浮游生物成像仪（型号 Pi-10）是一款高速浮游生物摄像系统，专为拍摄体长150μm- 20mm范围内的颗粒物（中型浮游生物及大型微型浮游生物）设计。
该设备采用线阵相机搭配白光照明光源进行连续拍摄，可完整记录全部泵送水体样本。设备搭载Dalsa24位4096像素线阵相机，像素尺寸10μm，图像数据传输速率超 1.2 GBps。
设备接入本地GPS信号，可对拍摄影像自动标注日期、时间及地理位置信息。在每分钟34L的抽水流量下，每小时可完成超2立方米水体的10μm精度成像，同步完成颗粒物筛选与存储。设备每分钟可完成超30000个浮游颗粒物的成像、数据处理与本地硬盘存储，亦可将数据同步推送至局域网。
图片来源：2022年5月28日，James Scott拍摄于英国环境、食品与乡村事务部渔业水产科学中心 “奋进号” 调查船（CEFAS RV Endeavour）
Pi-10 型成像仪
Ø 产品概述
Pi-10 型浮游生物成像仪专为船用设计，可安装在船舶湿区、实验室或码头建筑的舱壁上。左侧照片展示了安装在标准不锈钢框架内的 Pi-10型成像仪，设备可轻松拆卸，便于年度维护。采用速拆式水管和排水阀设计，大幅简化了流通池的清洁流程。
n 设备可对泵送水样进行连续成像，水流速度为34L/min，成像分辨率10μm。
n 可对水样中的颗粒物进行提取识别，为数据添加全球定位系统GPS和时间戳，同步将数据保存至硬盘并在局域网内共享。
n 配套附加软件可对每个颗粒物进行分析，提取其长度、宽度、面积等参数；搭载随机森林分类器，可将颗粒物半自动分为 42 个推定类别。近期联合英国图灵研究所与英国环境、食品与乡村事务部渔业水产科学中心研发出一项创新技术 —— 深度神经网络预分类器，可对碎屑/桡足类/非桡足类进行分类。
n 可生成电子表格报告，支持两种分析模式：
a. 站位式分析（替代传统网采法）
b. 新型连续轨迹分析
本设备由三部分组成：
（1）Pi-10 主机：安装于IP65 防护等级亚克力防护箱内，重量 24 千克；
（2）不锈钢防护机架（SS_Frame）：含管路及供电组件，总重约 36 千克；
（3）专用工作站（PiPC）。
不锈钢机架与 Pi-10 整机装配结构见下图。Pi-10 通过三根光纤线缆与 PiPC 工作站连接，实现相机信号及网口通讯。不锈钢机架可固定安装在船舶上；Pi-10 主机可根据调查任务需求随时拆装，也可安置在岸上实验室使用。
照片展示了以下连接端口：
l 进水口（右侧）
l 出水口（顶部）
l 110-250 伏交流电输入口（右上）
l 排水阀及排水管（底部）
l 计算机数据连接线接口（右上）
行业评价：完成设备搭建（即接好电源和水路）后，可根据需要随时插拔使用该系统。
“Once the set-up has been established (i.e. power and water connections), the system can easily be plugged in and out as needed.”
—— Pitois et al., Frontiers in Marine Science (2025)
Ø 技术参数
1) 24位、4096像素线扫描相机，像素尺寸10μm
2) 水样成像流量：34L/min
3) 环境工作温度：最高 27℃，最低 5℃；Pi-10 设备内部运行温度 26℃
4) 适用水压：最高3bar
5) 供电要求：交流 110-265V，最大功率200W
6) 设备重量：60kg
a) Pi-10主机：24kg
b) 不锈钢机架：36kg
c) 配套工控机PiPC：10kg
7) 设备外形尺寸：103 mm × 660 mm × 210 mm
8) Pi-10 主机与不锈钢机架可安装于湿区环境
9) 配套工控机PiPC与Pi-10, 采用光纤通讯，最远传输距离200m
10) 支持图像 UDP 实时数据流推送，便于数据共享
11) 整机设计支持全年24小时不间断连续运行
Ø 应用案例
1) 荷兰ROI's Gallery
Pi-10型成像仪的感兴趣区域数据由荷兰瓦赫宁根海洋研究所的洛德韦Lodewijk Van Walraven采集，于2023年5月24日至25日拍摄于Scheveningen港，采样坐标为 52.101265，4.268235，采样深度4米。
网址：https://www.wur.nl/en/researchresults/researchinstitutes/marine-research.htm
2) 丹麦・波罗的海
成像数据由搭载在丹麦 Egon P. (DK)调查船上的Pi-10型成像仪采集，其中包含2025年8月拍摄于丹麦利姆峡湾的淡海栉水母Mnemiopsis Leydei（左上），采样坐标为 56.8129059，8.9097264，采样深度 1.5 米（即表层水域）。
3) 英国南极调查局
成像示例由英国南极调查局提供，于2024-2025年南半球夏季，在 “RRV Sir David Attenborough”考察船上由Pi-10型成像仪拍摄于南大洋。
Ø 新型设备研发
现推出水下缆载式及浮标式浮游生物成像仪。目前，月池版Pi-10型成像仪的额定工作深度为10米，今年晚些时候将开展进一步测试，力争大幅提升其额定工作深度。
产地：英国Plankton Analytics Ltd.
