一种基于深度学习的微塑料纤维识别方法和显微镜系统技术方案

本发明专利技术公开一种基于深度学习的微塑料纤维识别方法和显微镜系统，包括：步骤

【技术实现步骤摘要】
一种基于深度学习的微塑料纤维识别方法和显微镜系统


[0001]本专利技术属于微塑料检测
，尤其涉及一种基于深度学习的微塑料纤维识别方法和显微镜系统
。

技术介绍

[0002]随着环境问题的日益突出，微塑料研究成为了全球范围内备受关注的热门话题
。
微塑料指的是直径小于
5mm
的塑料微粒和纤维，它们来源广泛，包括塑料制品的使用
、
制造过程中的拆卸
、
天然材料的磨损和风化等等
。
这些微塑料在海洋
、
河流和土壤中广泛存在，严重影响了野生动植物的健康和生存环境
。
近年来，微塑料研究逐渐成为了全球环境科学领域的重要课题之一
。
[0003]目检法指利用肉眼或显微镜观察微塑料，从自然源或动植物残骸
、
玻璃碎片等非塑料人造源中挑选微塑料，基于微塑料形态结构等特征对其进行分类
。
这种方法可以在双筒显微镜等设备协助下，在沉积物等不同环境介质中分析微塑料颗粒，挑选形态被认定为微塑料的颗粒，以颗粒的最大内径作为颗粒尺寸，用测微尺测量微塑料颗粒尺寸，最后对其进行分级
。
[0004]对微塑料的尺寸大小研究多采取先分离，后目视鉴定的方法，但在操作上有一定难度和不足
:
该方法准确性受到微塑料颜色
、
形态和结构等特性的影响，误判
、
遗漏等现象也时有发生；且因需要肉眼依次鉴别，受实验人员注意力涣散就会影响目检法的正确率与实验结果的一致性
。

技术实现思路

[0005]本专利技术要解决技术问题是，本专利技术提供一种基于深度学习的微塑料纤维识别方法和显微镜系统，将微塑料目检法过程中的获取载物膜图像与确定微塑料纤维在一套系统中识别检测，降低了实验流程的复杂性，有助于提高微塑料目检法检测的一致性
。
[0006]为实上述目的，本专利技术采用如下的技术方案：
[0007]一种基于深度学习的微塑料纤维识别方法，包括：
[0008]步骤
S1、
根据实验过程中的微塑料纤维图像训练检测模型；
[0009]步骤
S2、
通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；
[0010]步骤
S3、
利用训练完成的检测模型检测摄像头拍摄图片中的微塑料纤维；
[0011]步骤
S4、
将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图
。
[0012]作为优选，检测模型采用基于
Yolov8s
模型预训练而来的
mps39
模型
。
[0013]作为优选，所述载物膜为经过微塑料目检法前期处理过的
。
[0014]作为优选，在识别完成后将识别与未识别的图像数据拼合为两份完整的载物膜图像
。
[0015]本专利技术公开一种基于深度学习的微塑料纤维识别显微镜系统，包括：检测装置
、
显
微镜
、
摄像头和自动化机械平台；检测装置包括检测模型；其中，
[0016]通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；利用检测模型检测摄像头拍摄图片中的微塑料纤维；将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图
。
[0017]作为优选，检测模型根据实验过程中的微塑料纤维图像训练得到的
。
[0018]作为优选，检测模型采用基于
Yolov8s
模型预训练而来的
mps39
模型
。
[0019]作为优选，所述载物膜为经过微塑料目检法前期处理过的
。
[0020]本专利技术通过使用深度学习算法，可以快速准确地识别显微镜下的微塑料纤维，降低研究人员的视觉负担且提高识别的一致性；通过自动载物台扫描拍摄以及图像拼合功能可以获取到在显微镜单一视角下无法获取到的整张载物膜，方便研究人员观察载物膜状态以及识别效果
。
在提高目检法实验结果的一致性，与降低研究人员劳动强度方面具有现实意义
。
附图说明
[0021]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图
。
[0022]图1为本专利技术基于深度学习的微塑料纤维识别方法流程图；
[0023]图2为识别后拼接的图像及图像放大展示图
。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0025]为使本专利技术的上述目的
、
特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明
。
[0026]实施例1：
[0027]如图
1、2
所示，本专利技术实施例提供一种基于深度学习的微塑料纤维识别方法，包括：
[0028]步骤
S1、
根据实验过程中的微塑料纤维图像训练检测模型；
[0029]步骤
S2、
通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；
[0030]步骤
S3、
利用训练完成的检测模型检测摄像头拍摄图片中的微塑料纤维；
[0031]步骤
S4、
将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图
。
[0032]作为本专利技术实施例的一种实施方式，检测模型采用基于
Yolov8s
模型预训练而来的
mps39
模型
。
[0033]进一步，步骤
S1
包括：
[0034]步骤
S11、
收集原有实验过程中的微塑料纤维图像数据，通过标注工具对图像进行标注，为每个目标对象添加矩形边界框和对应的类别标签，确保每个标注包括对象边界框的坐标和类别标签；
[0035]步骤
S11、
将收集到的图像数据集分为训练集
、
验证集和测试集，并使用标注工具生成对应图像的标签文件，该文件描述了图像中目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的微塑料纤维识别方法，其特征在于，包括：步骤
S1、
根据实验过程中的微塑料纤维图像训练检测模型；步骤
S2、
通过机械平台控制平台移动，在整个载物膜上进行逐行路径扫描并拍摄每一次移动后的照片来得到整个载物膜的图像信息；步骤
S3、
利用训练完成的检测模型检测摄像头拍摄图片中的微塑料纤维；步骤
S4、
将摄像头拍摄的载物膜单一视角图片拼合形成载物膜完整的视觉图
。2.
如权利要求1所述的基于深度学习的微塑料纤维识别方法，其特征在于，检测模型采用基于
Yolov8s
模型预训练而来的
mps39
模型
。3.
如权利要求2所述的基于深度学习的微塑料纤维识别方法，其特征在于，所述载物膜为经过微塑料目检法前期处理过的
。4.
如权利要求3所述的基于深度学习的微塑料纤维识别方法，其特征在于，在识别完成后将识别与未识别的图像数据拼合为两份完整...

【专利技术属性】
技术研发人员：张漓杉，覃芳鸿，许弼鸿，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：