一种基于深度学习的微藻组分检测方法

本发明涉及微生物学领域与光谱分析，特别是一种基于深度学习的微藻组分检测方法。

背景技术：

1、随着社会的不断发展和科技的进步，微藻在生物能源、食品、医药等领域展现出了广泛的应用前景。微藻是一类单细胞或多细胞的微小藻类植物，其具有高度的生物多样性和丰富的生物化学成分，如蛋白质、脂肪、碳水化合物等。然而，微藻组分的精准检测与分析一直是微藻应用中的关键问题之一。

2、传统的微藻组分检测方法往往依赖于化学分析技术，如气相色谱-质谱联用(gc-ms)和高效液相色谱-质谱联用(hplc-ms)，这些方法虽然能够提供高灵敏度和高分辨率的结果，但却存在着耗时、昂贵以及需要大量的实验操作的缺点。此外，这些方法在实时性和实用性方面也存在一定的局限性，难以满足微藻产业中对快速、准确、经济的检测需求。

3、将深度学习技术应用于微藻组分检测领域，成为提高检测效率和准确性的新途径。深度学习模型通过学习大量的微藻图像数据，能够从中提取复杂的特征，实现对微藻组分的自动化识别和定量分析。因此，基于深度学习的微藻组分检测模型及方法的研发，对于解决传统方法存在的问题，推动微藻产业的发展具有重要的意义。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于深度学习的微藻组分检测方法，用于解决传统方法中的效率低、成本高、实时性差等问题，实现对不同微藻及不同微藻组分的高效、准确、实时检测。

2、为实现上述目的，本发明采用如下技术方案：一种基于深度学习的微藻组分检测方法，包括以下步骤：

3、步骤s1:搭建快照式多光谱成像系统，设置不同浓度区间和生长周期的微藻，同步采集多光谱图像，通过剔除异常样本、特征区域提取、逐元素乘积方法处理数据，获取不同波段下微藻组分的空间和光谱联合配对信息；

4、步骤s2:构建基于对抗域适应的空谱融合网络模型，主要包含域分类器-回归器-特征提取器模块和3d卷积调制模块，3d卷积调制模块能够同时考虑输入数据的光谱和空间特征信息，通过将不同频谱的全局空谱信息交替堆叠，获取更全面、更丰富的特征表示；

5、步骤s3:以大样本微藻作为源域样本训练，其余少样本微藻作为目标域进行迁移，采用加载预训练模型参数-微调的迁移策略，在目标域模型中引入多项式核函数的支持向量回归，对源域微藻组分特征进行深层次提取，将微藻单一组分检测泛化到多种微藻组分检测，实现不同微藻以及微藻组分的模型迁移；

6、步骤s4:设计自定义损失函数以获取最佳检测模型评估，将均方误差损失函数、光谱信息损失函数和边缘保持损失函数进行线性组合，并对三个损失函数添加可更新权重，利用权重的实时变化来改变模型的侧重点，实现了模型的多方面评估。

7、在一较佳的实施例中：步骤s1中所述同步采集图像是由快照式多光谱相机系统获取，其波段范围在400nm～1000nm。

8、在一较佳的实施例中：步骤s1中所述的剔除异常样本是根据不同波长的反射率变化关系，所述的特征区域提取是选取大小为100×100像素作为图像感兴趣区域，并将该区域随机平移5-20个像素点作为扩充样本，所述的逐元素乘积方法是根据通道数对感兴趣区域进行切片，将对应位置的像素进行逐元素相乘，增强微藻的组分特征；通过提取感兴趣区域的纹理特征，颜色特征和形状特征，经过特征拼接的方式，实现不同波段下微藻组分的空间和光谱联合配对信息。

9、在一较佳的实施例中：步骤s2中所述的域分类器-回归器-特征提取器模块包括基于inceptionv2、residual、squeeze-and-excitation的多尺度特征提取网络，将感兴趣区域图像作为输入数据，提取光谱数据中与微藻各种组分含量密切相关的多尺度特征，具体过程说明如下：

10、oin＝inception(x)，x∈rh×w×cin

11、ore＝residual(oin+x)

12、ose＝se(ore+oin)

13、其中x是输入图像的特征图，大小为h×w×cin，h为高度，w为宽度，cin为输入通道数，oin是通过inceptionv2结构处理后的特征图，ore是通过residual结构处理后的特征图，ose是通过squeeze-and-excitation模块处理后的最终输出特征图。

