本申請涉及水體檢測，尤其涉及一種藻類生物量確定方法、裝置、存儲介質(zhì)及電子設(shè)備。

背景技術(shù)：

1、在藻類生物實驗和資源化養(yǎng)殖過程中需要對藻類生物量進行快速而高效的測量。

2、目前濃度識別涉及的方法有測量光密度的分光光度法和高光譜反演法。測量光密度（即吸光度，od值）的分光光度法：利用物質(zhì)特有的吸收光譜，來鑒別物質(zhì)或者測定物質(zhì)的含量，也就是將一束特定波長的光通過被檢測物，被檢測物可以將光吸收掉一部分，通過吸光度計算被檢測物的濃度。一般被檢測物濃度越高，吸光度的值就會越高。其缺點為：測量的是菌體密度，也包括死亡的菌種，不夠準確。高光譜反演法：根據(jù)觀測信息和模型，求解或推算描述地面實況的應(yīng)用參數(shù)。高光譜反演是使用遙感衛(wèi)星拍攝的高光譜數(shù)據(jù)以及實地采樣化驗的某物質(zhì)含量數(shù)據(jù)來建立一個反演模型。然而在反演領(lǐng)域?qū)b感數(shù)據(jù)的預處理工作有較高的要求。

3、因此，目前的藻類生物量確定方法具有不夠準確，不易于實現(xiàn)的缺點。

技術(shù)實現(xiàn)思路

1、本申請實施例提供一種藻類生物量確定方法、裝置、存儲介質(zhì)及電子設(shè)備，能夠在可見光條件下即采即測，便于純種藻類產(chǎn)業(yè)化養(yǎng)殖的快速定量及實時監(jiān)控成本低，測量結(jié)果比較精確，且易于實現(xiàn)。

2、本申請實施例提供了一種藻類生物量確定方法，包括：

3、獲取待識別藻液圖片，并對所述待識別藻液圖片進行預處理；

4、對預處理后的待識別藻液圖片進行提取，得到所述待識別藻液圖片的rgb值；

5、將所述待識別藻液圖片的rgb值輸入到訓練好的機器學習模型中，得到預測的藻類吸光度；

6、基于所述預測藻類吸光度確定藻類生物量。

7、作為本發(fā)明的進一步改進，上述藻類生物量確定方法，其中，所述對所述待識別藻液圖片進行預處理，包括：

8、對所述待識別藻液圖片依次進行直方圖均衡化、對比度增強和去噪濾波操作，得到預處理后的待識別藻液圖片。

9、作為本發(fā)明的進一步改進，上述藻類生物量確定方法，其中，所述機器學習模型的訓練過程包括：

10、獲取不同藻液濃度下的實測吸光度和對應(yīng)的藻液圖片；

11、基于所述藻液圖片得到藻類rgb值；

12、將所述藻類rgb值輸入到機器學習模型中得到預測的藻類吸光度；

13、基于所述預測的藻類吸光度和所述實測吸光度建立損失函數(shù)，基于所述損失函數(shù)對所述機器學習模型進行迭代訓練。

14、作為本發(fā)明的進一步改進，上述藻類生物量確定方法，其中，所述實測吸光度通過分光光度計測量藻液濃度得到。

15、作為本發(fā)明的進一步改進，上述藻類生物量確定方法，其中，所述獲取不同藻液濃度下的實測吸光度，包括：

16、以待測藻液在680nm波長下的吸光度od值從0到2.8設(shè)置藻液濃度范圍，以0.1吸光度為梯度間隔，配置多個不同藻液濃度；

17、通過分光光度計測量不同藻液濃度對應(yīng)的實測吸光度。

18、作為本發(fā)明的進一步改進，上述藻類生物量確定方法，其中，所述機器學習模型為多層感知器回歸模型。

19、作為本發(fā)明的進一步改進，上述藻類生物量確定方法，其中，所述基于所述預測的藻類吸光度和所述實測吸光度建立損失函數(shù)，在所述基于所述損失函數(shù)對所述機器學習模型進行迭代訓練的步驟之后，包括：

