Para resolver los problemas de los métodos tradicionales de detección de microalgas, que dependen de la inspección manual con microscopio, requieren mucho tiempo de análisis y cuyos resultados se ven afectados por la experiencia técnica del personal, se propuso una estrategia integrada de preprocesamiento de imágenes combinada con un modelo YOLOv8 mejorado basado en aprendizaje profundo para el reconocimiento de microalgas. Se utilizó una estrategia de integración de múltiples métodos que incluye desenfoque gaussiano, operador Laplaciano y análisis de componentes principales para el preprocesamiento de imágenes microscópicas de microalgas. En el modelo mejorado, se introdujo un módulo SPD-Conv para reducir la pérdida de información fina y mejorar el rendimiento de detección en imágenes de baja resolución y microalgas de tamaño pequeño; se adoptó una estructura Slim-neck para reducir el número de parámetros y el tamaño del modelo, y se añadió un SimSPPF para acelerar la convergencia del modelo y aumentar la eficiencia operativa. Los resultados muestran que la estrategia integrada de preprocesamiento de múltiples métodos reduce significativamente el ruido en las imágenes y mejora la claridad del contorno de las microalgas. Bajo las mismas condiciones, el promedio de precisión (mAP) del modelo YOLOv8 mejorado alcanzó un 92.2%, la eficiencia de detección aumentó en un 5.1% en comparación con el modelo original YOLOv8, y mostró mejor rendimiento para la detección de microalgas de pequeño tamaño. En comparación con los modelos Faster-RCNN, SSD, RTDETR-l, YOLOv3, YOLOv5, YOLOv6 y YOLOv7, el mAP del modelo YOLOv8 mejorado aumentó en un 40.2%, 6.8%, 14.5%, 1.2%, 5.7%, 4.7% y 0.8% respectivamente. Este método proporciona una referencia valiosa para el desarrollo de tecnologías de detección de especies de microalgas.

reconocimiento de microalgas; preprocesamiento de imágenes; modelo YOLOv8; aprendizaje profundo