通过机器学习和深度功能嵌入,基于光发光纳米粒子碳点图像的微塑料的新简单准确检测
Aan Priyanto1, Dian Ahmad Hapidin1, Dianica Maulina2
1Research Group of Physics and Technology of Advanced Materials, Department of Physics, Faculty of Mathematics and Natural Sciences, Institut Teknologi Bandung, Jalan Ganesa No. 10, Bandung, Jawa Barat, 40132, Indonesia.
Journal of environmental management
|January 8, 2026
概括
这项研究引入了一种使用碳点检测聚乙烯二甲 (PET) 微塑料的新型光发光学方法. 该方法结合了成像,机器学习和人工智能,以快速,准确和自动化地量化微塑料.
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:
- 微塑料是影响生态系统和人类健康的普遍污染物.
- 当前的检测方法往往需要复杂的仪器仪表,需要更简单的替代方案.
- 聚乙烯二甲 (PET) 是一种常见的微塑料污染物.
研究的目的:
- 开发一种简单,快速和准确的方法来量化PET微塑料.
- 使用来自碳点 (CD) 的光发光,加上用于检测的计算分析.
- 建立一个用于自动检测微塑料的光学计算框架.
主要方法:
- 使用碳点 (CD) 作为PET微塑料的光探针.
- 使用光发光成像和分析绿色通道强度.
- 整合机器学习 (ML) 模型和深度功能嵌入,以提高量化.
- 应用SHAP分析来识别用于定量化的关键图像特征.
主要成果:
- 绿色通道光发光强度显示高灵敏度 (3.647 ± 0.156 a.u. mg−1 L) 和相关性 (R2 = 0.937).
- ML模型提高了准确性,R2值为0.959 (LR) 和0.949 (ANN).
- 深度特征嵌入实现了近乎完美的预测 (LR的R2 = 1.000,ANN的R2 = 0.999).
结论:
- 开发的基于光发光的光学计算框架为微塑料量化提供了一个强大的工具.
- 将AI与成像集成为完全自动化的端到端微塑料检测系统提供了途径.
- 这种方法比传统的仪器重量检测技术有了显著的进步.
