传统监测遇瓶颈，无损检测破局而出！
在环境工程和生物技术等领域，蓝藻作为一种宝贵的资源，可用于生产生物塑料、色素和生物燃料等。然而，在培养过程中，如何实时、准确地监测蓝藻的生物量浓度，一直是个棘手的难题。
传统方法，如干重测定和细胞计数，虽然精准但耗时耗力，且需要破坏性取样，容易导致污染。而光密度（OD750）或浊度等间接方法虽然快速，但易受培养物生理状态影响，准确性和稳定性不足。
AI × 高光谱：一次跨学科的突破尝试
最近，一项发表在《Bioresource Technology》（影响因子 9.0）上的研究带来了突破。一个由西班牙AIMEN技术中心和加泰罗尼亚理工大学组成的团队，首次将人工智能（AI）与高光谱成像（Hyperspectral Imaging, HSI）深度融合，构建出一套能够在蓝藻培养过程中实现非破坏性、实时生物量预测的智能系统。
这意味着，科研人员只需拍一张“光谱照片”，AI 就能告诉你——蓝藻现在的浓度是多少、增长趋势如何，甚至能提前预判培养状态的变化。
图1.研究框架。
数据驱动，智能解析：高光谱AI精准锁定生物量特征
研究团队使用三种蓝藻生物群落（Synechocystis sp.）在光生物反应器中进行培养。反应器的温度、光照和pH值严格控制，确保培养条件稳定。
在蓝藻生长的不同阶段，研究人员定期从反应器中同步取样：
· 一份用于 VSS（Volatile Suspended Solids，挥发性悬浮固体）测量，以获取真实的生物量数值；
· 另一份使用 Resonon Pika L 高光谱成像仪扫描，采集 400–1000 nm 范围内的光谱数据。
Pika L型高光谱成像仪系统配置如下：
光谱范围：400 nm~1000 nm；
光谱分辨率：2.7 nm FWHM，281个波段；
相机类型：空间分辨率900×900像素，最大帧速率为249 fps；
采集软件：Spectronon；
照明系统：200 W LED灯，距离光生物反应器（PBRs）15cm；
最终，团队构建了一个包含 205 组 VSS 测量值 与 450 幅高光谱图像的配对数据集，为后续的机器学习算法奠定了坚实基础。
图2. 高光谱成像设置。a) 蓝藻微生物群落生长实验的光生物反应器设置。b) Pika L型高光谱成像仪和图像采集设置。c) 高光谱成像处理步骤：输入图像，包含一个3D矩阵，包含300张2D图像，以及均值光谱（以深蓝色表示）和标准偏差（以浅蓝色表示）。图像分割；图像裁剪；计算每个像素区域的均值像素强度光谱。光谱的标准正态变换（Standard Normal Variate，SNV）；输出光谱。
表1.图像采集使用的数据集概述，显示了微生物组类型、实验（生长曲线）、总生长天数、样品总生物量数量以及高光谱图像的数量。对于所有样品，图像均进行了三次重复拍摄。
图3.高光谱图像的光谱信息。a) 数据集1实验4中620 nm波长下的平均像素强度与生物量测量（以挥发性悬浮固体，mg/L计）的关系。b) 本研究所有三组数据集的光谱分析与生物量相关性。左侧图：透射模式下的SNV和原始数据（RAW）。右侧图：相应的皮尔逊相关值。
图4.光谱分析与生物量相关性。
图5.每种机器学习算法的最佳生物量预测结果。
图6.a) Pika L型高光谱成像仪的光栅、传感器和总效率随波长变化的图示。b) 镜头（Schneider Kreuznach Xenoplan 1,4/23）随波长变化的透射率图示。
三种算法对比：FCN 精度最高
为实现蓝藻生物量的预测，研究者对比了三种机器学习模型：
· SVR（支持向量回归）：在小样本条件下表现稳健；
· CNN（卷积神经网络）：能从图像中提取空间特征；
· FCN（全连接神经网络）：在多维光谱特征识别中表现突出。
结果显示，FCN 模型的预测性能最优，其平均绝对误差仅为 37 mg/L，相对误差低于 4%，实现了蓝藻培养过程中接近实验室测定精度的实时估算。
团队进一步验证了低成本方案的可行性：
当模型仅使用 439 nm、620 nm 和 650 nm 三个关键波段时，预测精度仍保持稳定，这意味着未来有望用小型化多光谱设备实现高精度在线监测。
精准监测新突破
AI+高光谱技术不仅仅是一次监测方式的革新，更标志着蓝藻培养正迈向自动化与智能化决策的新阶段。未来，这一方案还将推广至微藻培养、生物反应器控制、富营养化水体监测等多个领域，为绿色制造与环境管理提供新的数据引擎。
发表期刊：Bioresource Technology【影响因子：9.0】
研究单位：西班牙波里尼奥AIMEN技术中心智能系统与智能制造（S3M）部门、AIMEN 技术中心环境技术（Entech）部门、加泰罗尼亚理工大学等；
使用设备：Resonon Pika L高光谱成像仪