浮游生物藻类计

地球表面面积70.8%是被水覆盖的，几乎所有水体中都有种类繁多的生物生存。19世纪初有人开始对水中的微小生物进行观察，到19世纪80年代，德国学者汉逊提出了浮游生物这一名词，被公认为浮游生物研究的奠基人。近几十年来，为了合理利用管理水资源，保护人类环境，对水体浮游生物学的研究有了进一步的发展和深入。2012年，万深公司整理国内外公开的海量资源，运用先进的视觉检测技术，推出AlgaeC浮游生物智能鉴定计数系统，该系统配有功能强大的浮游生物智能搜索图库，帮助科研人员快速简便地分类统计及鉴定浮游生物，并计算浮游生物量。该系统面市以来用户单位遍布全国，如中国科学院下属海洋、生态、水产等研究所、中国生态环境部，国家海洋局及下属所和监测站，各省市环境监测中心、各农业、海洋院校，以及其他综合性大学的有关专业等。2019年应用户需求，万深公司再次推出：AlgaeAC藻类自动分类计数仪和ZooCC浮游动物自动分类计数仪，实现当地水域藻类、浮游动物的全自动分类计数并报告。为了能让科技人员更好地了解这几款产品，我们将在钉钉上举办2020年度第二场产品推介会。一、会议时间2020年6月5日（周五）晚上19：30分-21：00，签到时间：19：20-19：30。二、会议形式钉钉群在线直播。三、推介产品1、AlgaeC浮游生物智能鉴定计数系统2、AlgaeAC藻类自动分类计数仪3、ZooCC浮游动物自动分类计数仪4、HiCC全自动菌落计数分析仪 四、参加人员从事水生生物学、渔业、水污染防治、环境保护等方面研究的科技人员，及服务于该领域研究人员的经销商公司的朋友。五、钉钉直播培训二维码参会人员须在6月5日晚上19：30点前通过钉钉扫描码加入观看

一、名称：藻类和浮游动物自动分类计数仪(AlgaeAC+ZooCC增强型)英文名： Automatic identification and classification counter for Algae & Zooplankton, Model AlgaeAC+ZooCC plus二、用途：水体中的浮游植物（藻类）和浮游动物优势种类和数量，以及颗粒度分布是研究水环境的重要依据，历来采用人工作业判定，相当费时费力。AlgaeAC藻类自动分类计数仪和ZooCC浮游动物自动分类计数仪可有效解决用户的该痛点问题，主要用于生态学调查、渔业、水产养殖、教育中，对水体中的浮游植物（藻类）和浮游动物样品，做自动分类计数、大小测量以及生物量测定。AlgaeAC+ZooCC增强型还带有藻类和浮游动物的智能鉴定模块，帮助减轻以往繁重的鉴定工作量，是生态调查监测的必备工具。三、核心参数：1、★全时自动对焦的2410万像素高分辨率大视野光学成像，针对显微藻类优化的对焦算法，确保扫描图像清晰，支持20X、40X物镜等放大倍率。2、★水样经前处理而置于藻类计数框后，自动完成藻类识别与分类计数全过程（自动移动视野对焦扫描拍照、自动分类识别计数、自动生成统计报表）。检测依据《SL733-2016内陆水域浮游植物监测技术规程》、《水和废水监测分析方法》（第四版）第五篇《水和废水的生物监测方法》，及GB17378-2007《海洋监测规范》、GB/T12763-2007《海洋调查规范》对应到藻类的计算要求。3、★系统内含蓝藻门、硅藻门、绿藻门、裸藻门、隐藻门、金藻门、甲藻门、黄藻门常见的55个属种以上藻类分类识别库，可根据当地情况自行扩展到60个至100个属种。4、★可分析获得每个藻体的面积、周长、体积、长、宽、主轴、副轴、等效直径等形态参数。可分析统计各藻类（按门或属种）的数量、面积、体积及其占比；对各分类进行排序及柱状图显示占比情况。可在Excel软件中进一步统计分析数据。可在采集图像上直接标出藻类名称，提取分割每个藻类的图像并自动分类保存，可回溯查看历史数据。自动给出分类计数统计报告，标示优势种和优势度，并按优势种排序。自动计算香农-威纳指数、均匀性指数、丰富度指数、藻个体密度、藻细胞密度、生物量等。5、可自动分类分析3～1000μm的藻类，100个视野的自动扫描成像+自动分析时间15-20分钟（视野数25-400个可选）；检测范围为105-1010个/升；当地分类识别库优势种自动识别率≥90%，综合自动识别率≥80%，经交互修正后的最终识别率可达98%以上；在浓度为107-108个/升时，自动分析的重复性误差小于5%。