RGBイメージングを用いた頑健な藻類バイオマス成長速度推定

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:This paper provides a validated ML-based framework for algae biomass estimation that can be extended to other species and environments.

🏢実務担当者:Companies in algae-based biofuel or carbon capture can adopt this low-cost imaging method for real-time biomass monitoring.

持続可能なバイオリソースへの需要の高まりは、バイオ燃料生産、炭素回収、廃水処理の重要な側面である藻類バイオマス推定に関する研究を促進してきた。藻類バイオマスを推定するためのいくつかの方法が開発されてきたにもかかわらず、屋外環境向けの標準化され、拡張可能で、非侵襲的なバイオマス推定モデルの欠如が続いている。本研究は、機械学習（ML）アルゴリズムと統合された、画像モデルのデジタル画像ベースのRGB分析を利用する新しい方法を紹介する。従来のバイオマス推定方法は、典型的には分光光度法または化学分析を伴い、これらは労力集約的で高コストである。対照的に、提案するアプローチは低コストのRGBイメージングを採用し、画像ベースの分析によるリアルタイムのバイオマス定量を可能にする。研究プロセスには、管理された藻類培養実験からのデータ収集、画像前処理、および屋外で培養されたChlorella sorokinianaに適用される高度なコンピュータビジョン技術を用いた特徴抽出が含まれる。色指数、テクスチャパターン、ピクセル強度分布などの主要な特徴がRGB画像から抽出された。Random Forest回帰（RFR）、Extreme Gradient Boosting回帰（XGBR）、畳み込みニューラルネットワーク（CNN）を含むさまざまなMLモデルが、藻類バイオマス濃度を予測するために訓練および検証された。実験結果は、MLモデルが藻類バイオマスを正確に予測し、テストデータセットで相関係数（R²）が90%を超え、提案されたフレームワークの堅牢性を示した。将来の研究では、マルチスペクトル拡張、さまざまな藻類種に対する適応型MLモデル、および実世界の産業環境での展開を探求する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The growing demand for sustainable bioresources has spurred research into algae biomass estimation, a crucial aspect of biofuel production, carbon capture, and wastewater treatment. Despite the development of several methods to estimate algae biomass, a lack of standardized, scalable, and non-invasive biomass estimation models for outdoor environments persists. This study introduces a novel method that utilizes digital image-based RGB analysis of image models, integrated with machine learning (ML) algorithms. Traditional biomass estimation methods typically involve spectrophotometric or chemical analyses, which are labour-intensive and expensive. In contrast, the proposed approach employs low-cost RGB imaging, which enables real-time biomass quantification through image-based analysis. The research process involves data collection from controlled algae cultivation experiments, image preprocessing, and feature extraction using advanced computer vision techniques applied to Chlorella sorokiniana cultivated outdoors. Key features, such as colour indices, texture patterns, and pixel intensity distributions, were extracted from the RGB images. Various ML models, including Random Forest regressor (RFR), Extreme Gradient Boosting regressor (XGBR), and Convolutional Neural Networks (CNNs), were trained and validated to predict algal biomass concentrations. Experimental results demonstrated that the ML models accurately predicted algae biomass, with a correlation coefficient (R²) exceeding 90% in test datasets, showcasing the robustness of the proposed framework. Future research will explore multispectral extensions, adaptive ML models for various algal species, and deployment in real-world industrial settings.

• semanticscholar https://elektrika.utm.my/index.php/ELEKTRIKA_Journal/article/download/664/393first seen 2026-05-15 20:49:39 · last seen 2026-09-21 05:07:02