北京理加联合科技有限公司

LICA United Technology Limited

服务热线: 13910499761 010-51292601
企业邮箱
应用支持 Application Support
News 应用支持

Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%!

日期: 2026-03-03
浏览次数: 228

 Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%!


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。

  Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%!

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。

 Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%!

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。

 Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%! 

 Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%!

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。

 Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%! 

图4.光谱分析与生物量相关性。

 Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%! 

图5.每种机器学习算法的最佳生物量预测结果。

 Resonon | AI × 高光谱:蓝藻生物量预测精度突破 4%! 

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


News / 相关新闻 More
2026 - 11 - 16
研究背景土壤盐碱化是影响农业生产和土地资源利用的重要因素。山西省大同盆地分布着较大面积的苏打型盐碱土,土壤中较高的CO₃²⁻和HCO₃⁻含量对作物生长造成了一定限制。如何改善盐碱土壤环境、提高土地利用效率,是当地农业生产面临的重要问题。沙土掺混能够改变土壤质地和孔隙结构,进而影响水分入渗及盐分迁移。但掺沙比例不同,对土壤水分保持和氮、磷、钾等养分分布的影响也存在差异。尤其是在促进盐分淋洗的同时,是否会加剧养分向深层迁移,仍需要进一步研究。针对这一问题,山西农业大学崔清亮老师团队以大同盆地中度盐碱土为研究对象,通过室内土柱试验和田间试验,探究沙土掺混与养分管理对土壤水盐、养分迁移及谷子生长的影响,为晋北苏打型盐碱土改良和谷子栽培提供依据。图1.土柱实验的设置。研究方法研究土壤采自山西省怀仁市中度盐碱农田,属于大同盆地苏打型盐碱土。研究分为室内土柱入渗试验和田间种植试验:室内土柱试验...
2026 - 11 - 09
研究背景土壤有机碳(SOC)是反映土壤质量、土壤肥力及生态系统碳循环的重要指标。传统湿化学测定方法虽然准确性较高,但存在耗时长、成本高、操作复杂等问题。相比之下,可见光—近红外(Vis-NIR)光谱技术具有快速、无损、低成本等优势,为SOC快速估算提供了新的技术途径。然而,光谱预测模型高度依赖大量代表性样本。在实际调查中,受采样成本及实验条件限制,往往难以获得充足的校准数据,小样本条件下模型容易出现过拟合,影响预测精度与泛化能力。针对这一问题,外部光谱数据库迁移学习和深度生成模型数据增强成为两种潜在解决途径。但不同生成模型的增强效果如何?外部光谱库能否有效改善本地模型预测性能?数据增强倍数又将如何影响模型表现?为此,山西农业大学徐占军老师团队通过构建统一实验框架,系统比较四种深度生成模型与外部土壤光谱数据库的应用效果,探索小样本条件下SOC光谱估算的有效数据增强策略。图1.研究区域概况。研...
2026 - 11 - 09
研究背景地下水是高寒地区水循环的重要组成部分,其补给过程受到冻融循环的显著调控。随着气候变暖,青藏高原冻土退化、活动层加深,土壤水分的储存与迁移条件发生变化,进而影响降水、融雪水、土壤水与地下水之间的水文联系。然而,不同冻融阶段地下水补给来源的变化及其迁移路径仍缺乏系统认识。针对这一问题,北京师范大学李小雁老师团队以青海湖流域为研究区,结合氢氧稳定同位素示踪与MixSIAR贝叶斯混合模型,定量解析不同冻融阶段地下水的补给来源,揭示冻融过程对土壤水文连通性及地下水补给路径的影响。图1.(a) QLB在青藏高原(QTP)上的位置。(b) QLB内多年冻土的时空分布;其中灰色代表季节性冻土,橙色代表多年冻土。(c) QLB的位置及采样点分布。(d) 地下水采样。(e) 降水采样。(f) 在相邻地点每月采集土壤样品。研究方法研究设计:研究区位于青藏高原东北部青海湖流域。2025年5—10月,研究团...
2026 - 11 - 02
研究背景河流和溪流是大气甲烷(CH₄)的重要来源。已有研究发现,源头河流通常具有较高的CH₄排放强度,是河流CH₄排放的重要热点。但在高海拔冰冻圈地区,这一规律是否依然适用?受低温和有机碳底物匮乏等因素影响,该区域的CH₄过程可能受到限制。与此同时,冰川融水的持续输入也可能进一步改变河流的CH₄排放特征。那么,冰川融水究竟如何影响河流CH₄排放?其背后的作用机制又是什么?针对这一问题,兰州大学高坛光老师团队以青藏高原北部黑河上游为研究区域,通过2020—2023年连续观测,系统分析了冰川补给河流与非冰川补给河流的CH₄排放特征,并进一步探讨冰川融水对河流CH₄排放的调控机制。图1. (a) 研究区域概况。(b) 在三次不同的野外考察期间,使用浮动气室法进行气体采样的现场照片。研究方法实验设计:研究以青藏高原北缘黑河上游为研究区域。2020—202年,在该研究区域上游设置25个采样点(冰川补...
【关闭窗口】【打印】
Copyright ©2018-2023 北京理加联合科技有限公司
犀牛云提供企业云服务

北京理加联合科技有限公司

地址:北京市海淀区安宁庄东路18号光华创业园5号楼(生产研发)
          光华创业园科研楼四层
电话:13910499761 13910124070  010-51292601
传真:010-82899770-8014
邮箱:info@li-ca.com
邮编:100085

 



 


 


  • 您的姓名:
  • *
  • 公司名称:
  • *
  • 地址:
  • *
  • 电话:
  • *
  • 传真:
  • *
  • 电子邮箱:
  • *
  • 邮政编码:
  • *
  • 留言主题:
  • *
  • 详细说明:
  • *
在线留言
关注我们
  • 官方微信
  • 官方手机端
友情链接:
X
1

QQ设置

3

SKYPE 设置

4

阿里旺旺设置

等待加载动态数据...

等待加载动态数据...

5

电话号码管理

  • 010-51292601
6

二维码管理

等待加载动态数据...

等待加载动态数据...

展开