论文部分内容阅读
微藻是一种低等浮游植物,广泛分布于世界各地,是水体初级生产力的主要组成部分。由于微藻富含蛋白质、氨基酸、高不饱和脂肪酸、色素和多种生物活性物质,在不久的将来必将成为食品、医药、饲料和燃料的重要来源。因此,许多研究机构正在开展微藻培养。由于微藻在富氮、富磷的水中易于繁殖,一方面可以净化水体富营养化,另一方面一旦出现爆发式生长则会引起水华现象,因此微藻可用于污水处理和水质监测。在微藻培养和生态监测中,准确测定微藻的生物量浓度是非常重要的,然而由于微藻个体量小、数量庞大,精确测定其生物量既困难又耗时,已成为研究和生产实践中的难题之一。本研究以莱茵衣藻和小球藻作为研究对象,采用原位荧光技术、可见近红外吸收光谱技术和显微成像技术结合多种化学计量学算法和图像处理算法,进行高浓度微藻细胞浓度的检测,为微藻生长信息的监测提供支持。论文的主要研究成果和结论如下:(1)研究了基于图像处理技术的藻类细胞浓度定量检测方法。首先,使用显微镜和与之相配套的CCD相机作为图像获取设备,对微藻进行显微成像,获取不同浓度条件和不同采样环境下的微藻显微图像;然后,针对不同图像的特性选择不同的图像处理算法,其中包括使用HSV图像转换和γ变换、Retinex变换相结合的方式消除掉显微图像中的血球计数板的方格背景;利用拉普拉斯算子扩大细胞的边界区域;最后,利用改进的分水岭算法对重叠的微藻细胞进行分割,使用区域标记法对微藻细胞进行计数,并利用换算公式得出微藻的细胞浓度。同时开发了基于图像处理技术的微藻细胞浓度自动定量软件。该软件与人工测量方法相比检测时间从5分钟减少到1分钟以内,重复检测精度从80%提高到95%。(2)采用单激发荧光光谱法和人工神经网络(ANN)相结合的检测方法,对莱茵衣藻(Chlamydomonas reinhardtii)的细胞浓度进行定量检测。以470nm波长的发光二极管(LED)为激发光源,对不同浓度的莱茵衣藻样品进行了电子激发。结果表明,随着藻类浓度的增加,藻类荧光强度与藻细胞浓度呈非线性关系。荧光峰向长波方向移动。为了快速、准确地监测微藻细胞的浓度,建立了 GA-BP模型。在2×105～6.4×106mL-1浓度范围内,实现了微藻细胞浓度的快速、无标记、粗略估计和监测。然后利用不同生长批次的样品对模型进行验证。通过将GA-BP模型与其他的藻细胞浓度检测模型(BP人工神经网络,PLS模型和PCR模型)进行了比较,发现GA-BP模型更为准确。此外,利用独立的数据集对模型的预测性能进行了外部验证,将训练好的模型应用于三种不同培养条件下的微藻细胞浓度的预测,预测结果显示正常培养和缺氮培养的微藻溶液的MAE和MARE分别为8.96R105mL-1、0.0178和6.585×105 mL-1、0.039,均取得了良好的预测效果。(3)以小球藻作为研究对象,本文提出“重构吸收光谱”的概念,并提出了一种基于重构吸收光谱的藻细胞浓度检测方法。通过在不同积分时间下测量参比溶液和藻类样品,可以得到较大浓度范围内样品的吸收光谱,利用积分时间与吸光度的转换关系,将其转换为与参比溶液相同的积分时间下重构吸收光谱。最后,以重构的吸收光谱为研究对象,采用支持向量机回归(SVR)和偏最小二乘(PLS)建立藻细胞浓度预测模型。以光纤光谱仪为主体的实际应用表明,该方法能在3.5×105～1.4×108 mL-1的浓度范围内检测小球藻细胞的浓度,覆盖了微藻培养的实际浓度范围。两个模型的评价指标R2可达0.9762和0.9441。通过与之前研究成果的比较得出本文所设计的方法能以最简单的方式扩大藻类细胞浓度的检测范围,简化了检测过程,提高了工作效率和检测精度,扩大了分析仪器的整体动态范围,降低了测量成本,并且提高了传统吸收光谱技术的检测能力。