推进微塑料监测:根据仪器成像自动纠正聚合和不连续问题.

科学领域:

• 环境科学 环境科学
• 分析化学 分析化学
• 计算机视觉 计算机视觉

背景情况:

• 仪器成像对于微塑料分析至关重要,但由于粒子聚合和不连续性,在纤维和非纤维的准确细分方面存在困难.
• 现有的方法在微塑料颗粒聚集在一起或被碎片化时精确量化微塑料特性方面面临挑战.

研究的目的:

• 开发一种自动化分析方法,使用仪器成像来表征环境微塑料.
• 解决和提高聚合和不连续的微塑料颗粒的检测精度.

主要方法:

• 开发并使用了一种扩散模态实例分割前 (DAISF) 模型,在一个大数据集上训练了130,536个手动标记的粒子.
• 在DAISF模型中使用高斯-拉普拉斯运算符来提高细分性能,特别是对于具有挑战性的粒子形状和排列.

主要成果:

• 与标准仪器检测相比,DAISF模型显著提高了聚合纤维 (71.8%) 和非纤维 (89.2%) 以及不连续纤维 (90.2%) 和非纤维 (98.4%) 的检测.
• 在粒子数 (≤19.1%),长度 (≤20.2%) 和质量 (≤12.4%) 中实现了优异的回忆和F1分数,相对误差较低.
• 与仪器方法相比,对粒子数量,长度和质量量分别进行了31.0倍,3.1倍和8.8倍的改进.

结论:

• 开发的计算方法从仪器成像数据准确地描述了环境微塑料.
• 在微塑料分析中,DAISF模型为克服聚合和不连续性问题提供了强大的解决方案.
• 这种方法对于有效检测和快速监测环境中的微塑料污染是有价值的.