Um die Probleme traditioneller Methoden zur Erkennung von Mikroalgen zu lösen, die auf manueller mikroskopischer Prüfung basieren, lange Analysezeiten erfordern und deren Ergebnisse stark von der technischen Erfahrung der Prüfer abhängen, wurde eine integrierte Bildvorverarbeitungsstrategie in Kombination mit einem verbesserten YOLOv8-Modell auf Basis von Deep Learning für die Mikroalgen-Erkennung vorgeschlagen. Eine mehrmethodige Integrationsstrategie unter Verwendung von Gaußscher Unschärfe, Laplace-Operator und Hauptkomponentenanalyse wurde zur Vorverarbeitung von mikroskopischen Bildern von Mikroalgen eingesetzt. Im verbesserten Modell wurde ein SPD-Conv-Modul eingeführt, um den Verlust feinkörniger Informationen zu reduzieren und die Erkennungsleistung bei niedrig aufgelösten Bildern und kleinen Mikroalgen zu verbessern, es wurde eine Slim-neck-Struktur verwendet, um die Anzahl der Parameter und die Modellgröße zu reduzieren, und zusätzlich wurde SimSPPF integriert, um die Modellkonvergenz zu beschleunigen und die Betriebseffizienz zu steigern. Die Ergebnisse zeigen, dass die integrierte mehrmethodige Vorverarbeitungsstrategie das Rauschen in den Bildern erheblich reduziert und die Konturenschärfe der Mikroalgen verbessert. Unter gleichen Bedingungen erreichte die mittlere durchschnittliche Genauigkeit (mAP) des verbesserten YOLOv8-Modells 92,2 %, die Erkennungseffizienz stieg um 5,1 % gegenüber dem ursprünglichen YOLOv8-Modell, und die Leistung bei der Erkennung kleiner Mikroalgen verbesserte sich. Im Vergleich zu den Modellen Faster-RCNN, SSD, RTDETR-l, YOLOv3, YOLOv5, YOLOv6 und YOLOv7 verbesserte sich der mAP des verbesserten YOLOv8-Modells um 40,2 %, 6,8 %, 14,5 %, 1,2 %, 5,7 %, 4,7 % bzw. 0,8 %. Diese Methode bietet eine wertvolle Referenz für die Entwicklung von Erkennungstechnologien für Mikroalgenarten.

Mikroalgenerkennung; Bildvorverarbeitung; YOLOv8-Modell; Deep Learning