Fluortron 多功(gong)能高(gao)光譜成像(xiang)系統應用於(yu)藻類研(yan)究(jiu)檢(jian)測

微(wei)藻(zao)作為(wei)壹類重(zhong)要(yao)的(de)生(sheng)物資(zi)源，不僅在(zai)水質(zhi)凈化、生(sheng)物能源生(sheng)產、食品(pin)和(he)藥(yao)品(pin)開發等方面具有(you)廣(guang)泛應用前(qian)景，還在(zai)環(huan)境(jing)監(jian)測、生(sheng)態修復等領域發揮著(zhe)重(zhong)要(yao)作(zuo)用(yong)。近年來，高(gao)光譜成像(xiang)技術(shu)作(zuo)為(wei)壹種先進(jin)的非(fei)接觸式(shi)監(jian)測手段，逐(zhu)漸(jian)在(zai)微(wei)藻(zao)培(pei)養(yang)與監(jian)測中展現出(chu)其(qi)優勢和(he)潛力(li)。

Fluortron多功(gong)能高(gao)光譜成像(xiang)系統整(zheng)合技術(shu)資(zi)源，以(yi)其高(gao)光譜分辨率和(he)圖像(xiang)處理(li)能力，在(zai)微(wei)藻(zao)的(de)生(sheng)理狀(zhuang)態、生(sheng)物量、種類識別等方(fang)面展現出(chu)強(qiang)大的(de)應用潛(qian)力(li)。通過捕捉微(wei)藻在(zai)不同(tong)光譜波(bo)段(duan)的(de)反(fan)射(she)或(huo)熒光特(te)性(xing)，可以(yi)實現對微(wei)藻生(sheng)長狀(zhuang)態的高(gao)精(jing)度監(jian)測和(he)快速(su)分析(xi)。相較於(yu)傳統方(fang)法(fa)，Fluortron多功(gong)能高(gao)光譜成像(xiang)技(ji)術(shu)具有(you)多功(gong)能、非(fei)接觸、無(wu)損(sun)傷、實時(shi)性(xing)強(qiang)、信(xin)息量豐富(fu)等(deng)顯著(zhu)優勢，為(wei)微藻(zao)培養(yang)與監(jian)測提(ti)供了(le)壹種全新的(de)解(jie)決方(fang)案。

案(an)例壹：使(shi)用(yong)高(gao)光譜成像(xiang)儀對(dui)微(wei)藻培(pei)養(yang)進(jin)行非(fei)侵(qin)入(ru)性(xing)監(jian)測

微(wei)藻(zao)作為(wei)生(sheng)物燃料、食品(pin)添加劑及藥(yao)物原料的(de)重(zhong)要(yao)來源，其高(gao)效(xiao)培(pei)養與精(jing)確(que)監(jian)測對於(yu)提(ti)高(gao)產(chan)量與質(zhi)量至關(guan)重(zhong)要(yao)。然(ran)而(er)，傳統的(de)監(jian)測方法(fa)往往存在(zai)耗(hao)時、破(po)壞(huai)樣本(ben)等(deng)局(ju)限。本(ben)研(yan)究(jiu)采用高(gao)光譜成像(xiang)儀，結(jie)合線(xian)性(xing)回歸模型(xing)與壹維卷(juan)積(ji)神(shen)經(jing)網(wang)絡（1D CNN），對(dui)實驗(yan)室(shi)條件(jian)下的(de)微藻(zao)培養進(jin)行了(le)非(fei)侵(qin)入(ru)性(xing)監(jian)測。通過捕獲微(wei)藻在(zai)不同(tong)生(sheng)長階(jie)段的光譜圖像(xiang)，實現了對(dui)生(sheng)物量濃(nong)度的(de)準(zhun)確(que)預(yu)測(ce)與物種分類。