14、在一较佳的实施例中：步骤s2中所述的域分类器-回归器-特征提取器模块还包括基于mobilenetv2中的轻量级深度可分离卷积与反向残差结构，将感兴趣区域图像作为输入数据，提取微藻细胞内各种组分空间分布特征，并减少参数量，其过程进行说明：

15、yexp＝conv1×1(x)x∈r64×64×8

16、ydw＝dconv3×3(yexp)

17、od＝conv1×1(ydw)

18、opw＝conv1×1(od)

19、odw_out＝dconv3×3(opw)

20、oskip＝odw_out+opw

21、ores＝oskip+opw

22、其中，x:输入特征图，yexp:逐点升维后的特征图，ydw:深度卷积后的特征图，od:深度卷积的输出特征图，opw:逐点卷积的输出特征图，odw_out:深度可分离卷积的输出特征图，oskip:跳跃连接的输出特征图，ores:残差连接的输出特征图。

23、在一较佳的实施例中：步骤s2中所述的3d卷积调制模块，区别于普通卷积调制模块，3d卷积调制模块同时将多光谱图像的通道信息和空间信息进行卷积操作，进而转化为光谱-空间信息，最后通过光谱-空间交替堆叠的方式输出融合特征信息，具体过程如下说明：

24、z＝y′v

25、a＝dconvk×k(w′1x)

26、v＝w′2x

27、其中，y′和v代表注意力和特征，x代表输入的光谱图像，w′1和w′2为权重矩阵，dconvk×k()为深度卷积操作。

28、在一较佳的实施例中：步骤s3中所述的迁移学习包括了源域ds,源任务ts，目标域dt和目标任务tt的模型迁移，所述源域ds由大样本量的单一微藻多光谱图像的参数空间x构成，x＝{x1,x2,x3，…，xn}∈x，其中x代表样本，xi代表样本中的通道，ts则是实现微藻中组分的回归任务，dt代表其余少样本微藻；采用加载预训练模型参数-冻结微调的迁移策略，将单一微藻的组分检测泛化到多种微藻组分检测。

29、在一较佳的实施例中：步骤s3中所述的微调迁移策略主要分为四种：

30、s91:加载卷积层和全连接层参数，不进行冻结，整个网络进行更新；

31、s92:加载卷积层和全连接层参数，冻结卷积层，只更新全连接层参数；

32、s93:加载卷积层参数，初始化全连接层，整个网络进行更新；

33、s94:加载卷积层参数，初始化全连接层，冻结卷积层，只更新全连接层参数。

34、在一较佳的实施例中：步骤s4中所述的自定义损失函数，计算公式为loss＝αlm+βlspe+λledg，其中lm，lspe，ledg分别表示均方误差损失、光谱信息损失和边缘保持损失，α，β，λ为可更新权重。

35、在一较佳的实施例中：所述的均方误差损失lm计算公式为：其中n为样本数量，yi为第i个样本的实际值，为第i个样本的预测值；

36、所述的光谱信息损失lspe是通过引入波段选择和加权，使模型对特定波段的信息进行选择和加权，具体计算公式为：

37、lspe＝-λ1·cla(iout,itar)-λ2·spa(iout itar)+λ3·pca loss(iout itar)

38、其中cla表示相关系数，spa表示光谱角相似性度量，pca_loss表示基于主成分分析的损失，λ1，λ2，λ3是相应的权重参数；

39、所述的边缘保持损失ledg考虑到信息梯度和边缘增强技术，确保生成的图像在边缘或细节部分保持更好的细节和结构，而不会因为训练过程中的优化而失真或模糊，其具体计算过程为：

40、ledg＝∑i,j||▽iout(i,j)-▽itar(i,j)||2，其中▽iout和▽itar分别表示生成图像和目标图像的梯度信息。

41、与现有技术相比，本发明具有以下有益效果：本发明利用不同波段的滤光片，通过特征区域划分，异常样本剔除等数据处理手段，实现了多光谱成像系统的同步采集数据并获取不同波段下微藻组分的空间和光谱联合配对信息，构建基于对抗域适应的空谱融合网络模型，将单一微藻的组分检测泛化到多种微藻组分检测，实现了对多种微藻组分快速、无损检测的同时保证较高精度。