基于高光谱成像与半监督学习的普通小球藻培养异常检测方法研究

本研究针对微藻培养过程中污染物快速检测难题，创新性地采用高光谱成像技术结合半监督学习模型（OC SVM/iForest/autoencoder），实现了对Chlorella vulgaris培养体系中低至1%生物量的Microcystis aeruginosa污染及氮缺乏异常的早期识别。OC SVM模型表现最优（AUC=0.87），为微藻工业化生产的非侵入式质量监控提供了新范式。

　　

微藻作为生物燃料、肥料和营养品的原料具有巨大潜力，但其工业化培养常面临污染物入侵和营养缺乏等异常问题。传统显微镜检测和PCR方法耗时费力，而现有光谱技术多局限于特定污染物的监督学习检测。如何实现未知异常的早期预警，成为制约微藻产业质量控制的关键瓶颈。

为解决这一难题，国外研究团队在《Smart Agricultural Technology》发表了一项创新研究。该工作首次将高光谱成像（400-1000 nm，分辨率5.5 nm）与非侵入式监测结合，通过半监督学习框架比较了三种算法对Chlorella vulgaris培养异常的检测效能。研究采用Specim FX 10高光谱仪采集数据，构建包含280组正常光谱的训练集，测试集涵盖43组正常样本、24组氮缺乏样本和4组人工污染样本（Microcystis aeruginosa污染水平1.1%-20%生物量）。通过网格搜索优化的一类支持向量机（OC SVM）、隔离森林（iForest）和神经网络自编码器，在无需异常样本训练的前提下实现了对未知偏离特征的识别。

【关键技术方法】
研究采用WC培养基培养Chlorella vulgaris（CCAP 211/11B），通过氮剥夺和人工掺入Microcystis aeruginosa构建异常样本。高光谱数据经反射率校正（R=(I-I_d)/(I_w-I_d)）后，截取476-965 nm波段（360个特征）。数据增强采用100×100像素子窗口分割，模型评估采用5折交叉验证。OC SVM选用RBF核（γ=4，ν=0.1），iForest设置50棵树和360最大特征，自编码器采用5层编码结构（16-4单元潜在层）。

【研究结果】

3.1 光谱特征分析
氮缺乏培养物在500 nm处反射率显著降低，呈现特征性黄化；而含1.1% Microcystis的污染样本光谱与正常样本高度重叠，显示低浓度污染的检测挑战。

3.2 模型性能比较
OC SVM以0.87的AUC值领先（iForest 0.83，自编码器0.79），对20%污染样本全部检出，且最早（3天）识别氮缺乏。自编码器虽灵敏度稍低，但重建光谱在580-620 nm区间揭示出污染物特征性藻蓝蛋白吸收峰。

3.3 检测灵敏度
OC SVM成功检测1.1%生物量污染（约140,000 cells mL^-1），相当于欧洲微藻产品5%杂质标准。氮缺乏检测窗口与叶绿素降解周期吻合，证实了光谱变化与生理状态的关联性。

3.4 计算效率评估
iForest训练速度最快，适合实时监测；自编码器虽需GPU支持，但其重建误差可视化功能为异常溯源提供了独特优势。

【结论与意义】
该研究证实高光谱成像结合半监督学习可突破传统检测方法的局限：
1）OC SVM的优异表现（F1=0.91）表明距离算法对微光谱细微变化的敏感性；
2）检测阈值（μ±σ）的通用设定方案解决了实际应用中异常样本稀缺的难题；
3）自编码器重建光谱揭示了藻蓝蛋白特征峰，为污染物种类推断提供了物理依据。

这项技术将微藻异常检测从靶向识别推进到未知预警阶段，其非侵入特性特别适合规模化培养的在线监测。未来通过增加训练数据多样性和优化成像距离，有望进一步提升对细菌、轮虫等污染物的检测灵敏度，为微藻产业的智能化质量控制树立了新标准。