《Marine Pollution Bulletin》:High-throughput and rapid classification on harmful algal bloom species based on mega image database and artificial intelligence
编辑推荐:
微藻图像数据库构建与AI分类算法优化研究,采用DenseNet、EfficientNet和ViT模型实现高精度分类,重点提升有害藻类(HABs)识别能力,数据库包含142类微藻及10万余张图像,经北海湾样本验证,AI分类结果与显微检查和元标记测序高度吻合,为赤潮预警提供可靠技术支撑。
郑俊杰|孙志涵|郭若宇|王瑞芳|金电|胡嘉荣|邢晓刚|童梦梦|王鹏斌
自然资源部第二海洋研究所海洋生态系统动力学重点实验室,中国杭州,310012
摘要
微藻是海洋生态系统的重要组成部分,在工业领域也有重要的应用。然而,快速识别微藻,尤其是有害藻华(HAB)物种,是一个挑战。本研究构建了一个全面的微藻图像数据库,并开发了基于人工智能的分类算法以提高识别准确性。通过使用DenseNet、EfficientNet和ViT模型,我们取得了较高的分类性能,其中ViT的表现最佳。研究强调了数据集规模和多样性对提升模型性能的重要性。此外,训练好的模型被应用于分析野外采集的样本,其结果与显微镜检查和宏条形码分析的结果进行了比较。人工智能技术在微藻分类中的应用为有害藻华的早期预警和快速响应提供了可靠的基础,减少了生态和经济损失。我们的发现展示了人工智能在提高微藻识别速度和准确性方面的潜力,有助于更好地管理和保护海洋生态系统。
引言
微藻在海洋生态系统中扮演着关键角色,作为支持各种生态功能和产业的基础生物(Soyocak等人,2023年;Wu等人,2021年)。作为初级生产者,微藻通过光合作用将阳光转化为能量,构成了海洋食物网的基础(Bagul等人,2024年)。它们有助于碳固定,帮助减少温室气体排放,并通过养分循环改善水质(Sharma和Arya,2023年)。微藻的商业开发已经扩展到生物燃料、制药和营养保健品等领域,凸显了其经济价值(Dineshkumar等人,2024年)。然而,藻类的快速繁殖或聚集可能导致有害藻华(HAB)(Yu等人,2018年),这不仅影响水质和生态平衡,还对渔业、旅游业和公共健康构成重大风险(Berdalet等人,2016年;Kouakou和Poder,2019年)。墨西哥湾受到人类活动的严重影响,有害藻华对当地经济和海洋环境构成了严重威胁。Karenia brevis的反复爆发尤其令人担忧,因为这种藻类会产生神经毒素(NSP毒素),对人类健康构成严重风险(Baden,1989年;Hardman,2003年;Soto等人,2012年;Ulloa等人,2017年)。同样,中国的沿海海洋生态系统在过去五十年中也发生了深刻变化,海水中的养分浓度和组成发生了显著变化。这些变化导致了微藻群落结构的改变,有毒微藻爆发的频率增加,以及多种新记录的爆发物种的出现(Dai等人,2014年;Gu等人,2013年;Lu等人,2014年;Wang等人,2011年;Zhou等人,2008年)。因此,快速准确地识别微藻,特别是有害藻华物种,至关重要(Anderson,2009年;Lang等人,2024年;Li等人,2025年;Zahir等人,2024年)。
