微藻生长速度快、能量转换效率高且种植占地少，在能源领域备受关注，可提取β-胡萝卜素、不饱和脂肪酸等物质，还能转化为航空柴油，残渣可制成吸附剂处理工业废水，在未来能源与资源利用中潜力巨大。

微藻培养是其能源利用系统的关键，实时监测生长与培养情况至关重要。传统微藻生物量测量方法存在诸多不足：人工细胞计数、干重测量等离线方法耗时费力；光谱技术虽灵敏易操作，但难以准确反映大样本平均含量。

随着人工智能发展，机器学习成为各行业趋势，机器视觉技术自20世纪80年代起逐步用于微生物定性定量分析，却受限于识别静止微藻等问题。近年人工神经网络推动了基于图像的监测技术发展，如利用RGB图像处理和人工智能评估微藻，但现有研究多聚焦识别分类，基于机器学习的回归预测尚处起步阶段，对颜色差异和模型优化研究不足。因此，本文基于卷积神经网络开发微藻定量方法，旨在为工业化微藻培养定量监测提供精准、高效的智能方案。

研究内容

图1.在独立验证数据集中，使用EFF、RES和LR对RH和SP的预测值和校准值进行比较分析

本研究共收集两种微藻41个浓度梯度的984张图像，其中31个浓度的图像作为调优数据集（按7:3分为训练集和测试集），10个浓度的图像作为验证数据集。统计分析（P<0.05）表明，每张图像的RGB值与其浓度显著相关。观察发现，红藻和蓝绿藻（螺旋藻）随浓度增加颜色强度变化明显，达到一定浓度后趋于稳定。这是因为藻细胞内色素（如叶绿素）吸收达到饱和，细胞密度增加时，光线已被现有细胞最大程度吸收，观察到的颜色深度不再显著变化。

图2.RH(a)和SP(b)独立验证数据集中RGB值的比较分析。

利用调优数据集图像数据对EFF、RES和线性回归（LR）算法进行微藻浓度预测优化。训练约50次迭代后，算法达到收敛，100次迭代后选取最优模型。结果显示，EFF和RES在训练中表现出高准确率和低误差，R²均超过0.99，RMSE为0.02-0.09，体现出强大的非线性拟合能力，这得益于其灵活架构和先进特征学习能力。RES的残差连接与EFF的可扩展架构助力实现高效学习，卷积基础保障了特征提取的稳健性，可高效完成端到端训练和复杂非线性回归任务。而LR表现较差，训练和测试的R²远低于EFF和RES，难以满足微藻生物量与溶液图像间的非线性映射需求。

图3.RH（a和c）和SP（b和d）独立验证数据集的RMSE和NRMSE比较分析。

分析验证数据集中各浓度图像的RGB值发现，RH随浓度增加三原色值均均匀下降，RGB值变化趋势更显著；SP在低浓度时RGB值大幅下降，中高浓度（>0.3g/L）后降至较低范围且波动小，原色G和B无显著变化，这是两种微藻在高浓度下识别效率差异的根本原因。​

RMSE和NRMSE分析表明，RH在预测过程中两种模型误差均较低（<0.2）；SP低浓度时RMSE低，高浓度时误差显著变化，识别准确率低于RH。RES的RMSE整体变化小于EFF，因其残差学习策略通过残差块记录数据差异特征，避免输入差异小导致的欠拟合，解决梯度消失问题，泛化能力和稳健性更强；而EFF的缩放策略在处理特征差异小的图像时易出现梯度衰减，导致欠拟合。此外，低浓度时环境背景噪声干扰大，高浓度受光饱和影响，均会降低模型预测性能。

本研究证实卷积神经网络（尤其是EFF和RES）可有效提升微藻生物量监测效果，这些模型能准确预测不同密度下的生物量浓度，在独立验证中表现出稳健性。关键发现是RH因RGB值变化显著，检测效果更优；RES在高浓度场景下对细微颜色变化的检测能力突出，更适用于生物量连续监测。但研究存在局限性，极端浓度会影响模型准确率，且本研究采用恒定光源，实际应用中需开发能适应光照变化的模型。该研究为微藻生物量定量监测提供了高效方法，也为后续优化模型以适应复杂实际环境奠定了基础，推动了图像识别与深度学习在微藻研究领域的应用。

原文链接：https://doi.org/10.1016/j.biortech.2024.130889