Pour résoudre les problèmes des méthodes traditionnelles de détection des microalgues, qui dépendent de l'inspection manuelle au microscope, nécessitent un temps d'analyse long et dont les résultats sont influencés par l'expérience technique des opérateurs, une stratégie d’intégration du prétraitement d’image combinée à un modèle YOLOv8 amélioré basé sur l’apprentissage profond a été proposée pour la reconnaissance des microalgues. Une stratégie d’intégration multi-méthodes comprenant un flou gaussien, un opérateur Laplacien et une analyse en composantes principales a été utilisée pour le prétraitement des images microscopiques des microalgues. Dans le modèle amélioré, un module SPD-Conv a été introduit pour réduire la perte d’informations fines afin d’améliorer la détection d’images basse résolution et de microalgues de petite taille, une structure Slim-neck a été adoptée pour réduire le nombre de paramètres et la taille du modèle, et un SimSPPF a été ajouté pour accélérer la convergence du modèle et améliorer l’efficacité d’exécution. Les résultats montrent que la stratégie de prétraitement intégrée multi-méthodes réduit significativement le bruit dans les images tout en améliorant la clarté des contours des microalgues. Dans les mêmes conditions, la moyenne de la précision (mAP) du modèle YOLOv8 amélioré a atteint 92,2%, l’efficacité de détection a augmenté de 5,1% par rapport au modèle YOLOv8 d’origine, avec une meilleure performance pour les microalgues de petite taille. Par rapport aux modèles Faster-RCNN, SSD, RTDETR-l, YOLOv3, YOLOv5, YOLOv6 et YOLOv7, le mAP du modèle YOLOv8 amélioré a été amélioré de 40,2%, 6,8%, 14,5%, 1,2%, 5,7%, 4,7% et 0,8% respectivement. Cette méthode fournit une référence précieuse pour le développement de techniques de détection des espèces de microalgues.

reconnaissance des microalgues; prétraitement d’image; modèle YOLOv8; apprentissage profond