深度学习在水体藻类实时监测中的应用
发布时间：2022-02-21 18:59
水体富营养化是当前主要的生态环境问题之一,严重威胁全球水安全。单位体积水中的藻细胞个数是水体富营养化程度的重要指标,其监测对于富营养化的防治十分重要。然而,现有的监测手段仍较为低效,或者成本高昂,急需要一种能够长期高频低成本的监测方式。近些年高速发展的深度学习自动识别算法可以为监测提供高效的技术支撑。本研究设计、测试了水体藻类图像获取设备,并发展了基于深度学习技术的藻类识别和浓度计量方法,旨在实现更加高效、快捷的水体藻类实时监测。在藻类图像获取手段方面,使用了可置于野外的水下显微成像系统,同时设计开发了可分层获取图像的分层显微成像系统。为提升藻类图像的质量和可识别性,采取了不同的去噪和增强对比度的方法,并对这些方法进行了比较,最终选定了大津法（OTSU）去噪和直方图拉伸的对比度增强相结合的图像预处理方案。藻细胞识别方面,本研究利用卷积神经网络深度学习算法,并采用了Faster R-CNN和Mobile Net架构,分别对夜光藻（Noctiluca scintillans）和青岛大扁藻（Platymonas helgolandica var.Tsingtaoensis）进行了识别训练和验...
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景
1.1.1 全球水体富营养化
1.1.2 地表水体中的藻类监测
1.2 国内外研究现状
1.2.1 藻细胞图像拍摄
1.2.2 藻种识别
1.2.3 藻细胞浓度计量
1.3 研究内容与意义
第2章 深度学习算法——卷积神经网络
2.1 FASTER R-CNN架构
2.1.1 核心架构
2.1.2 RPN处理
2.1.3 区域池化
2.2 MOBILENET架构
2.3 深度学习算法中参数与函数的设置
2.3.1 参数的调定
2.3.2 激活函数的选取
2.4 深度学习服务器
2.5 本章小结
第3章 藻类图像获取
3.1 水下显微成像系统在野外原位监测中的应用
3.2 分层显微成像系统的开发和应用
3.2.1 设备开发
3.2.2 分层显微成像系统拍摄的藻种
3.2.3 可识别景深的确定
3.3 本章小结
第4章 藻类图像处理
4.1 原始图像的裁剪
4.2 对比度增强
4.2.1 对数变换
4.2.2 指数变换
4.2.3 直方图拉伸
4.3 图像去噪
4.3.1 自动阈值法
4.3.2 自适应阈值法
4.4 藻类图像处理结果
4.4.1 对比度增强
4.4.2 去噪
4.4.3 对比度增强与去噪的结合
4.5 本章小结
第5章 藻类识别
5.1 夜光藻的图像识别
5.1.1 训练过程
5.1.2 训练及测试结果
5.2 青岛大扁藻的图像识别
5.2.1 训练过程
5.2.2 训练及测试结果
5.3 青岛大扁藻面积计算
5.4 本章小结
第6章 藻细胞浓度计量
6.1 实验方法
6.1.1 藻液配置与分析
6.1.2 传统浓度计量方法
6.1.3 基于深度学习结果的自动计量
6.2 藻细胞浓度计量结果
6.2.1 浮游生物计数框法的结果
6.2.2 深度学习法的结果
6.2.3 传统计算方法与自动计算方法结果对比和验证
6.3 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别[J]. 刘文定,李安琪,张军国,谢将剑,鲍伟东. 北京林业大学学报. 2018(08)
[2]富营养化指数法在中国近岸海域的应用[J]. 黄亚楠,吴孟孟. 海洋环境科学. 2016(02)
[3]夜光藻有性繁殖研究进展[J]. 宋书群,李才文,孙军. 生态学报. 2016(09)
[4]关于用藻密度对蓝藻水华程度进行分级评价的方法和运用[J]. 李颖,施择,张榆霞,赵琦琳,李爱军,金玉,铁程. 环境与可持续发展. 2014(02)
[5]洪泽湖藻类与环境因子逐步回归统计和蓝藻水华初步预测[J]. 王兆群,张宁红,张咏. 中国环境监测. 2012(04)
[6]流式细胞仪的原理、应用及最新进展[J]. 赵书涛,武晓东,王策,陈永勤,唐玉国. 现代生物医学进展. 2011(22)
[7]Geographical distribution of red and green Noctiluca scintillans[J]. P. J. HARRISON,K. FURUYA,P. M. GLIBERT,J. H. W. LEE,D. M. ANDERSON,R. GOWEN,A. R. AL-AZRI,A. Y. T. HO. Chinese Journal of Oceanology and Limnology. 2011(04)
