《Marine Pollution Bulletin》文章：基于大型图像数据库和人工智能的有害藻华物种高通量快速分类

有害藻华（HABs）时常威胁海洋生态系统、渔业生产和公共健康，因此快速且准确地识别微藻，尤其是HAB物种，是海洋生态监测中的关键问题。目前，已有多种方法用于检测环境样品中的微藻，包括显微镜观察、高通量测序及定量实时PCR（qPCR）等。然而，如何省时、节省人力且准确地在环境样品中识别微藻仍是生态学家致力于解决的难题。IFCB等成像流式设备能够快速获取大量微藻图像，为人工智能自动分类提供了重要基础。
自然资源部第二海洋研究所研究团队利用海洋二所微藻种库中纯种微藻藻株图像，并结合WHOI的公开图像数据，构建了一个包含142个类别、106,606张图像的微藻图像数据库，其中包括28种潜在HAB物种。在此基础上，科研团队比较了DenseNet、EfficientNet和Vision Transformer（Vit）三种深度学习模型，并进一步将训练后的模型应用于北部湾海水样品分析，同时与镜检和高通量测序结果进行对比验证。结果表明，三种模型均表现出高分类性能，其中ViT效果最好，测试集F1值达到0.9205。研究还发现训练数据的规模和多样性会显著影响分类表现，当单个类别拥有更多图像时，模型结果更加稳定可靠。
该研究说明人工智能技术是一种具有实际应用前景的快速、准确识别微藻方法，可为有害藻华检测、早期预警和快速响应提供新工具，有助于更好地管理和保护海洋生态系统。

来源：Marine Pollution Bulletin