Fluortron多功能高光谱成像系统应用于藻类研究检测

       微藻作为一类重要的生物资源，不仅在水质净化、生物能源生产、食品和药品开发等方面具有广泛应用前景，还在环境监测、生态修复等领域发挥着重要作用。近年来，高光谱成像技术作为一种先进的非接触式监测手段，逐渐在微藻培养与监测中展现出其独特的优势和潜力。

        Fluortron多功能高光谱成像系统整合国际先进技术资源，以其高光谱分辨率和图像处理能力，在微藻的生理状态、生物量、种类识别等方面展现出强大的应用潜力。通过捕捉微藻在不同光谱波段的反射或荧光特性，可以实现对微藻生长状态的高精度监测和快速分析。相较于传统方法，Fluortron多功能高光谱成像技术具有多功能、非接触、无损伤、实时性强、信息量丰富等显著优势，为微藻培养与监测提供了一种全新的解决方案。

图1：FluorTron®多功能高光谱成像分析系统（左）、施加不同浓度草甘膦的小球藻液RGB图片（中）以及静置16h后不同处理藻液在蓝光激发下的光谱曲线

图2：施加胁迫静置16h后不同处理藻液在紫光激发下的光谱曲线（左）、蓝光激发的荧光指数F685及F685/F740。通过蓝色/紫色激光激发后的小球藻光谱曲线可以看出，不同浓度草甘膦胁迫下的藻液曲线有明显差异；根据荧光指数参数也可以看出0.5%GLY处理的F685与F685/F740最 低，说明该组的光合作用效率最 低，小球藻抑 制效果最 好。

案例一：使用高光谱成像仪对微藻培养进行非侵入性监测

       微藻作为生物燃料、食品添加剂及药物原料的重要来源，其高效培养与精确监测对于提高产量与质量至关重要。然而，传统的监测方法往往存在耗时、破坏样本等局限。本研究采用高光谱成像仪，结合线性回归模型与一维卷积神经网络（1D CNN），对实验室条件下的微藻培养进行了非侵入性监测。通过捕获微藻在不同生长阶段的光谱图像，实现了对生物量浓度的准确预测与物种分类。

图3：实验室规模实验中三个绿藻品种不同时间的最值归一化光谱曲线，垂直线标记最 佳指标的位置（左）；生物量浓度估计值与最 佳指标之间的线性回归模型（右）

图4：工业规模试验中螺旋藻（Arthrospira platensis）的水槽高光谱数据采集（左），以及使用最 佳确定指数（616/587 nm）计算出的指数可视化图（右），与生物量分布相关

       实验室研究研究表明，高光谱成像技术能够在不破坏样本的情况下，快速获取大量光谱数据。线性回归模型与1D CNN均表现出良好的预测性能，其中1D CNN不仅预测了生物量浓度，还可以实现对三种绿色微藻的高精度分类。工业规模的初步测试也表明，该技术同样适用于实际生产中的微藻培养监测。

案例二：水华蓝藻的精 准区分

       水华蓝藻的爆发不仅影响水质，还可能产生有毒物质，对人类健康及水生生态系统构成威胁。因此，实现对水华蓝藻的精 准区分与有毒物种的快速识别具有重要意义。本研究利用实验室条件下的高光谱图像，结合机器学习算法，对形成水华的蓝藻进行了分类与识别。

图5：(a)高光谱成像图、(b)含有蓝藻生物质的ROI提取、(c)ROI中所有像素的平均VIS/NIR反射光谱（左）；五种蓝藻的VIS/NIR光谱反射率平均值，a)仅平均光谱、b)包括标准偏差的平均光谱（右）

图6：分类模型在训练、验证和测试集上的表现

       实验研究表明，高光谱图像能够捕捉到蓝藻光谱特性的细微差异，为机器学习模型提供了丰富的特征信息。利用机器学习算法在水华蓝藻的分类与毒性识别中展现出极高的准确性，为水华预警与治理提供了科学依据。

未来与展望

       多功能高光谱成像技术与机器学习的结合，为微藻培养与水华蓝藻监测带来了革命性的变化。这一技术不仅能够实现非侵入性、高精度的生物量监测与物种分类，还能有效识别有毒蓝藻物种，为环境保护与生物技术的发展提供了强有力的支持。未来，随着技术的不断成熟与应用场景的拓展，都功能高光谱成像技术将在更多领域展现出其巨大的潜力和价值。

更多藻类培养与监测系统

       易科泰公司长期致力于农业-生态-健康领域，整合国际先进技术资源，为藻类生物质能源及高通量表型研究领域提供全面解决方案，包括藻类培养、藻类叶绿素荧光与光合作用测量、藻类叶绿素荧光成像分析、藻类培养与在线监测及高通量藻类表型分析等。

图6：上图依次为AlgaTech®高通量表型分析平台、Specim IQ高光谱相机

图7：上图依次为AquaPen手持式叶绿素荧光仪、MC1000 8通道藻类培养与在线监测系统、FMT150藻类培养与在线监测系统

参考文献：

[1] Fournier, Claudia, et al. "Discriminating bloom-forming cyanobacteria using lab-based hyperspectral imagery and machine learning: Validation with toxic species under environmental ranges." Science of the Total Environment 932 (2024): 172741.

[2] Pääkkönen, Salli, et al. "Non-invasive monitoring of microalgae cultivations using hyperspectral imager." Journal of Applied Phycology (2024): 1-13.