级联增强的神经网络用于重建,分类和混合微塑料拉曼光谱的分离
Weixiang Huang1,2, Jiajin Chen2, Hao Xiong1,2
1School of Environmental Science and Optoelectronic Technology, University of Science and Technology of China, Hefei 230026, China.
Analytical chemistry
|March 9, 2026
概括
一个新的CSAM-ResUNet神经网络有效地处理混合的微塑料拉曼光谱,改善光谱无色化,基线校正和分类准确性,即使在具有挑战性的条件下. 这有助于利用拉曼光谱学进行微塑料分析.
科学领域:
- 分析化学 分析化学
- 频谱学是一种光谱学.
- 环境科学 环境科学
背景情况:
- 拉曼光谱对于微塑料的表征至关重要.
- 由于峰值干扰,分析混合微塑料光谱具有挑战性.
- 现有的神经网络和预处理方法在复杂的环境中存在局限性.
研究的目的:
- 开发一种先进的神经网络,用于处理混合微塑料的拉曼光谱.
- 改进光谱无色化,基线校正,分类和微塑料的不混合.
- 在各种实验条件下提高微塑料分析的稳定性和准确性.
主要方法:
- 使用一个带有通道和空间注意模块 (CSAM-ResUNet) 的级联ResUNet神经网络.
- 应用CSAM-ResUNet用于光谱无色化,基线校正,分类和分离.
- 在最佳和非理想条件下测试模型 (例如,减少激光功率).
主要成果:
- CSAM-ResUNet在光谱无色化和基线校正方面表现优于一般注意力模块.
- 与增强的ResUNet模型相比,平均平方误差减少了32%.
- 与传统算法相比,信号噪声比提高了35%,结构相似性提高了80%.
- 在最佳条件下,对21个混合微塑料类的分类准确度达到了99.68%.
- 在非理想的条件下保持超过90%的准确性,而所收到的能量为20%.
- 成功地未混合的光谱与构成微塑料的精确峰值分配.
结论:
- CSAM-ResUNet提供了一个强大的解决方案,用于分析复杂的微塑料拉曼光谱.
- 神经网络可实现稳定的重建,有效的分类和混合微塑料的分离.
- 这种方法显著提高了神经网络在微塑料的拉曼光谱处理中的应用.
