杭州绿洁科技股份有限公司

对各种水体进行水样采集，通过水样固定、显微镜拍摄藻类图片、分析标注，建立各种属藻类数据集，作为标准数据集用于藻类AI识别模型训练、测试、验证，建立藻类自动识别算法，实现水体中藻类自动分类识别。（1）水样采集及处理：按照标准进行水样采集、固定、浓缩。 （2）水样图片数据获取：通过电动显微镜进行水样中浮游藻类图片扫描采集。 （3）数据标注：按照藻类形态学分类规则，将所采集的图片中藻类进行分类标注，包括命名藻类名称（Name)lanyinzaoshu（蓝隐藻属）、nangluozaoshu（囊裸藻属）、xiaoqiuzaoshu（小球藻属）、yizaoshu（衣藻属）等，定义标签颜色(LabelColor)，形成标签定义（gTruth.LabelDefinitions）数据；用相应标签及标注框在每张水样图片上框出相应的藻类，形成包含各种藻类名称、藻类所在图片、藻类在图片上所处位置的标注数据（gTruth.LabelData）矩阵，大量标注数据（gTruth.LabelData）及藻类数据来源（gTruth.DataSource.Source）数据形成浮游藻类分类数据集。 （4）数据训练：利用yolo目标识别算法，将所标注数据集进行训练，建立藻类自动分类识别模型，其中学习率pg0/pg1/pg2动态衰减，最终<0.0001，轮次：至少训练50轮以上，观察损失收敛趋势。当训练/边界框损失<30%、训练/分类损失<20%、训练/DFL损失<30%、指标/精确率(B)>85%、指标/召回率(B)>80%、指标/mAP@0.5(B)>75%、指标/mAP@0.5:0.95(B)>55%、验证/边界框损失<40%、验证/分类损失<30%、验证/DFL损失<30%时模型为优质模型，当模型同时满足mAP@0.5 ≥ 65%、召回率 ≥ 70%、验证分类损失 ≤ 40%时可视为可用模型。 （5）藻类识别：将需要检测水样图片导入模型，即可实现水样中浮游藻类自动分类。