Ø 参考文献
1) 西海观测站自动化浮游生物成像与分类系统，《海洋学》2025 年 1 月刊
Clark JR, Fileman ES, Fishwick J, Rühl S, and Widdicombe CE (2025) The Western Channel Observatory Automated Plankton Imaging and Classification System. Oceanography January 2025.
https://doi.org/10.5670/oceanog.2025e106
2) 规避混淆：基于分类误差的图像识别调查建模，《生态学与进化方法》2025 年；
Spence1 MA, Barry J, Thomas Bartos T, Robert Blackwell R, Scott J, Pitois S (2025) Avoiding confusion: Modelling image identification surveys with classification errors. Methods Ecol Evol. 2025;16:625–639.
DOI: https://doi.org/10.1111/2041-210X.14484
3) 从像素到模式：浮游动物研究（第一阶段），瓦赫宁根大学及研究中心报告，编号 C013/25
Mortelmans J, Decrop W, Heynderick H, Cattrijsse A, Depaepe M, Van Walraven L, Scott J, van Oevelen D, Deneudt K, Muñiza C (2025) From pixels to patterns: high Zooplankton Phase 1. Wageningen University & Research report: C013/25.
4) Pi-10 型浮游生物成像仪：一款用于浮游动物数据自动化连续采集的成像设备，《生物预印本》2025.01.27.
Scott J, Pitois SG, Blackwell1 R, Close H, Culverhouse PF, Tilbury JB (2025) The Plankton Imager (Pi-10): An imaging instrument for automated and continuous zooplankton data collection. BioRxiv 2025.01.27.635045;
doi: https://doi.org/10.1101/2025.01.27.635045
5) RAPID 海洋边缘人工智能实时自动化浮游生物识别面板，《海洋科学前沿》2024.
Pitois SG, Giering SLC, Masoudi M, Payne E, Scott J, Blackwell RE, Close H, Eftekhari N, Ribeiro J (2025) RAPID: real-time and automated plankton identification dashboard using Edge AI at sea. Front. Mar. Sci. 11:1513463.
doi: 10.3389/fmars.2024.1513463
6) 分辨率改变关联关系：利用小型浮游动物数据优化采样设计，《海洋学进展》,2022
Scott J, Pitois S, Creach V, Malin G, Culverhouse P, Tilbury J (2023) Resolution changes relationships: Optimizing sampling design using small scale zooplankton data. Progress in Oceanography (210), 102946. ISSN 0079-6611.
https://doi.org/10.1016/j.pocean.2022.102946
7) 浮游生物网是否终将被淘汰？原位成像技术在浮游动物大规模生态系统评估及政策制定中的应用评估，《海洋科学前沿》9:986206
Giering SLC, Culverhouse PF, Johns DG, McQuatters-Gollop A and Pitois SG (2022) Are plankton nets a thing of the past? An assessment of in situ imaging of zooplankton for large-scale ecosystem assessment and policy decision-making. Front. Mar. Sci. 9:986206.
