Para resolver os problemas dos métodos tradicionais de detecção de microalgas, que dependem da inspeção manual ao microscópio, possuem tempo de análise longo e cujos resultados são facilmente influenciados pela experiência técnica dos operadores, foi proposta uma estratégia integrada de pré-processamento de imagens combinada com um modelo YOLOv8 melhorado baseado em aprendizado profundo para reconhecimento de microalgas. Uma estratégia integrada de múltiplos métodos foi utilizada, incluindo desfoque gaussiano, operador Laplaciano e Análise de Componentes Principais, para o pré-processamento das imagens microscópicas de microalgas. No modelo melhorado, foi introduzido o módulo SPD-Conv para reduzir a perda de informações finas e melhorar o desempenho na detecção de imagens de baixa resolução e microalgas de pequeno porte, adotou-se a estrutura Slim-neck para reduzir o número de parâmetros e o tamanho do modelo, além de adicionar o SimSPPF para acelerar a convergência do modelo e aumentar a eficiência operacional. Os resultados mostraram que a estratégia integrada de pré-processamento por múltiplos métodos reduz significativamente o ruído nas imagens, ao mesmo tempo que melhora a clareza dos contornos das microalgas. Nas mesmas condições, a média da precisão (mAP) do modelo YOLOv8 melhorado atingiu 92,2%, a eficiência da detecção aumentou 5,1% em comparação ao modelo YOLOv8 original, apresentando melhor desempenho na detecção de microalgas de pequeno porte. Em comparação com os modelos Faster-RCNN, SSD, RTDETR-l, YOLOv3, YOLOv5, YOLOv6 e YOLOv7, o mAP do modelo YOLOv8 melhorado aumentou 40,2%, 6,8%, 14,5%, 1,2%, 5,7%, 4,7% e 0,8%, respectivamente. Este método fornece uma referência valiosa para o desenvolvimento de tecnologias de detecção de espécies de microalgas.

reconhecimento de microalgas; pré-processamento de imagens; modelo YOLOv8; aprendizado profundo