深度卷积神经网络用于老化微塑料的福里埃变换识别红外光谱分类分类
Ganning Zeng1, Yuan Ma2, Mingming Du2
1College of Environment, Zhejiang University of Technology, Hangzhou 310014, China; Key Laboratory of Ocean Space Resource Management Technology, MNR, Hangzhou 310012, China.
The Science of the total environment
|December 30, 2023
概括
一个新的深度卷积神经网络 (CNN) 模型使用红外光谱准确识别老化微塑料 (MP). 这种先进的技术克服了MP分类中的挑战,实现了100%的准确性.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
背景情况:
- 检测微塑料 (MP) 对于环境监测至关重要.
- 老龄化过程使国会议员的准确识别和分类变得复杂.
- 红外 (IR) 光谱是MP分析的一个关键技术.
研究的目的:
- 使用红外 (IR) 频谱,开发一种强大的老化微塑料 (MP) 分类模型.
- 提高环境样本中MP识别的准确性和效率.
- 克服老年国会议员分类传统方法的局限性.
主要方法:
- 一个深度卷积神经网络 (CNN) 模型是使用原来的IR光谱开发的.
- 该模型结合了Adam优化,放弃正规化和ReLU激活.
- 对人工神经网络,随机森林和深度神经网络模型进行了性能评估.
主要成果:
- 该CNN模型在识别老化微塑料样本方面实现了100%的准确性.
- 与其他方法相比,CNN展示了优越的特征提取和识别能力.
- 该模型简化了光谱数据的预处理程序.
结论:
- 深层卷积神经网络为分类老化微塑料提供了强大而准确的解决方案.
- 开发的CNN模型是多功能,适合有限的数据,并可扩展到未来的应用.
- 这种方法在微塑料识别和环境监测领域取得了重大进展.