實驗(yan)室(shi)研究研究表明(ming)，高(gao)光譜成像(xiang)技術(shu)能夠在(zai)不破壞(huai)樣本(ben)的(de)情(qing)況下(xia)，快(kuai)速(su)獲取(qu)大量(liang)光譜數(shu)據(ju)。線(xian)性(xing)回歸模型(xing)與1D CNN均(jun)表(biao)現出(chu)良(liang)好的(de)預測性(xing)能，其中1D CNN不僅預(yu)測了生(sheng)物量濃(nong)度，還可以(yi)實現對三(san)種綠(lv)色微藻的高(gao)精(jing)度分類。工(gong)業(ye)規模的初步測試(shi)也(ye)表(biao)明(ming)，該(gai)技術(shu)同(tong)樣適用(yong)於(yu)實際(ji)生(sheng)產中(zhong)的微藻培養監(jian)測。

案(an)例二(er)：水華藍藻的精(jing)準(zhun)區分

水華藍藻的爆發不僅影(ying)響水質(zhi)，還可能產生(sheng)有(you)毒(du)物質(zhi)，對人類健(jian)康及(ji)水生(sheng)生(sheng)態系統構成威(wei)脅(xie)。因(yin)此(ci)，實現對水華藍藻的精(jing)準(zhun)區分與有(you)毒(du)物種的快速(su)識別具有(you)重(zhong)要(yao)意(yi)義(yi)。本(ben)研(yan)究(jiu)利(li)用(yong)實驗(yan)室(shi)條件(jian)下的(de)高(gao)光譜圖像(xiang)，結(jie)合機器(qi)學習算(suan)法(fa)，對(dui)形成水華的藍藻進(jin)行了(le)分類與識別。

實驗(yan)研究(jiu)表(biao)明(ming)，高(gao)光譜圖像(xiang)能夠捕(bu)捉(zhuo)到藍藻(zao)光譜特性(xing)的細微(wei)差異(yi)，為(wei)機器(qi)學習模(mo)型提(ti)供了(le)豐富(fu)的(de)特征(zheng)信息。利(li)用(yong)機(ji)器(qi)學習算(suan)法(fa)在(zai)水華藍藻的分類與毒(du)性(xing)識別中展現出(chu)準(zhun)確(que)性(xing)，為(wei)水華預警與治理(li)提(ti)供了(le)科學依據(ju)。

未來與展望

多功(gong)能高(gao)光譜成像(xiang)技術(shu)與機器學習的(de)結(jie)合，為(wei)微藻(zao)培養(yang)與水華藍藻監(jian)測帶(dai)來了革(ge)命(ming)性(xing)的變化(hua)。這(zhe)壹技術(shu)不僅能夠實現非侵(qin)入(ru)性(xing)、高(gao)精(jing)度的(de)生(sheng)物量監(jian)測與物種分類，還能有(you)效(xiao)識別有(you)毒(du)藍藻(zao)物種，為(wei)環(huan)境(jing)保(bao)護(hu)與生(sheng)物技術(shu)的(de)發展提(ti)供了(le)強(qiang)有(you)力(li)的支(zhi)持(chi)。未來，隨(sui)著(zhe)技(ji)術(shu)的(de)不斷(duan)成熟(shu)與應用場(chang)景的拓(tuo)展，都(dou)功(gong)能高(gao)光譜成像(xiang)技術(shu)將(jiang)在(zai)更(geng)多領域展現出(chu)其(qi)巨大的(de)潛(qian)力和(he)價(jia)值(zhi)。

更(geng)多藻類培(pei)養(yang)與監(jian)測系統

易(yi)科(ke)泰(tai)公司(si)長期(qi)致力(li)於(yu)農(nong)業(ye)-生(sheng)態-健(jian)康領域，整(zheng)合技術(shu)資(zi)源，為(wei)藻類生(sheng)物質(zhi)能源及高(gao)通量(liang)表(biao)型研究(jiu)領域提(ti)供全(quan)面解(jie)決方(fang)案，包括藻(zao)類培(pei)養(yang)、藻(zao)類葉(ye)綠(lv)素(su)熒光與光合作用(yong)測量(liang)、藻(zao)類葉(ye)綠(lv)素(su)熒光成(cheng)像分析(xi)、藻(zao)類培(pei)養(yang)與在(zai)線(xian)監(jian)測及(ji)高(gao)通量(liang)藻(zao)類表(biao)型(xing)分析(xi)等(deng)。

參(can)考(kao)文獻(xian)：

[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.