利用深度学习通过焦平面阵列 (FPA) 微FT-IR成像自动识别微塑料 (MPs)
Ziang Zhu1, Wayne Parker1, Alexander Wong2
1Department of Systems Design Engineering, University of Waterloo, 200 University Ave W, Waterloo, ON, N2L 3G1, Canada.
Environmental pollution (Barking, Essex : 1987)
|September 27, 2023
概括
深度学习模型PlasticNet准确地识别环境样本中的微塑料 (MP). 这种先进的AI克服了添加剂和气候变化等挑战,比传统方法提高了识别精度.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 精确识别微塑料 (MP) 对于了解它们的环境命运和运输至关重要.
- 传统的光谱分类方法由于添加剂,表面修饰,污染物和样品厚度而面临挑战.
- 里叶变换红外 (FTIR) 光谱可能会受到MP厚度的影响,使分析复杂化.
研究的目的:
- 开发一种先进的方法,以快速准确地识别环境样本中的微塑料.
- 在微塑料识别方面克服传统光谱图书馆搜索程序的局限性.
- 通过深度学习增强微塑料的自动化分析.
主要方法:
- 开发PlasticNet,一个深度学习卷积神经网络架构.
- 培训PlasticNet拥有超过8000种处女塑料的光谱.
- 在复杂的光谱上测试PlasticNet的性能,使用添加剂,气候和不同厚度.
- 将PlasticNet的性能与环境样本的传统图书馆搜索方法进行比较.
主要成果:
- 在初始培训后,PlasticNet在分类11种常见的塑料类型时取得了超过95%的准确性.
- 该模型在光谱上表现出高性能 (92%+),由于添加剂和气候变化增加了复杂性.
- 塑料网成功识别了微塑料,尽管由于厚度而导致的光谱变化.
- 在一个复杂的环境样本中,PlasticNet显示了与图书馆搜索相比17.3%的改进,用于识别复杂环境样本中的聚烯 (PP) MP.
结论:
- 塑料网为增强微塑料识别提供了强大的解决方案,超越了传统方法.
- 深度学习方法有效地处理由环境因素引入的光谱复杂性.
- 塑料网显示出成为环境监测中自动化微塑料分析的标准工具的巨大潜力.