6、模仿人工显微镜检测藻类的过程，可按全片计数法、对角线计数法、行格计数法、随机视野计数法等5种计数方式进行成像计数。7、★可以9600*6400dpi扫描获得巨大的透扫正片图像（厂家标示的最高分辨率62336*37760像素），能包含上千个完整的浮游动物。优化的照明参数能确保图像对比度和成像质量。8、★自动提取和保存超大图像中的浮游动物，自动学习并实现150μm以上常见优势浮游动物按大类鉴定来高效率自动分类计数（按滤网200μm为1档，1500μm为2档，分别从多到少来自动统计），给出浮游动物大小的粒径谱分布等参数。内置东海、南海、黄海、渤海四大海域初步分类文件，用户可自行扩充或新建标准库（种类可达100类），自动学习生成分类文件。学习15大类3000张已分类图库样本，来新建自动学习分类文件耗时≤6分钟/次。9、★适合分析水样量50-700mL/次。扫描图像≤15分钟/水样，分类计数的自动分析耗时≤6分钟/水样。具有鼠标辅助分割和拖动目标改判分类特性，以获得100%正确的统计结果。10、★自动给出分类计数统计报告，可分析获得每个浮游动物的面积、周长、体积、长、宽、主轴、副轴、等效直径等形态参数。可分析统计每类浮游动物的数量、面积、体积、占比及多样性指数；对各分类进行排序及柱状图显示占比情况。可在Excel软件中进一步统计分析数据。11、可批量化兼容导入其它已知标准学习库图和其它图像。标配2个水样盘：高透光超白玻璃做面，容积2cm高*144cm2（9600*6400dpi或9600*4800dpi扫描，对应1档滤网）、2cm高*350cm2（1200*1200dpi扫描，对应2档滤网）。12、★藻类和浮游动物的智能鉴定模块1）能快速有效地以图搜图，来智能鉴定多达2.4098万个种海水和淡水的藻类、浮游动物（中文、拉丁文双语显示的浮游生物专家图库：藻类共15个门、1636个属、14645个种；浮游动物共24大类、1936个属、9453个种）。已有有效图库量26.4777万张以上，各图库属种和内容可自行扩充。还能按P5胸足搜索鉴定桡足类。2）能自动索引用户已建计数表的藻类和浮游动物来生成所关注流域小图库，使以图搜图搜素鉴定更快捷准确。3）微囊藻分析模块能自动学习与自动分析团状微囊藻群体的细胞数，自动计数颗粒性或单细胞微藻、链状微藻细胞、线虫等类的浮游动物。4）具有藻类、浮游动物计数及形态测量功能，统计并报告优势种序列。内置34种几何模型，通过测量少量参数即可计算浮游生物个体/细胞体积及生物量。13、可根据采集地地理坐标在地图上定位及标注，支持高德地图、高德卫星地图、谷歌地图、谷歌卫星地图等多种地图源。14、厂家提供协助建立1个当地分类初始识别库服务，提供远程协助指导、3年免费远程升级服务。四、配置清单：1）藻类和浮游动物自动分类计数仪AlgaeAC+ZooCC增强型（含浮游生物智能鉴定系统） 1套2）高精度电控X-Y自动扫描平台+控制器 1套3）全时自动对焦的高分辨率光学成像系统 1套4）高分辨率、高性能A4幅面影像扫描仪 1套5）奥林巴斯BX53三目生物显微镜 1套6）品牌电脑（i5 九代以上CPU /16G内存/含支持CUDA的GTX1060 GPU/ 2T硬盘/ 23”彩显，1个USB3.0口+3个USB2.0口，运行环境Windows 10操作系统） 1台7）高透明大容量水样盘 2个本技术标书中打★款项必须响应，否则为重大偏离。建议报“单一来源”直接采购，理由是：目前仅万深分析系统能快速有效地以图搜图，来智能鉴定多达2.4098万个种的藻类、浮游动物，国内外其它任何系统均无法替代或PK。直采因省掉中间环节还省钱。创新点：用于生态学调查、渔业、水产养殖、教育中，对水体中的浮游植物（藻类）和浮游动物样品，做自动分类计数、大小测量以及生物量测定，自动完成藻类识别与分类计数全过程（自动移动视野对焦扫描拍照、自动分类识别计数、自动生成统计报表）。其还带有藻类和浮游动物的智能鉴定模块，快速有效地以图搜图，来智能鉴定多达2.4098万个种海水和淡水的藻类、浮游动物，帮助减轻以往繁重的鉴定工作量，是生态调查监测的必备工具。藻类和浮游动物自动分类计数仪