据估计,全球淡水和海洋生态系统中有3万到100万种浮游植物,其中约8000种硅藻和2200种甲藻已被命名、编目和描述(Guiry,2012年;Rachman等人,2022年)。目前,这些浮游植物的分类和识别主要依赖于显微镜检查,这是一种耗时且劳动密集的传统方法,对于个人来说很难识别和区分如此多样的微藻(Cui等人,2021年;Pok和Ahmad,2024年)。为了解决这个问题,已经采用了多种方法来检测环境样本中的微藻,包括高通量测序和定量实时PCR(qPCR)等分子技术(He等人,2023年;Hu等人,2024年;Liu等人,2020年)。伍兹霍尔海洋研究所(WHOI)开发的Imaging FlowCytobot(IFCB)结合了成像和流式细胞术技术,可以快速捕捉环境样本中的微藻图像,提高了样本分析的效率(Olson和Sosik,2007年)。该设备已被用于墨西哥湾、波罗的海和南极水域的浮游植物检测,在有害藻华的早期预警中发挥了重要作用(Henrichs等人,2021年;Kraft等人,2021年;Lee等人,2022年)。IFCB生成的大量图像数据需要使用图像分类算法进行自动化处理(Sosik和Olson,2007年)。深度学习算法,如卷积神经网络(CNN),无需专家提取即可自动学习图像特征,减少了人工参与,并在图像分类中取得了优异的性能(Li等人,2022年)。Rachman等人(2022年)使用CNN模型在印度尼西亚水域自动识别浮游植物,准确率超过75%。Fuchs等人(2022年)在他们的研究中将卷积神经网络与自动脉冲形状记录流式细胞术结合使用。Eerola等人(2020年)使用紧凑的CNN架构对波罗的海的浮游植物群落进行分类,采用有效的数据增强方法实现了高分类准确性。一些研究使用光学显微镜获取微藻图像,然后手动标注以便于自动检测微藻物种(Sun等人,2025b;Zhou等人,2023年)。Lang等人(2024年)利用基于三维成像的方法实现了有害藻类物种的自动检测。
在本研究中,我们使用IFCB收集微藻图像,构建了一个包含多种微藻物种的图像数据库。我们开发并比较了多种基于人工智能的分类算法。还将这些模型应用于北部湾的海水样本,并将分类结果与显微镜检查和宏条形码分析的结果进行了比较。这一过程旨在提高微藻的识别准确性,特别是有害藻华物种,为早期预警和进一步的微藻自动分类研究提供了重要支持。
章节摘录
微藻图像数据库的构建
在本研究中,我们构建了一个微藻图像数据库,包括微藻图像的收集和处理(图1A)。自然资源部第二海洋研究所的微藻小组通过多年的野外采样、实验室分离、纯化和长期培养,建立了包含800多种纯微藻菌株的库。其中一部分菌株已经进行了到属和种水平的分类鉴定。我们选择了112种菌株
微藻图像数据库分布
为了应用人工智能快速检测微藻,本研究构建了一个包含140类微藻的图像数据库(标注到属或种水平),其中包括28种潜在的有害藻华物种。此外,数据库还包括两个其他类别:浮游动物和非浮游植物/非浮游动物对象(其他),总计142个类别。表S1显示了每个类别的图像数量详情。图2和图3分别展示了
整体模型性能
传统的微藻样本分类和识别依赖于显微镜检查,这种方法耗时且劳动密集,且高度依赖于个人的专业知识(Ning等人,2022年;Sun等人,2025a)。微藻图像的自动分类是解决这一问题的方法(Chong等人,2024年)。传统的机器学习算法需要手动特征提取,这需要来自不同领域的专业知识,而深度学习算法则可以
结论
在本研究中,我们构建了一个全面的微藻图像数据库,并应用了先进的人工智能算法来提高微藻分类的准确性,特别关注有害藻华物种。该数据库包含142个类别,包括140种微藻和106,606张图像,为训练和测试深度学习模型提供了坚实的基础。我们选择了三种模型——DenseNet、EfficientNet和Vision Transformer(ViT)——并评估了它们的性能。
CRediT作者贡献声明
郑俊杰:撰写 – 审稿与编辑,撰写 – 原稿,可视化,验证,软件,资源,方法论,调查,正式分析,数据管理,概念化。孙志涵:撰写 – 审稿与编辑,验证,软件,调查,正式分析,数据管理。郭若宇:撰写 – 审稿与编辑,监督,方法论,正式分析,数据管理,概念化。王瑞芳:验证,资源,方法论,正式分析。金电:
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本工作得到了第二海洋研究所科学研究基金(项目编号:JG2410)和国家自然科学基金(编号:41961144013、41706191)的支持。