使用双模态光谱和图像数据进行自动微塑料分类,以提高准确性.
Arsanchai Sukkuea1, Jakkaphong Inpun2, Phaothep Cherdsukjai3
1School of Engineering and Technology, Walailak University, 222 Thaiburi, Thasala, Nakhon Si Thammarat 80160, Thailand; Research Center for Intelligent Technology and Integration, School of Engineering and Technology, Walailak University, Nakhon Si Thammarat 80160, Thailand.
Marine pollution bulletin
|February 17, 2025
概括
一个自动化系统使用光谱数据对微塑料 (MP) 进行分类,克服了手工分析的局限性. 使用机器学习的双模式方法实现了超过99%的准确性,从而实现了高效的微塑料识别.
科学领域:
- 环境科学 环境科学
- 分析化学 分析化学
- 数据科学数据科学数据科学
背景情况:
- 手动微塑料 (MPs) 光谱分析耗时且容易出现错误.
- 准确和高效的MP识别对于了解和管理塑料污染至关重要.
研究的目的:
- 利用光谱数据开发一个自动化的微塑料分类系统.
- 为了比较各种机器学习模型用于MP识别的性能.
- 为MP分类部署一个用户友好的Web应用程序.
主要方法:
- 使用微里埃变换红外光谱 (μFTIR) 的双模数据集.
- 使用深度学习模型提取的光谱特征:AlexNet,ResNet18和视觉转换器 (ViT).
- 评估的机器学习分类器:决策树 (DT),极端随机树 (ET),支持向量分类器 (SVC) 和多类后勤回归 (LR).
主要成果:
- 亚历克斯Net-LR模型实现了99.03%的验证率和99.99%的测试准确率.
- ResNet18-LR显示了可比的准确性 (99%),培训和推断时间更快.
- 开发的Web应用程序MPsSpecClassify有助于有效地识别MP.
结论:
- 深度学习功能提取与机器学习分类器相结合,可以实现高度准确的自动化MP分类.
- 由于其效率,ResNet18-LR为Web部署提供了一个实用的解决方案.
- 该MPsSpecClassify应用程序支持改进的微塑料污染管理.


