通过劣质拉曼光谱来对微塑料进行分类,改进了神经网络

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:

• 准确的微塑料识别对于环境监测至关重要.
• 拉曼光谱是一种关键技术,但光谱质量可能会受到环境因素的影响.
• 机器学习为自动化光谱分析提供了潜力,但噪音或低质量的数据仍然存在挑战.

研究的目的:

• 开发和评估一个改进的ResNet模型来分类微塑料的拉曼光谱.
• 在不利的实验条件下提高微塑料识别的准确性,包括低信号噪声比.
• 使用可视化技术调查机器学习模型的可解释性.

主要方法:

• 使用了一个改进的ResNet模型,结合了Squeeze-and-Excitation (SE) 模块.
• 该模型在不同质量级别的微塑料拉曼光谱上进行了训练和测试.
• 模拟了各种不同的实验条件,包括低激光功率和短的采集时间.
• 使用Grad-CAM可视化来解释模型的分类标准.

主要成果:

• 与传统的卷积神经网络 (CNN) 相比,改进的ResNet模型在分类低质量的拉曼光谱方面表现出更高的准确性.
• 即使在最不利的实验条件下,也实现了97.83%的高识别精度.
• 模型的性能在没有显著增加参数大小或计算负载的情况下保持不变.
• Grad-CAM提供了对驱动分类决策的光谱特征的见解.

结论:

• 增强的ResNet模型有效地分类微塑料的拉曼光谱,即使存在显著的噪声和低信号噪声比.
• 这种机器学习方法为分析在具有挑战性的,非理想的实验场景下获得的微塑料数据提供了强大的解决方案.
• 该研究强调了先进的机器学习技术在推动微塑料研究和环境分析方面的潜力.