低成本RGB成像结合表面积与逐转聚合用于陆基水道 Ulva spp. 生物量密度估算(0.5–5.0 g L?1)

《Journal of Applied Phycology》:Estimating biomass density in land-based cultivation of Ulva spp. using a low cost RGB imaging system

【字体: 大 中 小 】 时间:2026年10月01日 来源:Journal of Applied Phycology 3.6

编辑推荐:

  海藻栽培因劳动密集型生物量监测而面临规模化挑战。在此,研究人员展示了一种低成本红绿蓝(RGB)成像系统,用于陆基水道中 Ulva spp. 的生物量估算(0.5–5.0 g L?1)。使用广义分割模型(generalized segmen

  
海藻栽培因劳动密集型生物量监测而面临规模化挑战。在此,研究人员展示了一种低成本红绿蓝(RGB)成像系统,用于陆基水道中 Ulva spp. 的生物量估算(0.5–5.0 g L?1)。使用广义分割模型(generalized segmentation model),研究人员提取了表面积和颜色(RGB、CIELAB)特征,作为线性回归和对数线性回归的预测因子。表面积被证明是最强预测因子(R2 = 0.99,p = < 0.001,均方根误差(RMSE)= 0.18 g L?1),在逐转(per revolution)分析中,对数线性模型优于线性回归(R2 = 0.88,p = < 0.001,RMSE = 0.50 g L?1)。在跨设备成像条件下的验证中,尽管传感器分辨率和采集几何发生变化,线性模型产生的生物量估算比对数线性模型更稳定且偏差更小(平均误差 = 0.69–0.82 g L?1)。将帧级数据聚合为三分钟回转减少了分割误差,并考虑了海藻随机分布,从而能够准确预测生物量密度。这种易获得、可扩展的方法为精准水产养殖(precision aquaculture)中降低劳动力成本和提高产量提供了一种实用解决方案。
研究背景
海藻栽培日益被视为可持续蓝色经济基石,符合多项联合国可持续发展目标。然而,产业仍存在高生产成本、治理框架碎片化、消费者接受度以及栽培和收获技术限制等瓶颈。其中,劳动密集型生物量估算和收获是欧洲商业栽培的主要成本约束,尤其对缺乏规模经济的小规模系统。延迟收获还会负面影响产量、生化性状和产品质量。传统生物量估算主要依赖离心和称量湿生物量、异速生长方程和实验室分析。声学、声纳和浊度法等替代传感虽有探索,但其复杂性和成本限制广泛应用。陆基水道培养提供比开放海域或池塘培养更可控的替代方案,可改善生产参数控制、可追溯性和产品质量,但也带来更高操作需求,特别是频繁生物量监测和收获。相机监测已在园艺中广泛用于生物量估计,红绿蓝(RGB,red–green–blue)和光谱成像支持非破坏、高通量评估作物健康与产量。在海藻栽培中,RGB相机已用于水下长线监测。Overrein et al. 使用无监督图像处理和颜色阈值提取表面积,在可变环境条件下估算 Saccharina latissima 生物量;Gerlo et al. 训练监督模型预测清晰天气和平静海况下采集的 Saccharina 表面积。这些研究显示表面积作为生物量预测因子的潜力,也突出在可变环境和成像条件下保持一致性能的挑战。陆基培养系统环境更可控,更适合稳定和可扩展的相机监测。光谱成像系统已显示监测陆基培养中 Ulva ohnoi 的潜力,光谱反射与生物量密度强相关,但光谱相机高成本和复杂性限制可及性。此外,基于图像的生物量估计已用于多种宏观藻形态,包括片状、分枝和丝状物种。许多近期水产养殖方法依赖监督机器学习,虽在特定数据集内高精度,但应用于不同物种和形态时性能可能下降。因此,平衡预测性能与可迁移性仍是自动化海藻生物量估计的重要挑战。为此,研究人员开展本研究,使用低成本RGB相机系统自动化陆基水道培养中 Ulva spp. 生物量估计,评估0.5–5.0 g L?1密度范围可行性。通过广义分割模型提取表面积和颜色特征,建立视觉数据与生物量的定量关系。该方法提供可扩展、易获得框架,用于快速、非破坏生物量评估,并潜在应用于其他海藻物种和培养系统。

关键技术方法(≤250字)
研究人员使用来自 SeaweedLand(Heerhugowaard, The Netherlands)的 Ulva spp. 原种,该培养为 Ulva australis 和 U. rigida 混合,源自 Dutch Wadden Sea。实验在 SeaweedLand 受控桨轮驱动水道中进行,工作体积8,300 L,流速0.20 m s?1。通过逐步加入生物量创建0.5–5.0 g L?1十个密度处理,每个密度记录三个完整回转,共30个测量序列。成像用 IDS UI-5290-FA-C-HQ 相机,以0.2 fps采集视频。图像经颜色校正和裁剪后,使用 Segment Anything Model(SAM,可提示分割一切模型)生成二值分割,提取像素表面积及红绿蓝(RGB,red–green–blue)、CIELAB(国际照明委员会L*a*b*颜色空间)平均颜色特征。采用线性与对数线性普通最小二乘(OLS,ordinary least squares)回归,在逐帧和逐转水平分析,对数线性预测经 Duan’s smearing估计量回变换纠偏。独立验证用 Pixel 9a 和 Galaxy S23 Ultra 智能手机,在已知4.04 g L?1参考下跨设备评估。

