Для решения проблем традиционных методов обнаружения микроводорослей, которые зависят от ручного микроскопического анализа, требуют много времени и результаты которых сильно зависят от опыта оператора, предложена стратегия интеграции предварительной обработки изображений совместно с усовершенствованной моделью YOLOv8 на основе глубокого обучения для распознавания микроводорослей. Использована стратегия объединения нескольких методов, включая гауссово размытие, оператор Лапласа и анализ главных компонент для предварительной обработки микроскопических изображений микроводорослей. В усовершенствованной модели введён модуль SPD-Conv для снижения потерь тонких деталей и повышения производительности обнаружения на изображениях низкого разрешения и маленьких микроводорослях; используется конструкция Slim-neck для уменьшения количества параметров и размера модели, а также добавлен SimSPPF для ускорения сходимости модели и повышения эффективности работы. Результаты показали, что стратегия интегрированной предварительной обработки значительно снижает шум на изображениях и улучшает чёткость контуров микроводорослей. При тех же условиях среднее значение точности (mAP) усовершенствованной модели YOLOv8 достигло 92,2%, эффективность обнаружения повысилась на 5,1% по сравнению с оригинальной моделью, при этом улучшились показатели обнаружения мелких микроводорослей. По сравнению с моделями Faster-RCNN, SSD, RTDETR-l, YOLOv3, YOLOv5, YOLOv6 и YOLOv7 mAP усовершенствованной модели YOLOv8 улучшилось на 40,2%, 6,8%, 14,5%, 1,2%, 5,7%, 4,7% и 0,8% соответственно. Этот метод предоставляет ценное руководство для разработки технологий обнаружения видов микроводорослей.

распознавание микроводорослей; предварительная обработка изображений; модель YOLOv8; глубокое обучение