文献类型：期刊文章

作　　者：胡圣[1] 刘浩兵[2] 刘辉[1] 曹桂英[3] 王玉波[3] 胡愈炘[1] 彭玉[1] 张晶[1] 陈丽雯[1] 王英才[1]

HU Sheng;LIU Haobing;LIU Hui;CAO Guiying;WANG Yubo;HU Yuxin;PENG Yu;ZHANG Jing;CHEN Liwen;WANG Yingcai(Yangtze River Basin Ecological Environment Monitoring and Scientific Research Center,Yangtze River Basin Ecological Environment Supervision and Administration Bureau,Ministry of Ecology and Environment,Wuhan 430010,China;ZWEEC Environmental Technologies(China)Co.,Ltd.,Wuhan 430080,China;Henan Branch,Construction and Administration Bureau of South-to-North Water Diversion Middle Route Project,Zhengzhou 450008,China)

机构地区：[1]生态环境部长江流域生态环境监督管理局生态环境监测与科学研究中心,湖北武汉430010 [2]睿克环境科技(中国)有限公司,湖北武汉430080 [3]南水北调中线干线工程建设管理局河南分局,河南郑州450008

出　　处：《中国环境监测》

基　　金：水体污染控制与治理科技重大专项(2017ZX07108-001)。

年　　份：2022

卷　　号：38

期　　号：1

起止页码：200-210

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：浮游藻类对水环境的变化非常敏感,是评价水环境质量的重要指示生物。传统的浮游藻类监测依靠人工采样分析,需要专业检测人员使用显微镜对藻细胞逐一鉴定并计数,耗时耗力且严重依赖检测人员的专业知识与鉴定经验,限制了浮游藻类监测工作的标准化推广和普及应用。利用神经网络模型建立了一套浮游藻类智能监测系统,该系统能够实现浮游藻类检测的自动进样、自动显微摄影,同时充分发挥深度学习技术在视觉分析领域的优势,自动进行浮游藻类智能识别和计数。使用大量浮游藻类样品开展了深度学习模型训练和结果验证,结果表明,该浮游藻类智能监测系统能够顺利完成浮游藻类样品自动进样、拍摄、鉴定和计数等一系列流程,且智能识别系统鉴定计数结果与人工镜检结果的误差较小。该系统还具有进一步的泛化和拓展能力,随着后续模型训练样品数量的增多,系统识别效率和精度可得到进一步提升,在浮游藻类监测及研究领域具有广阔的应用前景。

关 键 词：深度学习  监测系统 藻类鉴定  水环境质量

分 类 号：X84]