[8]4种沉水植物对白洋淀富营养化水体净化效果的研究[J]. 任文君,田在锋,宁国辉,刘霞,胡晓波,谢建治. 生态环境学报. 2011(02)
[9]水下全自动显微成像仪[J]. 于翔,宋家驹,于连生. 海洋技术. 2009(04)
[10]渤海赤潮的历史、现状及其特点[J]. 林凤翱,卢兴旺,洛昊,马明辉. 海洋环境科学. 2008(S2)
本文编号：3637866
【文章来源】：哈尔滨工业大学黑龙江省211工程院校985工程院校
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景
1.1.1 全球水体富营养化
1.1.2 地表水体中的藻类监测
1.2 国内外研究现状
1.2.1 藻细胞图像拍摄
1.2.2 藻种识别
1.2.3 藻细胞浓度计量
1.3 研究内容与意义
第2章 深度学习算法——卷积神经网络
2.1 FASTER R-CNN架构
2.1.1 核心架构
2.1.2 RPN处理
2.1.3 区域池化
2.2 MOBILENET架构
2.3 深度学习算法中参数与函数的设置
2.3.1 参数的调定
2.3.2 激活函数的选取
2.4 深度学习服务器
2.5 本章小结
第3章 藻类图像获取
3.1 水下显微成像系统在野外原位监测中的应用
3.2 分层显微成像系统的开发和应用
3.2.1 设备开发
3.2.2 分层显微成像系统拍摄的藻种
3.2.3 可识别景深的确定
3.3 本章小结
第4章 藻类图像处理
4.1 原始图像的裁剪
4.2 对比度增强
4.2.1 对数变换
4.2.2 指数变换
4.2.3 直方图拉伸
4.3 图像去噪
4.3.1 自动阈值法
4.3.2 自适应阈值法
4.4 藻类图像处理结果
4.4.1 对比度增强
4.4.2 去噪
4.4.3 对比度增强与去噪的结合
4.5 本章小结
第5章 藻类识别
5.1 夜光藻的图像识别
5.1.1 训练过程
5.1.2 训练及测试结果
5.2 青岛大扁藻的图像识别
5.2.1 训练过程
5.2.2 训练及测试结果
5.3 青岛大扁藻面积计算
5.4 本章小结
第6章 藻细胞浓度计量
6.1 实验方法
6.1.1 藻液配置与分析
6.1.2 传统浓度计量方法
6.1.3 基于深度学习结果的自动计量
6.2 藻细胞浓度计量结果
6.2.1 浮游生物计数框法的结果
6.2.2 深度学习法的结果
6.2.3 传统计算方法与自动计算方法结果对比和验证
6.3 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]基于ROI-CNN的赛罕乌拉国家级自然保护区陆生野生动物自动识别[J]. 刘文定,李安琪,张军国,谢将剑,鲍伟东. 北京林业大学学报. 2018(08)
[2]富营养化指数法在中国近岸海域的应用[J]. 黄亚楠,吴孟孟. 海洋环境科学. 2016(02)
[3]夜光藻有性繁殖研究进展[J]. 宋书群,李才文,孙军. 生态学报. 2016(09)
[4]关于用藻密度对蓝藻水华程度进行分级评价的方法和运用[J]. 李颖,施择,张榆霞,赵琦琳,李爱军,金玉,铁程. 环境与可持续发展. 2014(02)
[5]洪泽湖藻类与环境因子逐步回归统计和蓝藻水华初步预测[J]. 王兆群,张宁红,张咏. 中国环境监测. 2012(04)
[6]流式细胞仪的原理、应用及最新进展[J]. 赵书涛,武晓东,王策,陈永勤,唐玉国. 现代生物医学进展. 2011(22)
[7]Geographical distribution of red and green Noctiluca scintillans[J]. P. J. HARRISON,K. FURUYA,P. M. GLIBERT,J. H. W. LEE,D. M. ANDERSON,R. GOWEN,A. R. AL-AZRI,A. Y. T. HO. Chinese Journal of Oceanology and Limnology. 2011(04)
[8]4种沉水植物对白洋淀富营养化水体净化效果的研究[J]. 任文君,田在锋,宁国辉,刘霞,胡晓波,谢建治. 生态环境学报. 2011(02)
[9]水下全自动显微成像仪[J]. 于翔,宋家驹,于连生. 海洋技术. 2009(04)
[10]渤海赤潮的历史、现状及其特点[J]. 林凤翱,卢兴旺,洛昊,马明辉. 海洋环境科学. 2008(S2)
本文编号：3637866
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3637866.html
