在使用深度学习的微图中,对户外空气中的微塑料进行自动预选
Sheen Mclean Cabaneros1, Emma Chapman2, Mark Hansen3
1School of Engineering, University of Hull, Kingston upon Hull, HU6 7RX, UK.
Environmental pollution (Barking, Essex : 1987)
|March 16, 2025
概括
这项研究引入了深度学习模型,在低分辨率图像中自动识别空气中的微塑料 (AMP). 这种新的方法提高了AMP研究和监测的效率和准确性.
科学领域:
- 环境科学 环境科学
- 数据科学数据科学数据科学
- 毒理学 毒理学 毒理学
背景情况:
- 空气中的微塑料 (AMP) 在室内和室外环境中广泛存在,对人类健康构成潜在风险.
- 在微图中自动识别AMP对于研究和监测至关重要.
- 现有的微塑料深度学习研究通常使用来自水生环境的高分辨率图像.
研究的目的:
- 开发和评估深度学习模型,以识别和分类室外AMP在低分辨率显微镜中.
- 为了提高效率,将分类纳入细分框架.
- 为传统的AMP识别方法提供更快,更准确的替代方案.
主要方法:
- 使用了增强的U-Net模型 (注意U-Net,动态RU-NEXT) 和面具区域卷积神经网络 (面具R-CNN).
- 专注于户外AMP的低分辨率微镜 (256 × 256像素).
- 集成分类直接用于基于U-Net的细分,以进行简化分析.
主要成果:
- 改进的U-Net模型实现了>85%的F1分数分类和>77%的细分精度.
- 面具R-CNN的界限框精度为73.32%,分类F1得分为84.29%,面具精度为71.31%.
- 提出的深度学习方法的性能优于传统的值技术.
结论:
- 该研究提出了一种高效准确的深度学习方法,用于在低分辨率图像中识别AMP.
- 这种方法作为一种有效的预选工具,减少了对广泛化学分析的需求.
- 这些发现促进了通过AI集成对空气中的微塑料的监测和表征.
