Fluortron 多功能高光譜成像系統(tǒng)應(yīng)用于藻類研究檢測

微藻作為一類重要的生物資源，不僅在水質(zhì)凈化、生物能源生產(chǎn)、食品和藥品開發(fā)等方面具有廣泛應(yīng)用前景，還在環(huán)境監(jiān)測、生態(tài)修復(fù)等領(lǐng)域發(fā)揮著重要作用。近年來，高光譜成像技術(shù)作為一種先進(jìn)的非接觸式監(jiān)測手段，逐漸在微藻培養(yǎng)與監(jiān)測中展現(xiàn)出其優(yōu)勢和潛力。

Fluortron多功能高光譜成像系統(tǒng)整合技術(shù)資源，以其高光譜分辨率和圖像處理能力，在微藻的生理狀態(tài)、生物量、種類識別等方面展現(xiàn)出強大的應(yīng)用潛力。通過捕捉微藻在不同光譜波段的反射或熒光特性，可以實現(xiàn)對微藻生長狀態(tài)的高精度監(jiān)測和快速分析。相較于傳統(tǒng)方法，Fluortron多功能高光譜成像技術(shù)具有多功能、非接觸、無損傷、實時性強、信息量豐富等顯著優(yōu)勢，為微藻培養(yǎng)與監(jiān)測提供了一種全新的解決方案。

案例一：使用高光譜成像儀對微藻培養(yǎng)進(jìn)行非侵入性監(jiān)測

微藻作為生物燃料、食品添加劑及藥物原料的重要來源，其高效培養(yǎng)與精確監(jiān)測對于提高產(chǎn)量與質(zhì)量至關(guān)重要。然而，傳統(tǒng)的監(jiān)測方法往往存在耗時、破壞樣本等局限。本研究采用高光譜成像儀，結(jié)合線性回歸模型與一維卷積神經(jīng)網(wǎng)絡(luò)（1D CNN），對實驗室條件下的微藻培養(yǎng)進(jìn)行了非侵入性監(jiān)測。通過捕獲微藻在不同生長階段的光譜圖像，實現(xiàn)了對生物量濃度的準(zhǔn)確預(yù)測與物種分類。

實驗室研究研究表明，高光譜成像技術(shù)能夠在不破壞樣本的情況下，快速獲取大量光譜數(shù)據(jù)。線性回歸模型與1D CNN均表現(xiàn)出良好的預(yù)測性能，其中1D CNN不僅預(yù)測了生物量濃度，還可以實現(xiàn)對三種綠色微藻的高精度分類。工業(yè)規(guī)模的初步測試也表明，該技術(shù)同樣適用于實際生產(chǎn)中的微藻培養(yǎng)監(jiān)測。

案例二：水華藍(lán)藻的精準(zhǔn)區(qū)分

水華藍(lán)藻的爆發(fā)不僅影響水質(zhì)，還可能產(chǎn)生有毒物質(zhì)，對人類健康及水生生態(tài)系統(tǒng)構(gòu)成威脅。因此，實現(xiàn)對水華藍(lán)藻的精準(zhǔn)區(qū)分與有毒物種的快速識別具有重要意義。本研究利用實驗室條件下的高光譜圖像，結(jié)合機器學(xué)習(xí)算法，對形成水華的藍(lán)藻進(jìn)行了分類與識別。

實驗研究表明，高光譜圖像能夠捕捉到藍(lán)藻光譜特性的細(xì)微差異，為機器學(xué)習(xí)模型提供了豐富的特征信息。利用機器學(xué)習(xí)算法在水華藍(lán)藻的分類與毒性識別中展現(xiàn)出準(zhǔn)確性，為水華預(yù)警與治理提供了科學(xué)依據(jù)。

未來與展望

多功能高光譜成像技術(shù)與機器學(xué)習(xí)的結(jié)合，為微藻培養(yǎng)與水華藍(lán)藻監(jiān)測帶來了革命性的變化。這一技術(shù)不僅能夠?qū)崿F(xiàn)非侵入性、高精度的生物量監(jiān)測與物種分類，還能有效識別有毒藍(lán)藻物種，為環(huán)境保護(hù)與生物技術(shù)的發(fā)展提供了強有力的支持。未來，隨著技術(shù)的不斷成熟與應(yīng)用場景的拓展，都功能高光譜成像技術(shù)將在更多領(lǐng)域展現(xiàn)出其巨大的潛力和價值。

更多藻類培養(yǎng)與監(jiān)測系統(tǒng)

易科泰公司長期致力于農(nóng)業(yè)-生態(tài)-健康領(lǐng)域，整合技術(shù)資源，為藻類生物質(zhì)能源及高通量表型研究領(lǐng)域提供全面解決方案，包括藻類培養(yǎng)、藻類葉綠素?zé)晒馀c光合作用測量、藻類葉綠素?zé)晒獬上穹治?/span>、藻類培養(yǎng)與在線監(jiān)測及高通量藻類表型分析等。

參考文獻(xiàn)：

[1] Fournier, Claudia, et al. "Discriminating bloom-forming cyanobacteria using lab-based hyperspectral imagery and machine learning: Validation with toxic species under environmental ranges." Science of the Total Environment 932 (2024): 172741.

[2] Pääkkönen, Salli, et al. "Non-invasive monitoring of microalgae cultivations using hyperspectral imager." Journal of Applied Phycology (2024): 1-13.