لحل المشاكل المرتبطة بطرق الكشف التقليدية للطحالب الدقيقة التي تعتمد على الفحص المجهري اليدوي، وطول وقت التحليل، وتأثر نتائج الكشف بخبرة الفنيين، تم اقتراح استراتيجية دمج معالجة الصور المسبقة مع نموذج YOLOv8 المحسن باستخدام التعلم العميق للتعرف على الطحالب الدقيقة. تم استخدام استراتيجية دمج متعددة الطرق تشمل التمويه الغاوسي، ومشغل لابلاس، وتحليل المكونات الرئيسية لمعالجة الصور المجهرية للطحالب الدقيقة. في النموذج المحسن، تم إدخال وحدة SPD-Conv لتقليل فقدان المعلومات الدقيقة لتحسين أداء الكشف عن الصور منخفضة الدقة والطحالب الصغيرة الحجم، وتم استخدام هيكل Slim-neck لتقليل عدد المعاملات وحجم النموذج، وتم إضافة SimSPPF لتسريع تقارب النموذج وزيادة كفاءة التشغيل. أظهرت النتائج أن استراتيجية المعالجة المسبقة متعددة الطرق تقلل بشكل كبير من الضوضاء في الصور، وتعزز وضوح حدود الطحالب. تحت نفس الظروف، وصل متوسط الدقة (mAP) لنموذج YOLOv8 المحسن إلى 92.2٪، وزادت كفاءة الكشف بنسبة 5.1٪ مقارنة بالنموذج الأصلي، وأظهر أداء أفضل في الكشف عن الطحالب الصغيرة الحجم. مقارنة بنماذج Faster-RCNN وSSD وRTDETR-l وYOLOv3 وYOLOv5 وYOLOv6 وYOLOv7، تحسن mAP لنموذج YOLOv8 المحسن بنسبة 40.2٪ و6.8٪ و14.5٪ و1.2٪ و5.7٪ و4.7٪ و0.8٪ على التوالي. توفر هذه الطريقة مرجعا قيما لتطوير تقنيات الكشف عن أنواع الطحالب الدقيقة.

التعرف على الطحالب الدقيقة; معالجة الصور المسبقة; نموذج YOLOv8; التعلم العميق