北京时间11月10日，中国科学院深圳先进技术研究院集成所光电工程技术中心李剑平博士团队在海洋数据机器学习算法研究中取得新成果，提出了一种基于对比学习的浮游生物图像识别检索框架，在解决实际海洋数据中的不均衡分布、数据漂移、开集识别问题中展现出了优异性能。论文以Contrastive Learning-based Image Retrieval for Automatic Recognition of in situ Marine Plankton Images为题，发表在国际海洋考察理事会海洋科学期刊ICES Journal of Marine Science上。中国科学院大学硕士杨振宇为第一作者，李剑平博士为论文通信作者，深圳先进院为第一单位。来自厦门大学、哈尔滨工业大学（深圳）的数据科学家参与本课题的合作研究。文章上线截图经过了30多年来的发展，海洋水下成像仪器为海洋浮游生物原位观测带来了海量图像数据，刺激了计算机图像自动识别技术的长足发展。然而，训练机器对来自实际中复杂海洋环境下的图像数据进行准确识别始终是一项极具挑战的任务。现有浮游生物图像机器学习分类算法虽然在某些闭合数据集上取得了良好表现，但是当应用于来自不同时空的实际数据时，往往会出现性能不稳定甚至骤降的问题，不能满足海洋观测的实时准确要求。通过深入调研，李剑平团队发现现有算法几乎全部将浮游生物识别问题处理成了一个对“N+1类”目标图像的分类问题（即N类感兴趣目标和1类所有不感兴趣目标）。然而，与其他领域中图像识别任务不同的是，在真实海洋环境中采集的数据必将面临成像质量恶化、数据分布不均、数据分布漂移和分布外样本出现等问题的挑战。因此，在闭合数据集上训练优化的机器学习算法在应用时，由于待识别数据集不满足与训练数据集的独立同分布条件，导致识别性能极易下降，只能通过费时费力的数据重新标注和模型重新训练来恢复其性能，显然这样就造成了机器学习算法的高昂的部署成本，难以在实际中应用。 李剑平团队提出的浮游生物原位图像检索识别框架IsPlanktonIR示意针对这一瓶颈，李剑平团队设计并训练了一种基于对比学习的浮游生物图像检索框架IsPlanktonIR，以图像相似度比对的方式，通过图像检索灵活地解决浮游生物的原位图像识别问题，实现浮游生物图像的自动识别。在该框架里，研究团队首先选取SEResNext作为浮游生物图像特征提取器，利用有监督的对比学习对其训练，使其获得较强的特征提取能力。识别图像时，通过比较待识别图像和一个检索库中图像特征的相似性，实现对其具体类别判定或对分布外样本的发现与拒识。此外，IsPlanktonIR框架还提供了人机交互接口，以供使用者方便地检查校验识别结果，扩充检索库，不断完善增强识别性能。 训练浮游生物图像检索框架中特征提取器的代表图像数据为了实现该识别框架的算法训练和效果验证，团队利用独立研发的海洋浮游生物原位光学成像仪在深圳大亚湾和海南昌江海域采集的图像构建了一个实验数据集。利用该数据集，团队使用部分类别图像对模型进行了训练，构造了多种不同组合的检测数据集，以检验该框架在真实海洋环境中应对必将发生的数据不均衡、数据分布漂移、分布外样本出现情况下的性能表现。实验结果表明，IsPlanktonIR算法框架在应对同时存在上述问题的测试集上均表现出了优异的性能。尤其是当测试中遇到新类别图像出现时，只需向检索库中添加部分新的人工标注样本，即可使框架实时拥有对新类别图像的正确识别能力。此外，团队还对该框架与经典的浮游生物图像分类算法和最新的异常值检测算法的性能在相同的测试集上进行了比较。结果表明，IsPlanktonIR不仅在二者不可处理的开集识别问题上取得了很好的效果，在这两类算法擅长处理的闭集分类问题上也取得了可比拟、甚至部分超越的性能指标。IsPlanktonIR的识别结果稳健性也大大增强，展示出了在实际海洋观测应用中的可靠性和灵活性。 在不同条件下的测试实验中IsPlanktonIR识别框架和对照算法的性能表现对比此外，为了提高框架的图像检索效率，减小存储和计算开销，李剑平团队还提出了一种压缩精简的算法，将浮游生物图像检索库进一步稀疏化，在几乎不降低识别准确率的前提下将检索库的大小缩小了一半，保障了基于图像检索的图像识别框架在大规模数据下的检索速度，以满足海洋观测的高实时性要求。IsPlanktonIR框架的发展为真实海水环境下的浮游生物原位长期观测提供了一套更加有效、稳健、灵活、便捷的算法方案，更加贴近海洋观测的实际需求，将有助于促进人工智能在海洋生物观测识别任务的落地应用。该论文研究得到了中国科学院国际合作重点项目和深圳市科技创新计划基础研究重点项目的支持。