编辑推荐：
微藻通过图像分析结合SqueezeNet-LSBoost模型实现低成本实时生长监测，克服传统方法依赖实验室设备和高成本的问题，验证了机器学习在生物资源管理中的可行性。
Laveena Sambhwani | Hari Om Pandey | Ranjna Sirohi | Archana Tiwari | Mukesh Singh | Ayon Tarafdar
印度北方邦巴雷利Izzatnagar的ICAR-印度兽医研究所畜牧生产与管理部门，邮编243 122
摘要
微藻培养在可持续食品、饲料和生物能源生产方面具有潜力，但实时且成本效益高的生长监测仍然是一个挑战。最近的研究强调了使用微藻图像数据集训练机器学习算法以预测生长和培养阶段的重要性。这可能会导致开发出一种非侵入性和成本效益高的监测系统，用于实时预测微藻生长。然而，已报道的研究使用RGB图像和显微（或高级）成像技术，这些技术要么依赖于设备（用于图像采集），要么成本较高。本研究报道了一种基于图像的监测系统的开发，该系统集成在桌面光生物反应器（PBR）中，用于连续评估微藻生长。Scenedesmus物种的培养图像被分析了L*、a*、b*颜色值（与设备无关），这些值与光密度（OD）相关联。评估了包括支持向量回归（SVR）和随机森林（RF）在内的机器学习模型，其中RF显示出更好的预测准确性（R2 = 0.60）。为了进一步提高预测能力，应用了预训练的SqueezeNet架构进行特征提取，随后采用最小二乘提升回归（LSBoost）。SqueezeNet–LSBoost模型在5折交叉验证中表现出高预测性能（训练R2 = 0.9016，验证R2 = 0.8544），且过拟合现象最小。该系统证明了低成本、自动化和非侵入式生长监测的可行性，支持用于生物资源管理的多样化微藻生产的扩展。
引言
微藻作为一种可持续的生物资源，正在全球范围内受到关注，应用于食品、饲料、生物能源和环境领域（Ahmad等人，2022年；Peter等人，2022年）。它们能够利用廉价底物（如工业废水）、固碳并产生高价值代谢物，因此对生物经济至关重要（Abdelfattah等人，2023年）。然而，大规模培养常常受到高运营成本和有限实时监测能力的阻碍。传统的生长评估方法，如光密度（OD）测量和重量分析，虽然可靠，但劳动密集且需要实验室设施（Havlik等人，2016年）。然而，它们不适合在成本敏感的应用中（如畜牧饲料生产）进行连续监测。从经济角度来看，将自动化生长监测集成到光生物反应器（PBR）中可以及早发现次优条件，减少生物质损失，提高产量稳定性，并降低下游处理成本。例如，Tummawai等人（2024年）使用传感器记录了在管状光生物反应器中培养的Chlorella物种的参数，包括培养温度、pH值、光照强度、电导率、流速、氧含量和光照暴露。然后这些参数被输入到极端梯度提升（XGBoost）机器学习模型中，预测微藻生长，R2为0.999。尽管这些研究为非侵入式微藻生长预测开辟了途径，但对于设计用于分散式或农场级别的小型低成本PBR来说，方法的成本效益变得更加关键，因为资源效率直接影响盈利能力。
人工智能（特别是卷积神经网络）的最新进展为生物过程监测提供了新的解决方案。机器学习（ML）模型，特别是基于计算机视觉的方法，能够从图像中非侵入性地估计培养密度和生理状态，消除了频繁手动采样的需要（Khanal等人，2023年）或使用大量复杂传感器的需求。ML算法，如支持向量回归（SVR）、随机森林（RF）和深度卷积神经网络（CNN），在发酵和微藻研究中显示出高预测准确性（Imamoglu，2024年；Chen等人，2025年）。例如，Chong等人（2024年）使用形态学和纹理描述符以及Azure定制的视觉深度学习CNN模型对Chlorella vulgaris FSP-E、Chlamydomonas reinhardtii和Spirulina platensis进行分类，准确率为97.86%。同样，Zhang及其同事应用了RF模型和LASSO（最小绝对值收缩和选择操作符）模型（同时进行特征选择和正则化），分别在处理噪声较大、非线性数据的生物过程中显示出合理的R2值（0.798和0.918）（Zhang等人，2023年）。其他应用包括在变化光照条件下使用CNN高精度（>90%）计数微藻（如Nannochloropsis oceanica、Porosira glacialis和Tisochrysis lutea）（Nu?o-Maganda等人，2025年；Popescu等人，2025年）。这些应用突显了ML在确保微藻生产系统的一致性、可扩展性和经济可行性方面的日益重要性。
当前的研究介绍了一种新型低成本监测系统，该系统将预训练的轻量级深度学习架构（SqueezeNet）与最小二乘提升回归器（LSBoost）结合，直接从微藻培养图像中预测光密度。与主要依赖颜色特征（RGB）的早期研究不同，所提出的方法利用从图像中提取的高维特征以及3D设备无关的颜色坐标系统，从而最小化了模型过拟合的风险。此外，使用浅层集成回归框架提高了可解释性和计算效率。据作者所知，这是首次在桌面PBR中应用SqueezeNet–LSBoost框架进行微藻生长监测的报告。
部分摘录
微藻菌株和培养方案
Scenedesmus物种从印度诺伊达的Amity大学获得，通过将起始培养物（约1.5 mL）加入初始体积为15 mL的BG 11（标准微藻培养基）培养瓶中制备接种物。培养物提供的光照强度为80–100 μmol m?2 s?1（3400–4400 lx），光照周期为16小时。使用8 W、4路空气泵（BL-710S，Buraq，印度）保持4 L/min的空气流速。使用pH计测量培养基的pH值微藻生长的基线数据
捕获了包含120张微藻培养图像的初始数据集，然后对图像进行增强以训练ML模型。将这些图像对应的实际生物量产量作为模型的输出。为了快速连续地估计PBR中的微藻生长，准备了不同浓度（0.2–10 mg/mL）的标准曲线，R2为0.989（图2D）。实验重复了两次，并绘制了平均浓度（
结论
本研究探讨了两种广泛使用的ML模型（RF和SVR），并将它们的性能与开发的SqueezeNet–LSBoost框架进行了比较，以预测在专门设计的PBR中的微藻生长。后者在模型验证期间解释了超过85%的方差，表现出更好的预测准确性。通过微调SqueezeNet超参数、更好地控制光照条件以及增加数据集中的变异性，可以进一步提高模型的性能。
CRediT作者贡献声明
Laveena Sambhwani：撰写 – 审稿与编辑，撰写 – 原始草稿，方法论，研究。Hari Om Pandey：撰写 – 审稿与编辑，监督，数据管理。Ranjna Sirohi：监督，项目管理，资金获取，概念化。Archana Tiwari：监督，资源管理，研究。Mukesh Singh：监督，项目管理，数据管理。Ayon Tarafdar：撰写 – 审稿与编辑，验证，正式分析，数据管理，概念化。
写作过程中生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT（Open AI）来检测句子结构中的错误。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。
