yùn)用于浮游藻類圖像識(shí)別,建立了高效準(zhǔn)確的浮游藻類智能監(jiān)測(cè)系統(tǒng)。與傳統(tǒng)的顯微鏡檢測(cè)法相比,本研究提出的浮游藻類智能監(jiān)測(cè)系統(tǒng)不僅能夠快速、高效、高通量地對(duì)浮游藻類進(jìn)行智能鑒定并計(jì)數(shù),顯著提升浮游藻類監(jiān)測(cè)工作的效率,而且可以降低研究人員個(gè)人經(jīng)驗(yàn)和“師承派別”對(duì)浮游藻類檢測(cè)工作的影響,提升浮游藻類監(jiān)測(cè)工作的規(guī)范化和標(biāo)準(zhǔn)化水平。 深度學(xué)習(xí)框架不僅保證了鑒定結(jié)果和計(jì)數(shù)結(jié)果的準(zhǔn)確性,而且具有良好的可拓展性。 后續(xù),需進(jìn)一步完善該系統(tǒng),使用更多的浮游藻類數(shù)據(jù)對(duì)深度學(xué)習(xí)框架進(jìn)行訓(xùn)練,進(jìn)一步提升浮游藻類群落鑒定和計(jì)數(shù)的準(zhǔn)確率,從而實(shí)現(xiàn)對(duì)南水北調(diào)中線浮游藻類的實(shí)時(shí)在線監(jiān)控,也為實(shí)現(xiàn)浮游藻類監(jiān)測(cè)工作的標(biāo)準(zhǔn)化和普及化、及時(shí)掌握重要水體藻類群落的動(dòng)態(tài)特征、準(zhǔn)確分析水環(huán)境質(zhì)量的演變趨勢(shì)奠定基礎(chǔ),為我國(guó)的水生態(tài)環(huán)境管理和保護(hù)工作提供支撐。