20、計算所述預測的藻類吸光度與所述實測吸光度之間的回歸差異，當回歸差異大于或等于0.8時停止迭代訓練。

21、本申請實施例還提供了一種藻類生物量確定裝置，包括：

22、獲取與預處理模塊，用于獲取待識別藻液圖片，并對所述待識別藻液圖片進行預處理；

23、rgb提取模塊，用于對預處理后的待識別藻液圖片進行提取，得到所述待識別藻液圖片的rgb值；

24、吸光度預測模塊，用于將所述待識別藻液圖片的rgb值輸入到訓練好的機器學習模型中，得到預測的藻類吸光度；

25、生物量確定模塊，用于基于所述預測藻類吸光度確定藻類生物量。

26、本申請實施例還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有多條指令，所述指令適于由處理器加載以執(zhí)行上述任一項藻類生物量確定方法。

27、本申請實施例還提供了一種電子設(shè)備，包括處理器和存儲器，所述處理器與所述存儲器電性連接，所述存儲器用于存儲指令和數(shù)據(jù)，所述處理器用于上述任一項所述的藻類生物量確定方法中的步驟。

28、本申請?zhí)峁┑脑孱惿锪看_定方法、裝置、存儲介質(zhì)及電子設(shè)備，本申請通過藻液圖片提取rgb值，基于藻類rgb值確定藻類生物量，通過rgb值測量藻類生物量的方式比較精確，且易于實現(xiàn)，并且能夠即采即測，便于純種藻類產(chǎn)業(yè)化養(yǎng)殖的快速定量及實時監(jiān)控成本低。不同于以往測量方法，本方法可以通過拍照進行無接觸測量，可以做到無需開蓋、無需破壞性取樣，以免對樣品本身造成污染，從而影響實驗數(shù)據(jù)。

技術(shù)特征：

1.一種藻類生物量確定方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的藻類生物量確定方法，其特征在于，所述對所述待識別藻液圖片進行預處理，包括：

3.根據(jù)權(quán)利要求1所述的藻類生物量確定方法，其特征在于，所述機器學習模型的訓練過程包括：

4.根據(jù)權(quán)利要求3所述的藻類生物量確定方法，其特征在于，所述實測吸光度通過分光光度計測量藻液濃度得到。

5.根據(jù)權(quán)利要求3所述的藻類生物量確定方法，其特征在于，所述獲取不同藻液濃度下的實測吸光度，包括：

6.根據(jù)權(quán)利要求3所述的藻類生物量確定方法，其特征在于，所述機器學習模型為多層感知器回歸模型。

7.根據(jù)權(quán)利要求3所述的藻類生物量確定方法，其特征在于，所述基于所述預測的藻類吸光度和所述實測吸光度建立損失函數(shù)，在所述基于所述損失函數(shù)對所述機器學習模型進行迭代訓練的步驟之后，包括：

8.一種藻類生物量確定裝置，其特征在于，包括：

9.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)中存儲有多條指令，所述指令適于由處理器加載以執(zhí)行權(quán)利要求1至7任一項所述的藻類生物量確定方法。

10.一種電子設(shè)備，其特征在于，包括處理器和存儲器，所述處理器與所述存儲器電性連接，所述存儲器用于存儲指令和數(shù)據(jù)，所述處理器用于執(zhí)行權(quán)利要求1至7任一項所述的藻類生物量確定方法中的步驟。

技術(shù)總結(jié)
本申請公開了藻類生物量確定方法、裝置、存儲介質(zhì)及電子設(shè)備。該方法包括：獲取待識別藻液圖片，并對所述待識別藻液圖片進行預處理；對預處理后的待識別藻液圖片進行提取，得到所述待識別藻液圖片的RGB值；將所述藻液圖片的RGB值輸入到訓練好的機器學習模型中，得到預測的藻類吸光度；基于所述預測藻類吸光度確定藻類生物量。本申請通過RGB值測量藻類生物量的方式比較精確，且易于實現(xiàn)，并且能夠即采即測，便于純種藻類產(chǎn)業(yè)化養(yǎng)殖的快速定量及實時監(jiān)控成本低。不同于以往測量方法，本方法可以通過拍照進行無接觸測量，可以做到無需開蓋、無需破壞性取樣，以免對樣品本身造成污染，從而影響實驗數(shù)據(jù)。

技術(shù)研發(fā)人員：彭澤康,徐雅倩,馬駿,劉德富
受保護的技術(shù)使用者：湖北工業(yè)大學
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/28