A pesar de los avances científicos y tecnológicos, el principal método para identificar y contar las especies de algas es principalmente a través de la observación bajo un microscopio, que requiere mucho tiempo y es laborioso.
Para monitorear y determinar el estado de salud de las microalgas marinas in situ, se necesita la integración de hardware y software para permitir la adquisición de imágenes de algas en tiempo real, el análisis de datos y la implementación de algoritmos de aprendizaje automático para reconocer y clasificar las células de las microalgas marinas.
Un equipo de investigadores de la Hainan University, de la Zhejiang University y de la The State University of New York en Stony Brook proponen una nueva base de datos para la detección de microalgas marinas y un grupo de métodos de detección.
La base de datos incluye imágenes de seis géneros de microalgas (Pinnularia, Chlorella, Platymonas, Dunaliella salina, Isochrysis, y Symbiodinium) que son comunes en el océano, y de las diferentes etapas de desarrollo de los géneros de microalgas.
Visión computarizada para identificar microalgas
La detección de objetos es una tarea de visión computarizada que incluye la ubicación e identificación de objetos en una imagen o video.
Los investigadores aplicaron algoritmos de visión computarizada para la detección de múltiples objetos y la evaluación del estado fisiológico de las microalgas marinas.
“En este estudio, entrenamos algoritmos de detección de objetos de una etapa, incluidos YOLOv5, YOLOv8 y TOOD, y algoritmos de detección de objetos de dos etapas, incluidos Faster-RCNN, Cascade-RCNN y Dynamic-RCNN”, reportan los investigadores.
Base de datos de imágenes de microalgas
Los autores del estudio establecieron una base de datos para la detección de microalgas marinas en imágenes de microscopía, incluido datos de recolección, imágenes de microscopía, etc.
La base de datos contiene 967 imágenes de microalgas de seis géneros: Pinnularia, Chlorella, Platymonas, D. salina, Isochrysis, y Symbiodinium. Además, también recolectaron las imágenes de Symbiodinium en diferentes estados fisiológicos.
Conclusión
“Los resultados mostraron que los modelos de detección de objetos de una y dos etapas pueden lograr una precisión promedio alta, lo que demuestra la capacidad de la visión por computadora en la detección de múltiples objetos de microalgas y proporciona datos y modelos básicos para la detección en tiempo real de células de microalgas”, concluyen.
El estudio fue financiado por Hainan Provincial Key Research and Development Program, Hainan Provincial Higher Education Scientific Research Project Key Project, Hainan Provincial Social Science Research Project y Hainan Provincial Natural Science Foundation.
Referencia (acceso abierto):
Zhou, S., Jiang, J., Hong, X., Fu, P., & Yan, H. (2023). Vision meets algae: A novel way for microalgae recognization and health monitor. Frontiers in Marine Science.
