[发明专利]一种藻类检测设备及检测方法

说明书

本发明涉及藻类检测技术领域，公开了一种藻类检测设备及检测方法，设备包括嵌入式平台，嵌入式平台搭建有模型运行环境，移植有已训练完成的基于Yolo v4网络的藻类辨识模型；藻类辨识模型的训练过程：获取藻类样本的显微图像，基于GAN网络对样本数据进行扩充，并对显微图像中藻类的种类和位置进行标记；构建基于Yolo v4网络的藻类辨识模型，利用已标记的样本数据对藻类辨识模型进行模型训练；藻类样本检测时，导入待测藻类样本的显微图像，通过训练好的藻类辨识模型进行检测并输出检测结果。本发明能够在标记样本不充分的情况下快速准确地对水体中的藻类情况进行实时监控，部署方便，预测结果客观直接，极大降低了人力成本。

技术领域

本发明涉及藻类检测技术领域，尤其涉及一种藻类检测设备及检测方法。

背景技术

研究水域中藻类的分布情况，对于研究水体污染有着指向性的作用。藻类种类繁多，形态各异。另外，某些藻类本身也有毒性，特别是某些污水中生存的有毒藻类会对有机生活污水的处理带来极大影响。目前传统的针对真实水样中藻类的分类和鉴别方法主要通过人工镜检统计或者通过分析水体中叶绿素的含量从侧面分析出水藻数量级。人工检验费时费力，流程繁琐，检测结果易受主观判断的影响，同时，长时工作产生的视觉疲劳也易造成检测的准确性降低。叶绿素推测法无法准确获得藻类分布，且获取各类藻类含量成本较高。

发明内容

本发明所要解决的技术问题是针对现有技术存在的问题，提供一种藻类检测设备及检测方法。

为解决上述技术问题，本发明实施例提供一种藻类检测设备，包括壳体和显微成像设备，所述壳体内设置电路板，所述壳体上设置与所述电路板连接的电路接口，所述显微成像设备通过所述电路接口连接所述电路板，所述电路板上设置嵌入式平台，所述嵌入式平台搭建有模型运行环境，移植有已训练完成的基于Yolo v4网络的藻类辨识模型；

其中，所述已训练完成的基于Yolo v4网络的藻类辨识模型的训练过程如下：获取藻类样本的显微图像，基于GAN网络对样本数据进行扩充，并对所述显微图像中藻类的种类和位置进行标记；构建基于Yolo v4网络的藻类辨识模型，利用已标记的样本数据对所述藻类辨识模型进行模型训练；

藻类样本检测时，通过所述显微成像设备获取待测藻类样本的显微图像，通过训练好的藻类辨识模型检测并标记藻类的种类和数量，输出检测结果。

本发明的有益效果是：本发明可以对藻类目标进行检测定位，可将常见的所有藻类信息通过训练固化到模型中，使用嵌入Yolo v4的智能检测设备能够便捷快速的实现所有水体的藻类检测，并统计藻类密度；本发明基于GAN 网络和Yolo v4网络提高了在复杂环境中检测物体准确度，使得模型的检测精度更高；本发明能够有效学习多种藻类信息，理论上能够覆盖水体中常见的所有藻类，模型通过训练能够永久记忆待测目标信息，极大降低了人力成本。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述基于Yolo v4网络的藻类辨识模型包括：特征提取骨干网络BackBone部分、特征融合网络Neck部分和输出网络Head部分；所述特征提取骨干网络BackBone部分采用CSPDarknet53网络结构，输出三个大小不同的特征图；所述特征融合网络Neck部分采用SSP+PAN网络结构来融合不同尺寸特征图的特征信息；所述输出网络Head部分从特征提取骨干网络 BackBone部分分出三条支路，以获取不同尺度的预测信息。

进一步，所述基于Yolo v4网络的藻类辨识模型的损失函数由三部分组成，包括：基于CIOU函数的边框回归损失、置信度损失和分类损失。

进一步，所述通过训练好的藻类辨识模型检测并标记藻类的种类和数量，输出检测结果，包括：通过所述藻类辨识模型在待测显微图像中标记出藻类形状区域、预测标签及置信度，进而统计藻类种类和数量，输出最终检测结果。