https://doi.org/10.3389/fmars.2022.986206
8) 以凯尔特海为研究案例，利用浮游生物成像仪开展原位自动化成像，捕捉中型浮游动物的时间变化特征，《浮游生物研究杂志》2021 年 3/4 月
Scott J, Pitois S, Close H, Almeida N, Culverhouse PF, Tilbury J and Malin G (2021) In situ automated imaging, using the Plankton Imager, captures temporal variations in mesozooplankton using the Celtic Sea as a case study. Journal of Plankton Research, Volume 43, Issue 2, March/April 2021, Pages 300–313,
https://doi.org/10.1093/plankt/fbab018
9) 利用原位体型测量数据构建并验证桡足类平均体型与总丰度生态指标的初步方法 2021
Pitois SG, Graves CA, Close H, Lynam C, Scott J, Tilbury J, Van der Kooij, J and Culverhouse PF, (2021) A first approach to build and test the Copepod Mean Size and Total Abundance (CMSTA) ecological indicator using in-situ size measurements from the Plankton Imager (PI) Ecological Indicators 123, 107307.
10) 大西洋经向断面考察 21 航次中中型浮游动物的大洋尺度监测，《海洋生物学与水产养殖杂志》2016
Culverhouse PF, Williams R , Gallienne C, Tilbury J and Wall-Palmer D (2016) OceanScale Monitoring of Mesozooplankton on Atlantic Meridional Transect 21. J Marine Biol Aquacult 2(1): 1-13.
http://dx.doi.org/10.15436/2381-0750.16.018
11) 一款用于大洋盆地尺度中型浮游动物快速监测的设备，《海洋生物学与水产养殖杂志》2015
Culverhouse PF, Gallienne C, Tilbury J and Williams R (2015) An Instrument for Rapid Mesozooplankton Monitoring at Ocean Basin Scale. J Marine Biol Aquacult 1(1): 1-11.
http://dx.doi.org/10.15436/2381-0750.15.001
12) 生物海洋学亟需样本分析自动化新工具，《海洋生物学与水产养殖杂志》2015
Culverhouse PF (editorial) (2015) Biological Oceanography Needs New Tools to Automate Sample Analysis. J Marine Biol Aquacult 1(1): 1-2.
http://dx.doi.org/10.15436/2381-0750.15.e002
行业观点：我们的调查得出了明确的共识…… 这表明业内对成像技术在浮游动物监测与研究领域的发展前景普遍持乐观态度。
“Our survey revealed a clear consensus … indicating a general optimism about the future of imaging for zooplankton monitoring and research.”
—— Giering et al., 2022
Python 代码资源
n 由英国环境、食品与乡村事务部渔业水产科学中心（CEFAS, UK）的Sophie Pitois牵头，联合英国图灵研究所开发了浮游生物深度学习分类资源库，该 Python 资源库共享中型浮游动物数据集的模型、代码及示例数据。
网址：https://github.com/PlanktonAnalytics/PlanktonClassification
n 全新发布：英国环境、食品与乡村事务部渔业水产科学中心（CEFAS）浮游生物成像仪边缘人工智能系统
该GitHub代码库包含浮游生物成像仪边缘人工智能系统的Python代码，由英国图灵研究所提供技术支持。系统搭载在英伟达Jetson嵌入式平台上，通过接收Pi-10型浮游生物成像仪的图像流实现运行。人工智能模型的训练与验证代码位于独立代码库 ViT-LASNet。
网址：https://github.com/CefasRepRes/cefas-pi-10-edge-ai
数据资源
n Pitois等人（2020）：2016-2019 年英格兰西航道与爱尔兰海东部海域基于浮游生物成像仪系统的浮游动物丰度数据，英国环境、食品与乡村事务部渔业水产科学中心，第一版
doi: https://doi.org/10.14466/CefasDataHub.101
n 全新发布：英国环境、食品与乡村事务部渔业水产科学中心CEFAS RAPID 在线实时数据分析系统：主页 —— 英国环境、食品与乡村事务部渔业水产科学中心调查船Cefas RV数据面板（测试版）
l 该链接可进入云端处理流平台，持续接收 “奋进号” 调查船R/V Endeavour上Pi-10 型浮游生物成像仪的监测数据并上传至微软 Azure 云平台，实现三类数据监测：
l 面板实时展示每升水样中的浮游动物、碎屑数量及颗粒物总数；
l 利用边缘人工智能技术从实时图像流中提取物种分类信息，数据每两分钟更新一次；
