MobileYOLO-Cyano：基于深度学习的蓝藻属种精准分类模型及其在水质监测中的应用

针对淡水蓝藻毒素污染监测中传统分类方法效率低、准确性不足的问题，本研究创新性地融合YOLOv8与MobileNetV4架构，设计AdaptiveChannelHead模块，构建MobileYOLO-Cyano模型。在9类产毒蓝藻数据集上实现97.09%精确度与98.17% mAP50，较现有方法提升超10%，为水质实时监测提供强效技术支撑。

　　

【研究背景】
蓝藻作为地球上最古老的光合生物，其过度繁殖形成的"水华"不仅破坏水生生态系统，更因产生微囊藻毒素(Microcystins)等次级代谢产物，直接威胁人类健康。传统监测依赖耗时费力的人工显微镜计数，而遥感技术虽能大范围监测叶绿素a(Chl-a)浓度，却无法区分产毒蓝藻属种。现有深度学习模型如YOLOv5、FCNN-MobileNet在蓝藻分类中面临识别精度不足(70-95%)、对丝状蓝藻适应性差等问题，且多基于私有数据集，制约了模型泛化能力。

【研究方法】
研究团队提出MobileYOLO-Cyano模型，通过三项核心技术突破：1) 采用MobileNetV4替换YOLOv8主干网络，优化无锚框检测框架；2) 创新设计AdaptiveChannelHead模块，集成组卷积(Group Conv)、重参数化卷积(RepConv)等10种卷积方法；3) 使用公开CTCB数据集（含9类产毒蓝藻，含Aphanizomenon、Raphidiopsis等），通过置信度阈值鲁棒性测试验证模型稳定性。

【研究结果】

1. 模型性能对比
   在改进后的CTCB数据集上，MobileYOLO-Cyano以97.09%精确度、96.82%召回率全面超越基线模型(YOLOv8原版F1值提升6.95%)，对难分类属种(Phormidium、Planktothrix)识别精度提升超10%。

2. 模块有效性验证
   AdaptiveChannelHead通过通道注意力机制使特征提取参数量减少23%，而多尺度卷积(EMSConvP)的应用使mAP₅₀达到98.17%，较传统耦合头设计提升4.2%。

3. 应用优势分析
   模型在0.3-0.9宽阈值范围内保持F1>95%，显著优于YOLOv7(70%)和YOLOv5s(90%)，证明其适用于不同置信度需求的监测场景。

【结论与意义】
该研究首次将MobileNetV4的轻量化特性与YOLOv8的实时检测优势相结合，通过自适应通道头设计攻克了丝状蓝藻分类难题。98.17%的mAP₅₀指标为水质管理部门提供了可部署于移动端的解决方案，其开源数据集(CTCB)更推动了该领域研究标准化。论文发表于《Water Research》，为联合国可持续发展目标(SDGs)中"清洁饮水和卫生设施"目标的实现提供了关键技术支撑。