研究结果
帧水平模型性能。通过逐帧回归分析评估单个特征与生物量密度关系,线性和对数线性模型均显示所有特征统计显著(p < 0.05)。蓝色通道最强,决定系数(R2)为0.69(线性)和0.82(对数线性),其次是表面积(R2=0.70)和红色通道(R2=0.68);其他特征R2低于0.31。逐帧分析方差较高。

逐转模型性能。通过将帧级特征聚合到逐转水平,几乎所有预测因子R2提高。表面积成为最有效预测因子,线性和对数线性R2分别0.88和0.99,均方根误差(RMSE,root mean square error)为0.50和0.18 g L?1。线性模型中总表面积像素R2=0.76,蓝色通道0.75,红色通道0.72;对数线性中蓝色通道0.86,红色通道0.79,优于总表面积0.74。总体逐转分析R2更高,表明聚合帧级数据产生更稳健预测。颜色特征在密度≤1.5 g L?1和≥2.0 g L?1之间出现趋势断裂;对数线性表面积与≥3.0 g L?1饱和效应一致,此时 Ulva 覆盖约65–70%帧。

跨设备验证结果。使用已知参考生物量4.04 g L?1,线性回归模型预测接近期望值,Pixel 9a和S23 Ultra平均误差分别为+0.56和+0.27 g L?1。对数线性模型倾向高估,Pixel 9a和S23 Ultra平均误差分别为+2.40和+1.31 g L?1,且变异性更大,标准差2.93和1.63 g L?1,而线性模型为0.82和0.69 g L?1。在有限验证集中,线性模型偏差和变异性更低。

讨论部分总结
研究人员指出,RGB图像表面积是 Ulva spp. 生物量密度高效预测因子,逐转R2=0.99,p=<0.001,RMSE=0.18 g L?1;相机系统约3分钟采集,优于物理移除称重。数据聚合方式对精度极重要:逐帧分析中对数线性优于线性,峰值R20.82对0.69,提高约10%;逐转分析差异较小但对数线性仍改善拟合,表明非线性关系。饱和效应在≥3.0 g L?1,可能因海藻重叠或遮挡。逐转分析平均化减少异常值预测,考虑随机不均匀分布,实现更准确稳定估计。结果与先前研究一致并扩展,表明低成本RGB系统可匹配复杂昂贵光谱方法。Praeger et al. 用光谱成像 Ulva ohnoi(0.5–12.0 g L?1)达到 R2adj=0.85–0.93,RMSE=0.86–1.31 g L?1,而本文逐转RGB达到 R2=0.88,0.99,RMSE=0.50,0.18 g L?1。光谱系统需专业知识,RGB提供成本效益替代。验证和可迁移性方面,独立验证显示跨成像系统可迁移,尽管传感器分辨率和采集几何变化。对数线性表面积训练最佳,但验证系统高估且稳定性降低;线性模型更稳定(平均误差=0.56,0.27 g L?1)。差异可能反映训练分布外泛化有限、过拟合、对数变换模型对分布偏移敏感,回变换放大系统偏差。两模型倾向高估,部分因相机分辨率差异(Pixel 9a: 1080×1920;S23 Ultra: 3840×2160;参考: 1280×1024)和成像几何。原始感兴趣区域(408×1012)叠加验证图像表明感知“zoom-in”效应,周边区域被裁剪,像素表面积估计膨胀,导致系统高估。尽管偏差,跨设备一致预测趋势表明分割-回归管道保持功能可迁移性到消费级成像系统。偏差减少可通过设备特定数据重新拟合或通过地面采样距离估计将图像特征转为物理单位。未来展望中,目前分割依赖通用SAM,平衡可迁移性和中等精度。开发 Ulva spp. 物种特异分割模型,可能用少样本学习、SAM3概念提示或水道特定数据集微调,可进一步减少分割误差,但可能限制可迁移性到其他海藻形态,如分枝(Gracilariopsis longissima, Asparagopsis spp.)、簇生(Palmaria palmara)、丝状(Chaetomorpha linum)。未来研究应量化权衡并测试跨多样海藻性能。颜色比表面积预测差,假设颜色可提供额外信息尤其表面积接近饱和时,但环境光照变化大于海藻密度颜色变化,表面积对光照变化稳健。未来系统可通过水道嵌入漫射照明板或防水水下颜色校正卡稳定颜色预测,提高高密度预测性能,并为微调物种特异模型提供更好数据。

结论翻译
本研究证明,RGB图像得出的表面积是 Ulva spp. 生物量密度的高效预测因子,证明其对颜色不敏感并在不同成像条件下稳健。通过结合自动图像分割与逐转聚合,建立了稳健的 Ulva 生物量密度估计方法。独立验证使用消费级智能手机相机表明,尽管传感器特性和成像几何存在差异,该方法仍可迁移。这些发现展示了陆基海藻栽培中操作生物量监测的一种实用且经济的方法,同时为生产者提供数据驱动方式来监测生产系统。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号